شرح تقنية الذكاء الاصطناعي لمكافحة السرقة من المتاجر: التعرف على الوجوه، وقوائم المراقبة، ومعركة الشفافية

يتجه تجار التجزئة بشكل متزايد إلى أنظمة المراقبة "الذكية" لمعالجة مشكلة قديمة جداً: السرقة. وتتجاوز الموجة الأحدث من هذه الأنظمة كاميرات المراقبة التقليدية، إذ تستخدم أدوات قادرة على رصد الوجوه والأجسام وأنماط السلوك في الوقت الفعلي.

يُظهر تقريرٌ لهيئة الإذاعة البريطانية (بي بي سي) صوّره جيم كونولي مدى سرعة انتقال هذا النوع من تقنيات مكافحة السرقة المدعومة بالذكاء الاصطناعي من سلاسل المتاجر الكبرى إلى أماكن يومية مثل مكاتب البريد المستقلة. كما يُبيّن التقرير سبب تزايد ردود الفعل السلبية بالسرعة نفسها: فهذه الأنظمة لا تكتفي بالمراقبة، بل تُصنّف الأشخاص إلى فئات خطر.

لماذا تنتشر هذه التقنية الآن

لطالما كانت السرقة من المتاجر جزءًا من تجارة التجزئة، لكن الدوافع وراءها قد تغيرت. تعمل المتاجر بطاقم عمل أقل، مع زيادة في نقاط الدفع الذاتي، وارتفاع في حجم المبيعات التي تتم عبر فرق عمل أصغر. هذا يخلق فجوة عملية: قلة في عدد الموظفين المشرفين على المتجر، ولكن فرصًا أكبر للخسارة.

لذا يقدم البائعون اقتراحاً مغرياً: الحفاظ على عدد الموظفين ثابتاً تقريباً مع "مضاعفة" اليقظة باستخدام البرامج.

تشير مقالة بي بي سي إلى أن بعض كبار تجار التجزئة والمتاجر المستقلة قد أدخلوا مزيجًا مما يلي:

مسح الجسم بالذكاء الاصطناعي
أنظمة كاميرات المراقبة المزودة بتنبيهات آلية
معدات التعرف على الوجوه

على الورق، تبدو الأنظمة بسيطة: فبدلاً من مطالبة الموظفين بمراقبة جدار من الشاشات، يقوم الكمبيوتر بالمراقبة وإرسال تنبيه إلى أحد الموظفين عندما يعتقد أن شيئًا ما يبدو مريبًا.

في الواقع، يمكن أن تعني كلمة "مشبوه" عدة أشياء مختلفة حسب المنتج:

وجه يعتقد النظام أنه يطابق حادثة سابقة
جسم يصنفه النظام على أنه "معروف" أو "مجهول".
أنماط حركة تشبه عمليات السرقة السابقة

هذا نوع من الشباك الواسعة. والشباك الواسعة تصطاد المزيد من الأسماك - والمزيد من الصيد العرضي.

ما الذي تفعله "عمليات مسح الجسم بالذكاء الاصطناعي" والتعرف على الوجه فعلياً

من الطرق المفيدة للتفكير في هذه الأدوات أنها تحول الفيديو إلى بيانات قابلة للبحث.

تعتمد كاميرات المراقبة التقليدية في الغالب على التسجيل السلبي، حيث تسجل لقطات قد يراجعها شخص ما لاحقًا. أما كاميرات المراقبة المزودة بتقنية الذكاء الاصطناعي فهي نشطة، إذ تحاول تصنيف ما تراه أثناء حدوثه.

التعرف على الوجوه (الخيار الواضح)

تعتمد تقنية التعرف على الوجوه على إنشاء "بصمة وجه" من لقطات الكاميرا ومقارنتها بقائمة مخزنة. في حال وجود تطابق كبير، يمكن للنظام تنبيه أحد العاملين، أو قفل الباب، أو إخطار الأمن، أو ببساطة تسجيل الحدث.

من وجهة نظر المتجر، هذا أمر جذاب لأنه يعد بالاستمرارية: يمكن رؤية نفس الشخص الذي سرق الأسبوع الماضي عند المدخل اليوم.

لكن هذا يطرح أيضاً سؤالاً حاداً: من أين تأتي قائمة المراجع، وكيف يمكن لشخص ما أن يتخلص منها؟

عمليات مسح الجسم بالذكاء الاصطناعي (أقل بديهية، ولكنها غالباً ما تكون أكثر شيوعاً)

يشير تقرير بي بي سي إلى استخدام تقنيات مسح الجسم بالذكاء الاصطناعي إلى جانب تقنية التعرف على الوجه. وفي كثير من التطبيقات، لا يعني مصطلح "مسح الجسم" استخدام ماسح ضوئي لكامل الجسم كما في أفلام الخيال العلمي، بل يعني في الغالب نظامًا يكشف ويتتبع الأشخاص بناءً على شكل الجسم، أو وضعية الجسم، أو شكل الملابس، أو الحركة.

لماذا قد يستخدم بائع التجزئة هذا؟

يمكن أن تنجح عملية التعرف على الهوية من خلال الجسم حتى عندما يكون الوجه محجوبًا جزئيًا.
بإمكانها تتبع الشخص عبر زوايا كاميرا متعددة.
يمكنه تصنيف "السلوك" (التردد، التحرك بسرعة، العودة إلى الرف) كأنماط.

هذا هو الجزء الذي يجعل دعاة الحريات المدنية قلقين: قد لا تحتاج إلى أن يتم تحديد هويتك بالاسم ليتم التعامل معك على أنك "شخص يجب أن نراقبه".

القوة الخفية لقوائم المراقبة

قال ناشطون في مجال الحريات المدنية لهيئة الإذاعة البريطانية (بي بي سي) إن الجمهور يتم وضعه على "قوائم مراقبة سرية ويتم حظره إلكترونياً" من شوارعهم الرئيسية.

إن هذه اللغة مهمة، لأنها تصف شيئاً أكبر من مجرد قرار متجر واحد بحظر أحد العملاء.

تصبح قائمة المراقبة أكثر أهمية عندما تتضمن هذه الميزات:

يستمر مع مرور الوقت.قد يلاحقك شعور بالريبة في زياراتك المستقبلية.
ينتقل بين المواقع.قد يؤثر علم من متجر ما على كيفية معاملتك في متجر آخر.
من الصعب الاعتراض على ذلك.إذا لم يخبرك النظام أبدًا بأنه تم وضع علامة عليك، فلا يمكنك الاعتراض على ذلك.

حتى بدون "حظر" رسمي، يمكن لقائمة المراقبة أن تؤثر على النتائج:

يتعامل معك الموظفون بشكل مختلف
أنت تحت المراقبة بشكل أكبر
ممنوع دخولك
يتم استدعاء الأمن في وقت أبكر مما كان عليه الحال في الأحوال العادية.

لا يقتصر الخطر على النتائج الإيجابية الخاطئة فحسب، بل يكمن أيضاً في أن النتائج الإيجابية الخاطئة تصبح راسخة.

ما ينص عليه القانون مقابل ما يعيشه الناس

يقول تقرير هيئة الإذاعة البريطانية (بي بي سي) إن موقف الحكومة هو أن التعرف التجاري على الوجوه قانوني، ولكن يجب أن يتوافق استخدامه مع قوانين حماية البيانات الصارمة وأن يتم استخدامه بشفافية.

تحتوي تلك الجملة الواحدة على ساحة المعركة الحقيقية.

"القانوني" ليس هو نفسه "المقبول اجتماعياً".

يمكن لبائع التجزئة أن يفعل شيئًا قانونيًا من الناحية الفنية، ومع ذلك قد يثير ردود فعل عنيفة إذا شعر العملاء بأن القواعد من جانب واحد.

تُغيّر تقنيات المراقبة العقد العاطفي للتسوق. يتقبّل الناس مستوىً معيناً من إجراءات منع الخسائر (الكاميرات، الموظفون، العلامات). ولكن عندما يبدأ النظام بتصنيف الزوار - ربما دون علمهم - تتحوّل العلاقة من "المتجر يحمي بضائعه" إلى "المتجر يُقيّمني".

الشفافية أصعب من مجرد وضع لافتة

قد يبدو مفهوم "الشفافية" مجرد إجراء شكلي بسيط: مجرد وضع لافتة على الباب. لكن الشفافية الحقيقية تتطلب إجابات لأسئلة مثل:

هل تستخدمون تقنية التعرف على الوجوه، أم كاميرات المراقبة القياسية فقط؟
ما هي البيانات التي تخزنها، وكم من الوقت؟
هل تشارك البيانات مع أي مواقع أو شركاء آخرين؟
كيف يمكن لشخص ما أن يستأنف أو يصحح خطأً في العلم؟

بالنسبة لمعظم العملاء، الوضع الافتراضي هو الجهل: فهم لا يعرفون بوجود النظام إلا عندما يحدث خطأ ما.

المقايضات التشغيلية التي لا يعلن عنها تجار التجزئة

يتبنى تجار التجزئة هذه الأنظمة من أجل التكلفة والتغطية، لكنهم يرثون مخاطر لا تتناسب بدقة مع جدول بيانات الميزانية.

1) النتائج الإيجابية الخاطئة تُسبب ضرراً في الواقع

إذا قام النظام بتحديد شخص بريء، فإن "الضرر" ليس مجرد مفهوم نظري. بل قد يكون إحراجاً أو ترهيباً أو استبعاداً أو تصعيداً للأمور.

كما أن له تأثيرًا ارتداديًا: فبمجرد أن يُعامل شخص ما كمشتبه به، يمكن أن يبدو أي سلوك عصبي أكثر "إثارة للريبة"، مما يعزز الخطأ الأولي للنظام.

2) يصبح الموظفون منفذين لصندوق أسود

عندما يقوم النظام بإرسال تنبيه، يتم دفع الموظفين إلى نقطة اتخاذ القرار: إما التصرف بناءً عليه، أو تجاهله.

إذا تصرفوا وكان تصرفهم خاطئاً، فإن التفاعل البشري هو ما يبقى في الذاكرة، وليس الخوارزمية. أما إذا تجاهلوا الأمر وحدثت سرقة، فقد تتساءل الإدارة عن سبب تجاهل التنبيه.

لذا حتى لو كانت الأداة "استشارية"، فإنها تصبح قسرية داخل مكان العمل.

3) التكنولوجيا تسمح بتوسع نطاق المهمة

قد يتم إعادة استخدام نظام تم تركيبه لمكافحة السرقة من المتاجر لاحقاً لأغراض أخرى:

تحديد محاولات استرداد الأموال المتكررة
تطبيق حظر السلوك المعادي للمجتمع
تتبع أداء الموظفين

لا يكون التوسع غير المبرر في مهام النظام خبيثاً دائماً. غالباً ما يكون مجرد منطق استثماري: "لقد دفعنا ثمن هذا النظام بالفعل؛ فماذا يمكنه أن يفعل أيضاً؟"

كيف من المرجح أن يتطور الحوار العام

ما سيأتي لاحقاً لا يتعلق كثيراً بالأجهزة، بل يتعلق أكثر بالحوكمة.

على المدى القريب، من المحتمل أن نرى نمطاً معيناً:

المزيد من عمليات النشر (خاصةً مع قيام البائعين بتجميع الأنظمة للشركات الصغيرة)
المزيد من الحملات المطالبة بقواعد واضحة وشفافية
يزداد الاحتكاك مع إدراك العملاء أن "المراقبة الذكية" موجودة في الأماكن اليومية

ستكون الأسئلة السياسية ذات التأثير الأكبر عملية وليست فلسفية:

من يضع معايير الدقة؟
من يقوم بمراجعة قوائم المراقبة؟
كيف يعلم الشخص أنه تم الإبلاغ عنه؟
ما هي عملية الإزالة؟

بدون إجابات، قد يجد تجار التجزئة أن الأداة المصممة لمنع الخسارة تخلق نوعًا مختلفًا من التكلفة: الضرر بالسمعة وعدم ثقة العملاء.

خلاصة القول

تعد أنظمة الذكاء الاصطناعي لمكافحة السرقة من المتاجر بتعويض وقت الموظفين الضائع من خلال المراقبة الآلية، ولهذا السبب تنتشر من المتاجر الكبرى إلى المتاجر المحلية. ولكن عندما تتحول المراقبة إلى تصنيف - قوائم مراقبة، وقوائم سوداء، وعلامات "خطر" مبهمة - تتوقف هذه التقنية عن كونها إجراءً أمنيًا هادئًا وتصبح مشكلة ثقة عامة.

مصادر

بي بي سي نيوز (التكنولوجيا):https://www.bbc.com/news/videos/c98p1jg3p58o?at_medium=RSS&at_campaign=rss

Document Title
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	شرح تقنية الذكاء الاصطناعي لمكافحة السرقة من المتاجر: التعرف على الوجوه، وقوائم المراقبة، ومعركة الشفافية

Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.	تعتمد متاجر التجزئة تقنيات الذكاء الاصطناعي لمسح الجسم والتعرف على الوجه للحد من سرقة المتاجر. إليكم كيف تعمل هذه التقنيات، ولماذا يحذر النقاد من قوائم المراقبة السرية، وماذا تعني الشفافية.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	عرض جميع منشورات المدير
How crypto criminals are shifting from exchange hacks to targeting individuals	كيف يتحول مجرمو العملات المشفرة من اختراق منصات التداول إلى استهداف الأفراد
CZT: the wonder material behind faster scans and sharper detectors	مادة CZT: المادة الرائعة وراء عمليات المسح الأسرع وأجهزة الكشف الأكثر دقة
Page Content
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	شرح تقنية الذكاء الاصطناعي لمكافحة السرقة من المتاجر: التعرف على الوجوه، وقوائم المراقبة، ومعركة الشفافية
Nature
Climate
AI anti-shoplifting tech: from CCTV to watchlists on the high street	تقنيات الذكاء الاصطناعي لمكافحة السرقة من المتاجر: من كاميرات المراقبة إلى قوائم المراقبة في الشوارع التجارية
/
Technology
/ By
Admin
Retailers are increasingly turning to “smart” surveillance to deal with a very old problem: theft. The newest wave goes beyond standard CCTV, using tools that can flag faces, bodies, or behaviour patterns in real time.	يتجه تجار التجزئة بشكل متزايد إلى أنظمة المراقبة "الذكية" لمعالجة مشكلة قديمة جداً: السرقة. وتتجاوز الموجة الأحدث من هذه الأنظمة كاميرات المراقبة التقليدية، إذ تستخدم أدوات قادرة على رصد الوجوه والأجسام وأنماط السلوك في الوقت الفعلي.
A BBC report filmed by Jim Connolly shows how quickly this kind of AI-driven anti-shoplifting tech is moving from big chains into everyday places like an independent Post Office. It also shows why the pushback is growing just as fast: these systems don’t just watch — they can sort people into risk categories.	يُظهر تقريرٌ لهيئة الإذاعة البريطانية (بي بي سي) صوّره جيم كونولي مدى سرعة انتقال هذا النوع من تقنيات مكافحة السرقة المدعومة بالذكاء الاصطناعي من سلاسل المتاجر الكبرى إلى أماكن يومية مثل مكاتب البريد المستقلة. كما يُبيّن التقرير سبب تزايد ردود الفعل السلبية بالسرعة نفسها: فهذه الأنظمة لا تكتفي بالمراقبة، بل تُصنّف الأشخاص إلى فئات خطر.
Why the tech is spreading now	لماذا تنتشر هذه التقنية الآن
Shoplifting has always been part of retail, but the incentives around it have shifted. Stores are operating with tighter staffing, more self-checkouts, and higher volumes moving through smaller teams. That creates a practical gap: fewer human eyes on the floor, but more opportunity for loss.	لطالما كانت السرقة من المتاجر جزءًا من تجارة التجزئة، لكن الدوافع وراءها قد تغيرت. تعمل المتاجر بطاقم عمل أقل، مع زيادة في نقاط الدفع الذاتي، وارتفاع في حجم المبيعات التي تتم عبر فرق عمل أصغر. هذا يخلق فجوة عملية: قلة في عدد الموظفين المشرفين على المتجر، ولكن فرصًا أكبر للخسارة.
So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.	لذا يقدم البائعون اقتراحاً مغرياً: الحفاظ على عدد الموظفين ثابتاً تقريباً مع "مضاعفة" اليقظة باستخدام البرامج.
The BBC piece notes that some major retailers and independent stores have introduced a mix of:	تشير مقالة بي بي سي إلى أن بعض كبار تجار التجزئة والمتاجر المستقلة قد أدخلوا مزيجًا مما يلي:
AI body scans	مسح الجسم بالذكاء الاصطناعي
CCTV systems with automated alerts	أنظمة كاميرات المراقبة المزودة بتنبيهات آلية
facial recognition equipment	معدات التعرف على الوجوه
On paper, the systems are simple: instead of asking staff to watch a wall of screens, the computer watches and pings a staff member when it thinks something looks suspicious.	على الورق، تبدو الأنظمة بسيطة: فبدلاً من مطالبة الموظفين بمراقبة جدار من الشاشات، يقوم الكمبيوتر بالمراقبة وإرسال تنبيه إلى أحد الموظفين عندما يعتقد أن شيئًا ما يبدو مريبًا.
In practice, “suspicious” can mean several different things depending on the product:	في الواقع، يمكن أن تعني كلمة "مشبوه" عدة أشياء مختلفة حسب المنتج:
a face the system thinks matches a previous incident	وجه يعتقد النظام أنه يطابق حادثة سابقة
a body the system classifies as “known” or “unknown”	جسم يصنفه النظام على أنه "معروف" أو "مجهول".
movement patterns that resemble prior thefts	أنماط حركة تشبه عمليات السرقة السابقة
That’s a broad net. And broad nets catch more fish — and more bycatch.	هذا نوع من الشباك الواسعة. والشباك الواسعة تصطاد المزيد من الأسماك - والمزيد من الصيد العرضي.
What “AI body scans” and facial recognition actually do	ما الذي تفعله "عمليات مسح الجسم بالذكاء الاصطناعي" والتعرف على الوجه فعلياً
A useful way to think about these tools is that they turn video into searchable data.	من الطرق المفيدة للتفكير في هذه الأدوات أنها تحول الفيديو إلى بيانات قابلة للبحث.
Traditional CCTV is mostly passive: it records footage that someone might review later. AI-enabled CCTV is active: it tries to label what it sees as it happens.	تعتمد كاميرات المراقبة التقليدية في الغالب على التسجيل السلبي، حيث تسجل لقطات قد يراجعها شخص ما لاحقًا. أما كاميرات المراقبة المزودة بتقنية الذكاء الاصطناعي فهي نشطة، إذ تحاول تصنيف ما تراه أثناء حدوثه.
Facial recognition (the obvious one)	التعرف على الوجوه (الخيار الواضح)
Facial recognition attempts to create a “faceprint” from camera footage and compare it to a stored list. If there’s a close match, the system can alert a worker, lock a door, notify security, or simply log the event.	تعتمد تقنية التعرف على الوجوه على إنشاء "بصمة وجه" من لقطات الكاميرا ومقارنتها بقائمة مخزنة. في حال وجود تطابق كبير، يمكن للنظام تنبيه أحد العاملين، أو قفل الباب، أو إخطار الأمن، أو ببساطة تسجيل الحدث.
From the store’s point of view, this is attractive because it promises consistency: the same person who stole last week can be spotted at the entrance today.	من وجهة نظر المتجر، هذا أمر جذاب لأنه يعد بالاستمرارية: يمكن رؤية نفس الشخص الذي سرق الأسبوع الماضي عند المدخل اليوم.
But it also creates a sharp question: where does the reference list come from, and how does someone get off it?	لكن هذا يطرح أيضاً سؤالاً حاداً: من أين تأتي قائمة المراجع، وكيف يمكن لشخص ما أن يتخلص منها؟
AI body scans (less intuitive, but often more common)	عمليات مسح الجسم بالذكاء الاصطناعي (أقل بديهية، ولكنها غالباً ما تكون أكثر شيوعاً)
The BBC report mentions AI body scans alongside facial recognition. In many deployments, “body scanning” doesn’t mean a sci‑fi full-body scanner. It often means a system that detects and tracks people based on body shape, posture, clothing silhouette, or movement.	يشير تقرير بي بي سي إلى استخدام تقنيات مسح الجسم بالذكاء الاصطناعي إلى جانب تقنية التعرف على الوجه. وفي كثير من التطبيقات، لا يعني مصطلح "مسح الجسم" استخدام ماسح ضوئي لكامل الجسم كما في أفلام الخيال العلمي، بل يعني في الغالب نظامًا يكشف ويتتبع الأشخاص بناءً على شكل الجسم، أو وضعية الجسم، أو شكل الملابس، أو الحركة.
Why would a retailer use this?	لماذا قد يستخدم بائع التجزئة هذا؟
Body-based identification can work even when the face is partially obscured.	يمكن أن تنجح عملية التعرف على الهوية من خلال الجسم حتى عندما يكون الوجه محجوبًا جزئيًا.
It can track a person across multiple camera angles.	بإمكانها تتبع الشخص عبر زوايا كاميرا متعددة.
It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.	يمكنه تصنيف "السلوك" (التردد، التحرك بسرعة، العودة إلى الرف) كأنماط.
This is the part that makes civil liberties advocates nervous: you may not need to be identified by name to be treated as “someone we should watch.”	هذا هو الجزء الذي يجعل دعاة الحريات المدنية قلقين: قد لا تحتاج إلى أن يتم تحديد هويتك بالاسم ليتم التعامل معك على أنك "شخص يجب أن نراقبه".
The quiet power of watchlists	القوة الخفية لقوائم المراقبة
Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.	قال ناشطون في مجال الحريات المدنية لهيئة الإذاعة البريطانية (بي بي سي) إن الجمهور يتم وضعه على "قوائم مراقبة سرية ويتم حظره إلكترونياً" من شوارعهم الرئيسية.
That language matters, because it describes something bigger than a single shop deciding to ban a customer.	إن هذه اللغة مهمة، لأنها تصف شيئاً أكبر من مجرد قرار متجر واحد بحظر أحد العملاء.
A watchlist becomes more consequential when it has these features:	تصبح قائمة المراقبة أكثر أهمية عندما تتضمن هذه الميزات:
It persists over time.	يستمر مع مرور الوقت.
A moment of suspicion can follow you to future visits.	قد يلاحقك شعور بالريبة في زياراتك المستقبلية.
It travels between locations.	ينتقل بين المواقع.
A flag from one shop can influence how you’re treated in another.	قد يؤثر علم من متجر ما على كيفية معاملتك في متجر آخر.
It is hard to contest.	من الصعب الاعتراض على ذلك.
If the system never tells you that you were flagged, you can’t challenge it.	إذا لم يخبرك النظام أبدًا بأنه تم وضع علامة عليك، فلا يمكنك الاعتراض على ذلك.
Even without a formal “ban,” a watchlist can shape outcomes:	حتى بدون "حظر" رسمي، يمكن لقائمة المراقبة أن تؤثر على النتائج:
staff approach you differently	يتعامل معك الموظفون بشكل مختلف
you’re watched more closely	أنت تحت المراقبة بشكل أكبر
you’re denied entry
security is called earlier than it otherwise would be	يتم استدعاء الأمن في وقت أبكر مما كان عليه الحال في الأحوال العادية.
The risk is not only false positives — it’s that false positives become sticky.	لا يقتصر الخطر على النتائج الإيجابية الخاطئة فحسب، بل يكمن أيضاً في أن النتائج الإيجابية الخاطئة تصبح راسخة.
What the law says vs what people experience	ما ينص عليه القانون مقابل ما يعيشه الناس
The BBC report says the government’s position is that commercial facial recognition is legal, but its use must comply with strict data protection laws and be used transparently.	يقول تقرير هيئة الإذاعة البريطانية (بي بي سي) إن موقف الحكومة هو أن التعرف التجاري على الوجوه قانوني، ولكن يجب أن يتوافق استخدامه مع قوانين حماية البيانات الصارمة وأن يتم استخدامه بشفافية.
That single sentence contains the real battleground.	تحتوي تلك الجملة الواحدة على ساحة المعركة الحقيقية.
“Legal” isn’t the same as “socially acceptable”	"القانوني" ليس هو نفسه "المقبول اجتماعياً".
A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.	يمكن لبائع التجزئة أن يفعل شيئًا قانونيًا من الناحية الفنية، ومع ذلك قد يثير ردود فعل عنيفة إذا شعر العملاء بأن القواعد من جانب واحد.
Surveillance tech changes the emotional contract of shopping. People accept a certain level of loss-prevention (cameras, staff, tags). But when the system begins to categorise visitors — potentially without them knowing — the relationship shifts from “store protects its goods” to “store is evaluating me.”	تُغيّر تقنيات المراقبة العقد العاطفي للتسوق. يتقبّل الناس مستوىً معيناً من إجراءات منع الخسائر (الكاميرات، الموظفون، العلامات). ولكن عندما يبدأ النظام بتصنيف الزوار - ربما دون علمهم - تتحوّل العلاقة من "المتجر يحمي بضائعه" إلى "المتجر يُقيّمني".
Transparency is harder than putting up a sign	الشفافية أصعب من مجرد وضع لافتة
“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:	قد يبدو مفهوم "الشفافية" مجرد إجراء شكلي بسيط: مجرد وضع لافتة على الباب. لكن الشفافية الحقيقية تتطلب إجابات لأسئلة مثل:
Are you using facial recognition, or only standard CCTV?	هل تستخدمون تقنية التعرف على الوجوه، أم كاميرات المراقبة القياسية فقط؟
What data do you store, and for how long?	ما هي البيانات التي تخزنها، وكم من الوقت؟
Do you share the data with any other sites or partners?	هل تشارك البيانات مع أي مواقع أو شركاء آخرين؟
How does someone appeal or correct a mistaken flag?	كيف يمكن لشخص ما أن يستأنف أو يصحح خطأً في العلم؟
For most customers, the default is ignorance: they only learn a system exists when something goes wrong.	بالنسبة لمعظم العملاء، الوضع الافتراضي هو الجهل: فهم لا يعرفون بوجود النظام إلا عندما يحدث خطأ ما.
The operational trade-offs retailers don’t advertise	المقايضات التشغيلية التي لا يعلن عنها تجار التجزئة
Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.	يتبنى تجار التجزئة هذه الأنظمة من أجل التكلفة والتغطية، لكنهم يرثون مخاطر لا تتناسب بدقة مع جدول بيانات الميزانية.
1) False positives create real-world harm	1) النتائج الإيجابية الخاطئة تُسبب ضرراً في الواقع
If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.	إذا قام النظام بتحديد شخص بريء، فإن "الضرر" ليس مجرد مفهوم نظري. بل قد يكون إحراجاً أو ترهيباً أو استبعاداً أو تصعيداً للأمور.
It also has a feedback effect: once someone is treated like a suspect, any nervous behaviour can look more “suspicious,” reinforcing the system’s initial error.	كما أن له تأثيرًا ارتداديًا: فبمجرد أن يُعامل شخص ما كمشتبه به، يمكن أن يبدو أي سلوك عصبي أكثر "إثارة للريبة"، مما يعزز الخطأ الأولي للنظام.
2) Staff become enforcers of a black box	2) يصبح الموظفون منفذين لصندوق أسود
When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.	عندما يقوم النظام بإرسال تنبيه، يتم دفع الموظفين إلى نقطة اتخاذ القرار: إما التصرف بناءً عليه، أو تجاهله.
If they act and it’s wrong, the human interaction is the thing people remember — not the algorithm. If they ignore it and a theft happens, management may ask why the alert was dismissed.	إذا تصرفوا وكان تصرفهم خاطئاً، فإن التفاعل البشري هو ما يبقى في الذاكرة، وليس الخوارزمية. أما إذا تجاهلوا الأمر وحدثت سرقة، فقد تتساءل الإدارة عن سبب تجاهل التنبيه.
So even if the tool is “advisory,” it becomes coercive inside the workplace.	لذا حتى لو كانت الأداة "استشارية"، فإنها تصبح قسرية داخل مكان العمل.
3) The tech invites mission creep	3) التكنولوجيا تسمح بتوسع نطاق المهمة
A system installed for shoplifting might later be repurposed for:	قد يتم إعادة استخدام نظام تم تركيبه لمكافحة السرقة من المتاجر لاحقاً لأغراض أخرى:
identifying repeat refund attempts	تحديد محاولات استرداد الأموال المتكررة
enforcing bans for anti-social behaviour	تطبيق حظر السلوك المعادي للمجتمع
tracking staff performance	تتبع أداء الموظفين
Mission creep is not always malicious. It’s often just the logic of investment: “We already paid for this system; what else can it do?”	لا يكون التوسع غير المبرر في مهام النظام خبيثاً دائماً. غالباً ما يكون مجرد منطق استثماري: "لقد دفعنا ثمن هذا النظام بالفعل؛ فماذا يمكنه أن يفعل أيضاً؟"
How the public conversation is likely to evolve	كيف من المرجح أن يتطور الحوار العام
What comes next is less about the hardware and more about governance.	ما سيأتي لاحقاً لا يتعلق كثيراً بالأجهزة، بل يتعلق أكثر بالحوكمة.
In the short term, we’ll probably see a pattern:	على المدى القريب، من المحتمل أن نرى نمطاً معيناً:
more deployments (especially as vendors package systems for smaller businesses)	المزيد من عمليات النشر (خاصةً مع قيام البائعين بتجميع الأنظمة للشركات الصغيرة)
more campaigns demanding clear rules and disclosure	المزيد من الحملات المطالبة بقواعد واضحة وشفافية
more friction as customers learn that “smart surveillance” exists in everyday locations	يزداد الاحتكاك مع إدراك العملاء أن "المراقبة الذكية" موجودة في الأماكن اليومية
The highest-leverage policy questions will be practical rather than philosophical:	ستكون الأسئلة السياسية ذات التأثير الأكبر عملية وليست فلسفية:
Who sets the standards for accuracy?	من يضع معايير الدقة؟
Who audits the watchlists?	من يقوم بمراجعة قوائم المراقبة؟
How does someone learn they were flagged?	كيف يعلم الشخص أنه تم الإبلاغ عنه؟
What is the process for removal?	ما هي عملية الإزالة؟
Without answers, retailers may find that a tool meant to prevent loss creates a different kind of cost: reputational damage and customer distrust.	بدون إجابات، قد يجد تجار التجزئة أن الأداة المصممة لمنع الخسارة تخلق نوعًا مختلفًا من التكلفة: الضرر بالسمعة وعدم ثقة العملاء.
Bottom line
AI anti-shoplifting systems promise to replace missing staff time with automated vigilance, and that’s why they’re spreading from big retailers into local shops. But when surveillance turns into categorisation — watchlists, blacklisting, and opaque “risk” labels — the technology stops being a quiet security measure and becomes a public trust problem.	تعد أنظمة الذكاء الاصطناعي لمكافحة السرقة من المتاجر بتعويض وقت الموظفين الضائع من خلال المراقبة الآلية، ولهذا السبب تنتشر من المتاجر الكبرى إلى المتاجر المحلية. ولكن عندما تتحول المراقبة إلى تصنيف - قوائم مراقبة، وقوائم سوداء، وعلامات "خطر" مبهمة - تتوقف هذه التقنية عن كونها إجراءً أمنيًا هادئًا وتصبح مشكلة ثقة عامة.
Sources
BBC News (Technology):	بي بي سي نيوز (التكنولوجيا):
https://www.bbc.com/news/videos/c98p1jg3p58o?at_medium=RSS&at_campaign=rss	https://www.bbc.com/news/videos/c98p1jg3p58o?at_medium=RSS&at_campaign=rss
←
Previous Post
Next Post
→
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	عرض جميع منشورات المدير
How crypto criminals are shifting from exchange hacks to targeting individuals	كيف يتحول مجرمو العملات المشفرة من اختراق منصات التداول إلى استهداف الأفراد
CZT: the wonder material behind faster scans and sharper detectors	مادة CZT: المادة الرائعة وراء عمليات المسح الأسرع وأجهزة الكشف الأكثر دقة
Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.	تعتمد متاجر التجزئة تقنيات الذكاء الاصطناعي لمسح الجسم والتعرف على الوجه للحد من سرقة المتاجر. إليكم كيف تعمل هذه التقنيات، ولماذا يحذر النقاد من قوائم المراقبة السرية، وماذا تعني الشفافية.

Document Title

AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight

Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.

Title Attribute

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Admin

How crypto criminals are shifting from exchange hacks to targeting individuals

CZT: the wonder material behind faster scans and sharper detectors

Page Content

AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight

Nature

Climate

AI anti-shoplifting tech: from CCTV to watchlists on the high street

Technology

/ By

Admin

Retailers are increasingly turning to “smart” surveillance to deal with a very old problem: theft. The newest wave goes beyond standard CCTV, using tools that can flag faces, bodies, or behaviour patterns in real time.

A BBC report filmed by Jim Connolly shows how quickly this kind of AI-driven anti-shoplifting tech is moving from big chains into everyday places like an independent Post Office. It also shows why the pushback is growing just as fast: these systems don’t just watch — they can sort people into risk categories.

Why the tech is spreading now

Shoplifting has always been part of retail, but the incentives around it have shifted. Stores are operating with tighter staffing, more self-checkouts, and higher volumes moving through smaller teams. That creates a practical gap: fewer human eyes on the floor, but more opportunity for loss.

So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.

The BBC piece notes that some major retailers and independent stores have introduced a mix of:

AI body scans

CCTV systems with automated alerts

facial recognition equipment

On paper, the systems are simple: instead of asking staff to watch a wall of screens, the computer watches and pings a staff member when it thinks something looks suspicious.

In practice, “suspicious” can mean several different things depending on the product:

a face the system thinks matches a previous incident

a body the system classifies as “known” or “unknown”

movement patterns that resemble prior thefts

That’s a broad net. And broad nets catch more fish — and more bycatch.

What “AI body scans” and facial recognition actually do

A useful way to think about these tools is that they turn video into searchable data.

Traditional CCTV is mostly passive: it records footage that someone might review later. AI-enabled CCTV is active: it tries to label what it sees as it happens.

Facial recognition (the obvious one)

Facial recognition attempts to create a “faceprint” from camera footage and compare it to a stored list. If there’s a close match, the system can alert a worker, lock a door, notify security, or simply log the event.

From the store’s point of view, this is attractive because it promises consistency: the same person who stole last week can be spotted at the entrance today.

But it also creates a sharp question: where does the reference list come from, and how does someone get off it?

AI body scans (less intuitive, but often more common)

The BBC report mentions AI body scans alongside facial recognition. In many deployments, “body scanning” doesn’t mean a sci‑fi full-body scanner. It often means a system that detects and tracks people based on body shape, posture, clothing silhouette, or movement.

Why would a retailer use this?

Body-based identification can work even when the face is partially obscured.

It can track a person across multiple camera angles.

It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.

This is the part that makes civil liberties advocates nervous: you may not need to be identified by name to be treated as “someone we should watch.”

The quiet power of watchlists

Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.

That language matters, because it describes something bigger than a single shop deciding to ban a customer.

A watchlist becomes more consequential when it has these features:

It persists over time.

A moment of suspicion can follow you to future visits.

It travels between locations.

A flag from one shop can influence how you’re treated in another.

It is hard to contest.

If the system never tells you that you were flagged, you can’t challenge it.

Even without a formal “ban,” a watchlist can shape outcomes:

staff approach you differently

you’re watched more closely

you’re denied entry

security is called earlier than it otherwise would be

The risk is not only false positives — it’s that false positives become sticky.

What the law says vs what people experience

The BBC report says the government’s position is that commercial facial recognition is legal, but its use must comply with strict data protection laws and be used transparently.

That single sentence contains the real battleground.

“Legal” isn’t the same as “socially acceptable”

A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.

Surveillance tech changes the emotional contract of shopping. People accept a certain level of loss-prevention (cameras, staff, tags). But when the system begins to categorise visitors — potentially without them knowing — the relationship shifts from “store protects its goods” to “store is evaluating me.”

Transparency is harder than putting up a sign

“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:

Are you using facial recognition, or only standard CCTV?

What data do you store, and for how long?

Do you share the data with any other sites or partners?

How does someone appeal or correct a mistaken flag?

For most customers, the default is ignorance: they only learn a system exists when something goes wrong.

The operational trade-offs retailers don’t advertise

Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.

1) False positives create real-world harm

If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.

It also has a feedback effect: once someone is treated like a suspect, any nervous behaviour can look more “suspicious,” reinforcing the system’s initial error.

2) Staff become enforcers of a black box

When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.

If they act and it’s wrong, the human interaction is the thing people remember — not the algorithm. If they ignore it and a theft happens, management may ask why the alert was dismissed.

So even if the tool is “advisory,” it becomes coercive inside the workplace.

3) The tech invites mission creep

A system installed for shoplifting might later be repurposed for:

identifying repeat refund attempts

enforcing bans for anti-social behaviour

tracking staff performance

Mission creep is not always malicious. It’s often just the logic of investment: “We already paid for this system; what else can it do?”

How the public conversation is likely to evolve

What comes next is less about the hardware and more about governance.

In the short term, we’ll probably see a pattern:

more deployments (especially as vendors package systems for smaller businesses)

more campaigns demanding clear rules and disclosure

more friction as customers learn that “smart surveillance” exists in everyday locations

The highest-leverage policy questions will be practical rather than philosophical:

Who sets the standards for accuracy?

Who audits the watchlists?

How does someone learn they were flagged?

What is the process for removal?

Without answers, retailers may find that a tool meant to prevent loss creates a different kind of cost: reputational damage and customer distrust.

Bottom line

AI anti-shoplifting systems promise to replace missing staff time with automated vigilance, and that’s why they’re spreading from big retailers into local shops. But when surveillance turns into categorisation — watchlists, blacklisting, and opaque “risk” labels — the technology stops being a quiet security measure and becomes a public trust problem.

Sources

BBC News (Technology):

https://www.bbc.com/news/videos/c98p1jg3p58o?at_medium=RSS&at_campaign=rss

←

→

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Admin

How crypto criminals are shifting from exchange hacks to targeting individuals

CZT: the wonder material behind faster scans and sharper detectors

Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.

Document Title
Page not found - Florin.blog	لم يتم العثور على الصفحة - Florin.blog
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content	انتقل إلى المحتوى
Placeholder Attribute
Search...
Page Content
Page not found - Florin.blog	لم يتم العثور على الصفحة - Florin.blog
Skip to content	انتقل إلى المحتوى
Home
Blog
Garden Decor
Indoor
Main Menu	القائمة الرئيسية
This page doesn't seem to exist.	يبدو أن هذه الصفحة غير موجودة.
It looks like the link pointing here was faulty. Maybe try searching?	يبدو أن الرابط الذي يشير إلى هنا معطل. ربما عليك تجربة البحث.
Search for:
Search
Quick Links
Outdoors
About
Contact
Explore
Bestsellers
Hot deals
Best of The Year
Featured
Gift Cards
Help
Privacy Policy
Disclaimer
: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.	:باعتبارنا أحد شركاء أمازون، فإننا نكسب من عمليات الشراء المؤهلة - دون أي تكلفة إضافية عليك.
Florin.blog
Florin.blog » Feed
RSD
Search...

Document Title

Page not found - Florin.blog

Image Alt

Florin.blog

Title Attribute

Florin.blog » Feed

RSD

Placeholder Attribute

Search...

Page Content

Page not found - Florin.blog

Home

Blog

Garden Decor

Indoor

Main Menu

This page doesn't seem to exist.

It looks like the link pointing here was faulty. Maybe try searching?

Search for:

Quick Links

Outdoors

About

Contact

Explore

Bestsellers

Hot deals

Best of The Year

Featured

Gift Cards

Help

Disclaimer

: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.

Florin.blog

Florin.blog » Feed

RSD

Search...