Vysvětlení technologie umělé inteligence proti krádežím v obchodech: rozpoznávání obličejů, seznamy sledovaných subjektů a boj za transparentnost

Maloobchodníci se stále častěji obracejí k „chytrému“ dohledu, aby se vypořádali s velmi starým problémem: krádežemi. Nejnovější vlna jde nad rámec standardních CCTV systémů a využívá nástroje, které dokáží v reálném čase označovat tváře, těla nebo vzorce chování.

Reportáž BBC natočená Jimem Connollym ukazuje, jak rychle se tento druh technologie proti krádežím v obchodech, řízené umělou inteligencí, přesouvá z velkých řetězců do každodenních míst, jako je nezávislá pošta. Ukazuje také, proč odpor roste stejně rychle: tyto systémy nejen sledují – dokáží lidi třídit do rizikových kategorií.

Proč se technologie šíří právě teď

Krádeže v obchodech byly vždy součástí maloobchodu, ale motivace k nim se změnily. Obchody fungují s menším počtem zaměstnanců, více samoobslužnými pokladnami a většími objemy zboží procházejícími menšími týmy. To vytváří praktickou mezeru: méně lidských očí v obchodě, ale více příležitostí ke ztrátám.

Dodavatelé tedy předkládají lákavý návrh: zachovat zhruba stejný počet zaměstnanců a zároveň „znásobit“ bdělost pomocí softwaru.

Článek BBC uvádí, že někteří velcí maloobchodníci a nezávislé obchody zavedli kombinaci:

Skenování těla pomocí umělé inteligence
Systémy CCTV s automatickými upozorněními
zařízení pro rozpoznávání obličeje

Na papíře jsou systémy jednoduché: místo aby počítač požadoval, aby zaměstnanci sledovali zeď obrazovek, sleduje ji a pingne zaměstnance, když si myslí, že něco vypadá podezřele.

V praxi může „podezřelý“ znamenat několik různých věcí v závislosti na produktu:

tvář, o které systém myslí, že odpovídá předchozímu incidentu
těleso, které systém klasifikuje jako „známé“ nebo „neznámé“
vzorce pohybu, které připomínají předchozí krádeže

To je široká síť. A široké sítě chytí více ryb – a více vedlejších úlovků.

Co vlastně dělají „skenování těla pomocí umělé inteligence“ a rozpoznávání obličeje

Užitečný způsob, jak si tyto nástroje představit, je, že přeměňují video na prohledávatelná data.

Tradiční CCTV je většinou pasivní: nahrává záběry, které si někdo může později prohlédnout. CCTV s umělou inteligencí je aktivní: snaží se označit to, co vidí, hned jak se to děje.

Rozpoznávání obličeje (to zřejmé)

Rozpoznávání obličeje se pokouší vytvořit „otisk obličeje“ ze záznamu kamery a porovnat ho s uloženým seznamem. Pokud existuje blízká shoda, systém může upozornit pracovníka, zamknout dveře, upozornit ostrahu nebo jednoduše zaznamenat událost.

Z pohledu obchodu je to atraktivní, protože to slibuje konzistenci: u vchodu je dnes vidět tentýž člověk, který kradl minulý týden.

Ale zároveň to vyvolává ostrou otázku: odkud se bere seznam literatury a jak se z něj někdo dostane?

Skenování těla pomocí umělé inteligence (méně intuitivní, ale často běžnější)

Zpráva BBC zmiňuje skenování těla pomocí umělé inteligence vedle rozpoznávání obličeje. V mnoha případech se pod pojmem „skenování těla“ nemyslí sci-fi skener celého těla. Často se tím myslí systém, který detekuje a sleduje lidi na základě tvaru těla, držení těla, siluety oblečení nebo pohybu.

Proč by to maloobchodník používal?

Identifikace na základě těla může fungovat i tehdy, když je obličej částečně zakrytý.
Dokáže sledovat osobu z více úhlů kamery.
Může označit „chování“ (zdržování se, rychlý pohyb, návrat k poličce) jako vzorce.

Právě tohle znepokojuje zastánce občanských svobod: nemusíte být jmenováni, abyste byli považováni za „někoho, koho bychom měli sledovat“.

Tichá síla seznamů sledovaných položek

Aktivisté za občanské svobody sdělili BBC, že veřejnost je v jejich hlavních ulicích zařazována na „tajné seznamy sledovaných osob a elektronicky na černé listiny“.

Tato formulace je důležitá, protože popisuje něco většího než jen jeden obchod, který se rozhodne zákazníkovi zakázat vstup.

Seznam sledovaných položek se stává důležitějším, pokud má tyto vlastnosti:

Přetrvává to v průběhu času.Okamžik podezření vás může provázet i při budoucích návštěvách.
Cestuje mezi lokalitami.Vlajka z jednoho obchodu může ovlivnit, jak se s vámi zachází v jiném.
Je těžké to napadnout.Pokud vám systém nikdy neřekne, že jste byli nahlášeni, nemůžete to napadnout.

I bez formálního „zákazu“ může seznam sledovaných subjektů ovlivnit výsledky:

personál k vám přistupuje jinak
jsi sledován bedlivěji
je vám odepřen vstup
zabezpečení je voláno dříve, než by tomu bylo jinak.

Riziko nespočívá jen v falešně pozitivních výsledcích – riziko spočívá v tom, že se falešně pozitivní výsledky stanou trvalými.

Co říká zákon vs. co lidé zažívají

Zpráva BBC uvádí, že postoj vlády je, že komerční rozpoznávání obličeje je legální, ale jeho používání musí být v souladu s přísnými zákony na ochranu osobních údajů a musí být používáno transparentně.

Ta jediná věta obsahuje skutečné bojiště.

„Legální“ není totéž co „společensky přijatelné“

Prodejce může udělat něco, co je technicky v souladu s předpisy, a přesto vyvolat negativní reakci, pokud si zákazníci myslí, že pravidla jsou jednostranná.

Technologie sledování mění emocionální vztah k nakupování. Lidé akceptují určitou úroveň prevence ztrát (kamery, personál, štítky). Ale když systém začne návštěvníky kategorizovat – potenciálně bez jejich vědomí – vztah se změní z „obchod chrání své zboží“ na „obchod mě hodnotí“.

Transparentnost je těžší než umístění cedule

„Transparentnost“ zní jako snadné políčko k zaškrtnutí: přidat oznámení ke dveřím. Smysluplná transparentnost by však vyžadovala odpovědi na otázky jako:

Používáte rozpoznávání obličeje, nebo jen standardní CCTV?
Jaká data uchováváte a jak dlouho?
Sdílíte data s jinými weby nebo partnery?
Jak se lze odvolat proti chybnému nahlášení nebo jej opravit?

Pro většinu zákazníků je výchozím stavem nevědomost: o existenci systému se dozví, až když se něco pokazí.

Provozní kompromisy, které maloobchodníci neinzerují

Maloobchodníci tyto systémy zavádějí kvůli nákladům a krytí, ale dědí s nimi rizika, která se do rozpočtové tabulky nehodí.

1) Falešně pozitivní výsledky způsobují škody v reálném světě

Pokud systém označí nevinnou osobu, „újma“ není abstraktní. Může se jednat o ztrapnění, zastrašování, vyloučení nebo eskalaci.

Má to také efekt zpětné vazby: jakmile je s někým zacházeno jako s podezřelým, jakékoli nervózní chování může vypadat „podezřeleji“, což posiluje počáteční chybu systému.

2) Zaměstnanci se stávají strážci černé skříňky

Když systém odešle upozornění pomocí pingu, zaměstnanci jsou nuceni k rozhodnutí: jednat na základě něj, nebo ho ignorovat.

Pokud jednají a je to špatně, lidé si pamatují lidskou interakci – nikoli algoritmus. Pokud to ignorují a dojde ke krádeži, vedení se může zeptat, proč bylo upozornění zamítnuto.

Takže i když je nástroj „poradenský“, stává se na pracovišti donucovacím.

3) Technologie láká k postupnému navyšování mise

Systém instalovaný pro krádeže v obchodech by mohl být později znovu využit pro:

identifikace opakovaných pokusů o vrácení peněz
vynucování zákazů antisociálního chování
sledování výkonu zaměstnanců

Plíživé navyšování cílů nemusí být vždycky zlomyslné. Často jde jen o logiku investice: „Za tento systém jsme už zaplatili, co jiného může dělat?“

Jak se bude pravděpodobně vyvíjet veřejná diskuse

Dále se méně zaměříme na hardware a více na správu a řízení.

V krátkodobém horizontu pravděpodobně uvidíme vzorec:

více nasazení (zejména proto, že dodavatelé balí systémy pro menší firmy)
více kampaní požadujících jasná pravidla a zveřejňování informací
větší napětí, protože zákazníci se dozvídají, že „chytrý dohled“ existuje v každodenních prostorách

Nejdůležitější politické otázky budou spíše praktické než filozofické:

Kdo stanovuje standardy pro přesnost?
Kdo audituje seznamy sledovaných položek?
Jak se někdo dozví, že byl nahlášen?
Jaký je postup pro odstranění?

Bez odpovědí mohou maloobchodníci zjistit, že nástroj určený k prevenci ztrát vytváří jiný druh nákladů: poškození pověsti a nedůvěru zákazníků.

Sečteno a podtrženo

Systémy umělé inteligence proti krádežím v obchodech slibují nahradit chybějící pracovní dobu zaměstnanců automatizovanou ostražitostí, a proto se šíří z velkých maloobchodníků do místních obchodů. Když se ale dohled změní v kategorizaci – seznamy sledovaných subjektů, černé listiny a neprůhledné označení „riziko“ – technologie přestává být tichým bezpečnostním opatřením a stává se problémem veřejné důvěry.

Zdroje

Zprávy BBC (Technologie):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	Vysvětlení technologie umělé inteligence proti krádežím v obchodech: rozpoznávání obličejů, seznamy sledovaných subjektů a boj za transparentnost

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.	Maloobchodníci zavádějí skenování těla a rozpoznávání obličeje pomocí umělé inteligence, aby omezili krádeže v obchodech. Zde je návod, jak to funguje, proč kritici varují před tajnými seznamy sledovaných osob a co by měla znamenat transparentnost.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	Zobrazit všechny příspěvky od uživatele Admin
How crypto criminals are shifting from exchange hacks to targeting individuals	Jak se kryptozločinci přesouvají od hackerských útoků na burzy k cílení na jednotlivce
CZT: the wonder material behind faster scans and sharper detectors	CZT: zázračný materiál pro rychlejší skenování a ostřejší detektory
Page Content
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	Vysvětlení technologie umělé inteligence proti krádežím v obchodech: rozpoznávání obličejů, seznamy sledovaných subjektů a boj za transparentnost
Nature
Climate
AI anti-shoplifting tech: from CCTV to watchlists on the high street	Technologie umělé inteligence proti krádežím v obchodech: od CCTV po seznamy sledovaných osob na hlavní třídě
/
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.	Maloobchodníci se stále častěji obracejí k „chytrému“ dohledu, aby se vypořádali s velmi starým problémem: krádežemi. Nejnovější vlna jde nad rámec standardních CCTV systémů a využívá nástroje, které dokáží v reálném čase označovat tváře, těla nebo vzorce chování.
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.	Reportáž BBC natočená Jimem Connollym ukazuje, jak rychle se tento druh technologie proti krádežím v obchodech, řízené umělou inteligencí, přesouvá z velkých řetězců do každodenních míst, jako je nezávislá pošta. Ukazuje také, proč odpor roste stejně rychle: tyto systémy nejen sledují – dokáží lidi třídit do rizikových kategorií.
Why the tech is spreading now	Proč se technologie šíří právě teď
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.	Krádeže v obchodech byly vždy součástí maloobchodu, ale motivace k nim se změnily. Obchody fungují s menším počtem zaměstnanců, více samoobslužnými pokladnami a většími objemy zboží procházejícími menšími týmy. To vytváří praktickou mezeru: méně lidských očí v obchodě, ale více příležitostí ke ztrátám.
So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.	Dodavatelé tedy předkládají lákavý návrh: zachovat zhruba stejný počet zaměstnanců a zároveň „znásobit“ bdělost pomocí softwaru.
The BBC piece notes that some major retailers and independent stores have introduced a mix of:	Článek BBC uvádí, že někteří velcí maloobchodníci a nezávislé obchody zavedli kombinaci:
AI body scans	Skenování těla pomocí umělé inteligence
CCTV systems with automated alerts	Systémy CCTV s automatickými upozorněními
facial recognition equipment	zařízení pro rozpoznávání obličeje
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.	Na papíře jsou systémy jednoduché: místo aby počítač požadoval, aby zaměstnanci sledovali zeď obrazovek, sleduje ji a pingne zaměstnance, když si myslí, že něco vypadá podezřele.
In practice, “suspicious” can mean several different things depending on the product:	V praxi může „podezřelý“ znamenat několik různých věcí v závislosti na produktu:
a face the system thinks matches a previous incident	tvář, o které systém myslí, že odpovídá předchozímu incidentu
a body the system classifies as “known” or “unknown”	těleso, které systém klasifikuje jako „známé“ nebo „neznámé“
movement patterns that resemble prior thefts	vzorce pohybu, které připomínají předchozí krádeže
That’s a broad net. And broad nets catch more fish — and more bycatch.	To je široká síť. A široké sítě chytí více ryb – a více vedlejších úlovků.
What “AI body scans” and facial recognition actually do	Co vlastně dělají „skenování těla pomocí umělé inteligence“ a rozpoznávání obličeje
A useful way to think about these tools is that they turn video into searchable data.	Užitečný způsob, jak si tyto nástroje představit, je, že přeměňují video na prohledávatelná 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.	Tradiční CCTV je většinou pasivní: nahrává záběry, které si někdo může později prohlédnout. CCTV s umělou inteligencí je aktivní: snaží se označit to, co vidí, hned jak se to děje.
Facial recognition (the obvious one)	Rozpoznávání obličeje (to zřejmé)
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.	Rozpoznávání obličeje se pokouší vytvořit „otisk obličeje“ ze záznamu kamery a porovnat ho s uloženým seznamem. Pokud existuje blízká shoda, systém může upozornit pracovníka, zamknout dveře, upozornit ostrahu nebo jednoduše zaznamenat událost.
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.	Z pohledu obchodu je to atraktivní, protože to slibuje konzistenci: u vchodu je dnes vidět tentýž člověk, který kradl minulý týden.
But it also creates a sharp question: where does the reference list come from, and how does someone get off it?	Ale zároveň to vyvolává ostrou otázku: odkud se bere seznam literatury a jak se z něj někdo dostane?
AI body scans (less intuitive, but often more common)	Skenování těla pomocí umělé inteligence (méně intuitivní, ale často běžnější)
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.	Zpráva BBC zmiňuje skenování těla pomocí umělé inteligence vedle rozpoznávání obličeje. V mnoha případech se pod pojmem „skenování těla“ nemyslí sci-fi skener celého těla. Často se tím myslí systém, který detekuje a sleduje lidi na základě tvaru těla, držení těla, siluety oblečení nebo pohybu.
Why would a retailer use this?	Proč by to maloobchodník používal?
Body-based identification can work even when the face is partially obscured.	Identifikace na základě těla může fungovat i tehdy, když je obličej částečně zakrytý.
It can track a person across multiple camera angles.	Dokáže sledovat osobu z více úhlů kamery.
It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.	Může označit „chování“ (zdržování se, rychlý pohyb, návrat k poličce) jako vzorce.
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.”	Právě tohle znepokojuje zastánce občanských svobod: nemusíte být jmenováni, abyste byli považováni za „někoho, koho bychom měli sledovat“.
The quiet power of watchlists	Tichá síla seznamů sledovaných položek
Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.	Aktivisté za občanské svobody sdělili BBC, že veřejnost je v jejich hlavních ulicích zařazována na „tajné seznamy sledovaných osob a elektronicky na černé listiny“.
That language matters, because it describes something bigger than a single shop deciding to ban a customer.	Tato formulace je důležitá, protože popisuje něco většího než jen jeden obchod, který se rozhodne zákazníkovi zakázat vstup.
A watchlist becomes more consequential when it has these features:	Seznam sledovaných položek se stává důležitějším, pokud má tyto vlastnosti:
It persists over time.	Přetrvává to v průběhu času.
A moment of suspicion can follow you to future visits.	Okamžik podezření vás může provázet i při budoucích návštěvách.
It travels between locations.
A flag from one shop can influence how you’re treated in another.	Vlajka z jednoho obchodu může ovlivnit, jak se s vámi zachází v jiném.
It is hard to contest.
If the system never tells you that you were flagged, you can’t challenge it.	Pokud vám systém nikdy neřekne, že jste byli nahlášeni, nemůžete to napadnout.
Even without a formal “ban,” a watchlist can shape outcomes:	I bez formálního „zákazu“ může seznam sledovaných subjektů ovlivnit výsledky:
staff approach you differently	personál k vám přistupuje jinak
you’re watched more closely
you’re denied entry
security is called earlier than it otherwise would be	zabezpečení je voláno dříve, než by tomu bylo jinak.
The risk is not only false positives — it’s that false positives become sticky.	Riziko nespočívá jen v falešně pozitivních výsledcích – riziko spočívá v tom, že se falešně pozitivní výsledky stanou trvalými.
What the law says vs what people experience	Co říká zákon vs. co lidé zažívají
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.	Zpráva BBC uvádí, že postoj vlády je, že komerční rozpoznávání obličeje je legální, ale jeho používání musí být v souladu s přísnými zákony na ochranu osobních údajů a musí být používáno transparentně.
That single sentence contains the real battleground.	Ta jediná věta obsahuje skutečné bojiště.
“Legal” isn’t the same as “socially acceptable”	„Legální“ není totéž co „společensky přijatelné“
A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.	Prodejce může udělat něco, co je technicky v souladu s předpisy, a přesto vyvolat negativní reakci, pokud si zákazníci myslí, že pravidla jsou jednostranná.
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.”	Technologie sledování mění emocionální vztah k nakupování. Lidé akceptují určitou úroveň prevence ztrát (kamery, personál, štítky). Ale když systém začne návštěvníky kategorizovat – potenciálně bez jejich vědomí – vztah se změní z „obchod chrání své zboží“ na „obchod mě hodnotí“.
Transparency is harder than putting up a sign	Transparentnost je těžší než umístění cedule
“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:	„Transparentnost“ zní jako snadné políčko k zaškrtnutí: přidat oznámení ke dveřím. Smysluplná transparentnost by však vyžadovala odpovědi na otázky jako:
Are you using facial recognition, or only standard CCTV?	Používáte rozpoznávání obličeje, nebo jen standardní CCTV?
What data do you store, and for how long?	Jaká data uchováváte a jak dlouho?
Do you share the data with any other sites or partners?	Sdílíte data s jinými weby nebo partnery?
How does someone appeal or correct a mistaken flag?	Jak se lze odvolat proti chybnému nahlášení nebo jej opravit?
For most customers, the default is ignorance: they only learn a system exists when something goes wrong.	Pro většinu zákazníků je výchozím stavem nevědomost: o existenci systému se dozví, až když se něco pokazí.
The operational trade-offs retailers don’t advertise	Provozní kompromisy, které maloobchodníci neinzerují
Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.	Maloobchodníci tyto systémy zavádějí kvůli nákladům a krytí, ale dědí s nimi rizika, která se do rozpočtové tabulky nehodí.
1) False positives create real-world harm	1) Falešně pozitivní výsledky způsobují škody v reálném světě
If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.	Pokud systém označí nevinnou osobu, „újma“ není abstraktní. Může se jednat o ztrapnění, zastrašování, vyloučení nebo eskalaci.
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.	Má to také efekt zpětné vazby: jakmile je s někým zacházeno jako s podezřelým, jakékoli nervózní chování může vypadat „podezřeleji“, což posiluje počáteční chybu systému.
2) Staff become enforcers of a black box	2) Zaměstnanci se stávají strážci černé skříňky
When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.	Když systém odešle upozornění pomocí pingu, zaměstnanci jsou nuceni k rozhodnutí: jednat na základě něj, nebo ho ignorovat.
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.	Pokud jednají a je to špatně, lidé si pamatují lidskou interakci – nikoli algoritmus. Pokud to ignorují a dojde ke krádeži, vedení se může zeptat, proč bylo upozornění zamítnuto.
So even if the tool is “advisory,” it becomes coercive inside the workplace.	Takže i když je nástroj „poradenský“, stává se na pracovišti donucovacím.
3) The tech invites mission creep	3) Technologie láká k postupnému navyšování mise
A system installed for shoplifting might later be repurposed for:	Systém instalovaný pro krádeže v obchodech by mohl být později znovu využit pro:
identifying repeat refund attempts	identifikace opakovaných pokusů o vrácení peněz
enforcing bans for anti-social behaviour	vynucování zákazů antisociálního chování
tracking staff performance	sledování výkonu zaměstnanců
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?”	Plíživé navyšování cílů nemusí být vždycky zlomyslné. Často jde jen o logiku investice: „Za tento systém jsme už zaplatili, co jiného může dělat?“
How the public conversation is likely to evolve	Jak se bude pravděpodobně vyvíjet veřejná diskuse
What comes next is less about the hardware and more about governance.	Dále se méně zaměříme na hardware a více na správu a řízení.
In the short term, we’ll probably see a pattern:	V krátkodobém horizontu pravděpodobně uvidíme vzorec:
more deployments (especially as vendors package systems for smaller businesses)	více nasazení (zejména proto, že dodavatelé balí systémy pro menší firmy)
more campaigns demanding clear rules and disclosure	více kampaní požadujících jasná pravidla a zveřejňování informací
more friction as customers learn that “smart surveillance” exists in everyday locations	větší napětí, protože zákazníci se dozvídají, že „chytrý dohled“ existuje v každodenních prostorách
The highest-leverage policy questions will be practical rather than philosophical:	Nejdůležitější politické otázky budou spíše praktické než filozofické:
Who sets the standards for accuracy?	Kdo stanovuje standardy pro přesnost?
Who audits the watchlists?	Kdo audituje seznamy sledovaných položek?
How does someone learn they were flagged?	Jak se někdo dozví, že byl nahlášen?
What is the process for removal?	Jaký je postup pro odstranění?
Without answers, retailers may find that a tool meant to prevent loss creates a different kind of cost: reputational damage and customer distrust.	Bez odpovědí mohou maloobchodníci zjistit, že nástroj určený k prevenci ztrát vytváří jiný druh nákladů: poškození pověsti a nedůvěru zákazníků.
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.	Systémy umělé inteligence proti krádežím v obchodech slibují nahradit chybějící pracovní dobu zaměstnanců automatizovanou ostražitostí, a proto se šíří z velkých maloobchodníků do místních obchodů. Když se ale dohled změní v kategorizaci – seznamy sledovaných subjektů, černé listiny a neprůhledné označení „riziko“ – technologie přestává být tichým bezpečnostním opatřením a stává se problémem veřejné důvěry.
Sources
BBC News (Technology):
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	Zobrazit všechny příspěvky od uživatele Admin
How crypto criminals are shifting from exchange hacks to targeting individuals	Jak se kryptozločinci přesouvají od hackerských útoků na burzy k cílení na jednotlivce
CZT: the wonder material behind faster scans and sharper detectors	CZT: zázračný materiál pro rychlejší skenování a ostřejší detektory
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.	Maloobchodníci zavádějí skenování těla a rozpoznávání obličeje pomocí umělé inteligence, aby omezili krádeže v obchodech. Zde je návod, jak to funguje, proč kritici varují před tajnými seznamy sledovaných osob a co by měla znamenat transparentnost.

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	Stránka nenalezena - Florin.blog
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Page Content
Page not found - Florin.blog	Stránka nenalezena - Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.	Tato stránka zřejmě neexistuje.
It looks like the link pointing here was faulty. Maybe try searching?	Vypadá to, že odkaz, který sem směřoval, byl chybný. Zkuste to hledat?
Search for:
Search
Quick Links
Outdoors
About
Contact
Explore
Bestsellers
Hot deals
Best of The Year
Featured
Gift Cards
Help
Privacy Policy	Zásady ochrany osobních údajů
Disclaimer
: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.	Jakožto partner Amazon získáváme poskytujeme z kvalifikovaných nákupů – bez dalších nákladů pro vás.
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...