Tekoälyn avulla varkauksien torjunta: kasvojentunnistus, seurantalistat ja läpinäkyvyystaistelu

Vähittäiskauppiaat siirtyvät yhä enemmän "älykkääseen" valvontaan puuttuakseen hyvin vanhaan ongelmaan: varkauksiin. Uusin aalto menee tavanomaista CCTV:tä pidemmälle ja käyttää työkaluja, jotka voivat merkitä kasvoja, kehoja tai käyttäytymismalleja reaaliajassa.

Jim Connollyn kuvaama BBC:n raportti osoittaa, kuinka nopeasti tämäntyyppinen tekoälypohjainen varkauksien estoteknologia on siirtymässä suurista ketjuista arkipäiväisiin paikkoihin, kuten itsenäisiin postitoimistoihin. Se osoittaa myös, miksi vastarinta kasvaa yhtä nopeasti: nämä järjestelmät eivät vain tarkkaile – ne voivat lajitella ihmisiä riskiluokkiin.

Miksi teknologia leviää nyt

Myymälävarkaudet ovat aina olleet osa vähittäiskauppaa, mutta niihin liittyvät kannustimet ovat muuttuneet. Kaupat toimivat pienemmällä henkilöstöresurssilla, useammilla itsepalvelukassoilla ja suurempien volyymien liikkuessa pienempien tiimien kautta. Tämä luo käytännön aukon: vähemmän ihmissilmiä liikkeellä, mutta enemmän mahdollisuuksia hävikkiin.

Niinpä myyjät esittävät houkuttelevan ehdotuksen: pidetään henkilöstömäärä suunnilleen ennallaan ja samalla "moninkertaistetaan" valppautta ohjelmistojen avulla.

BBC:n artikkelissa todetaan, että jotkut suuret jälleenmyyjät ja itsenäiset kaupat ovat ottaneet käyttöön yhdistelmän seuraavista:

Tekoälyn vartaloskannaukset
CCTV-järjestelmät automaattisilla hälytyksillä
kasvojentunnistuslaitteet

Paperilla järjestelmät ovat yksinkertaisia: sen sijaan, että tietokone pyytäisi henkilökuntaa tarkkailemaan näyttöseinää, se tarkkailee ja lähettää henkilökunnan jäsenelle viestin, kun se epäilee jotakin epäilyttävältä.

Käytännössä "epäilyttävä" voi tarkoittaa useita eri asioita tuotteesta riippuen:

kasvot, joiden järjestelmä luulee vastaavan aiempaa tapahtumaa
järjestelmä luokittelee kappaleen "tunnetuksi" tai "tuntemattomaksi"
liikkumismallit, jotka muistuttavat aiempia varkauksia

Se on haaraverkko. Ja haaraverkot pyytävät enemmän kalaa – ja enemmän sivusaalista.

Mitä tekoälyn vartaloskannaukset ja kasvojentunnistus oikeasti tekevät

Näitä työkaluja voi ajatella siten, että ne muuttavat videon haettavaksi dataksi.

Perinteinen valvontakamerajärjestelmä on enimmäkseen passiivista: se tallentaa materiaalia, jota joku saattaa myöhemmin tarkastella. Tekoälyllä varustettu valvontakamerajärjestelmä on aktiivinen: se yrittää merkitä näkemänsä sitä mukaa, kun se tapahtuu.

Kasvojentunnistus (ilmeisin asia)

Kasvojentunnistus yrittää luoda kameramateriaalista "kasvojäljen" ja verrata sitä tallennettuun luetteloon. Jos osuma on lähellä toisiaan, järjestelmä voi hälyttää työntekijän, lukita oven, ilmoittaa turvahenkilökunnalle tai yksinkertaisesti kirjata tapahtuman.

Kaupan näkökulmasta tämä on houkuttelevaa, koska se lupaa johdonmukaisuutta: sama henkilö, joka varasti viime viikolla, voidaan bongata sisäänkäynniltä tänään.

Mutta se herättää myös terävän kysymyksen: mistä lähdeluettelo tulee ja miten joku pääsee siitä eroon?

Tekoälyn avulla tehdyt vartaloskannaukset (vähemmän intuitiivisia, mutta usein yleisempiä)

BBC:n raportissa mainitaan tekoälyn avulla tehdyt vartaloskannaukset kasvojentunnistuksen rinnalla. Monissa käyttöönottovaiheissa "vartaloskannaus" ei tarkoita scifi-kokovartaloskanneria. Usein se tarkoittaa järjestelmää, joka tunnistaa ja seuraa ihmisiä kehon muodon, asennon, vaatteiden siluetin tai liikkeen perusteella.

Miksi jälleenmyyjä käyttäisi tätä?

Kehoon perustuva tunnistus voi toimia, vaikka kasvot olisivat osittain peitettyinä.
Se voi seurata henkilöä useista eri kamerakulmista.
Se voi nimetä "käyttäytymisen" (viikkymisen, nopean liikkumisen, palaamisen hyllylle) kaavoiksi.

Tämä on se osa, joka hermostuttaa kansalaisoikeuksien puolustajia: sinua ei ehkä tarvitse nimetä, jotta sinua kohdeltaisiin "jonakin, jota meidän tulisi tarkkailla".

Seurantalistojen hiljainen voima

Kansalaisvapausaktivistit kertoivat BBC:lle, että yleisöä laitetaan "salaisille seurantalistoille ja sähköisesti mustalle listalle" heidän pääkaduiltaan käsin.

Tuolla kielellä on merkitystä, koska se kuvaa jotain suurempaa kuin yhden kaupan päätöstä sulkea asiakas pois.

Seurantalistasta tulee merkityksellisempi, kun sillä on seuraavat ominaisuudet:

Se säilyy ajan myötä.Epäilyksen hetki voi seurata sinua tulevilla vierailuilla.
Se kulkee paikkojen välillä.Yhden kaupan lippu voi vaikuttaa siihen, miten sinua kohdellaan toisessa.
Sitä on vaikea kiistää.Jos järjestelmä ei koskaan ilmoita, että sinut on merkitty merkinnällä, et voi riitauttaa sitä.

Vaikka virallista ”kieltoa” ei olisikaan, tarkkailulista voi vaikuttaa lopputulokseen:

henkilökunta lähestyy sinua eri tavalla
sinua tarkkaillaan tarkemmin
sinulta evätään pääsy
turvallisuus kutsutaan aikaisemmin kuin se muuten olisi

Riski ei ole pelkästään vääriä positiivisia – vaan se, että vääristä positiivisista tulee tarttuvia.

Mitä laki sanoo vs. mitä ihmiset kokevat

BBC:n raportin mukaan hallituksen kanta on, että kaupallinen kasvojentunnistus on laillista, mutta sen käytön on noudatettava tiukkoja tietosuojalakeja ja sitä on käytettävä läpinäkyvästi.

Tuo yksi ainoa lause sisältää todellisen taistelukentän.

"Laillinen" ei ole sama asia kuin "sosiaalisesti hyväksyttävä"

Jälleenmyyjä voi tehdä jotain teknisesti laillista ja silti aiheuttaa vastareaktion, jos asiakkaat kokevat sääntöjen olevan yksipuolisia.

Valvontatekniikka muuttaa ostosten tekemiseen liittyvää tunnepitoista sopimusta. Ihmiset hyväksyvät tietyn tason hävikinestoa (kamerat, henkilökunta, tunnisteet). Mutta kun järjestelmä alkaa luokitella kävijöitä – mahdollisesti heidän tietämättään – suhde muuttuu ”kauppa suojelee tuotteitaan” -suhteesta ”kauppa arvioi minua”.

Läpinäkyvyys on vaikeampaa kuin kyltin laittaminen

”Läpinäkyvyys” kuulostaa helpolta rastitettavalta ruudulta: lisää ilmoitus oveen. Mutta merkityksellinen läpinäkyvyys edellyttäisi vastauksia kysymyksiin, kuten:

Käytätkö kasvojentunnistusta vai vain tavallista valvontakameroita?
Mitä tietoja säilytätte ja kuinka kauan?
Jaatteko tietoja muiden sivustojen tai kumppaneiden kanssa?
Miten joku valittaa tai korjaa virheellisen lipun?

Useimmille asiakkaille oletusarvo on tietämättömyys: he saavat tietää järjestelmän olemassaolosta vasta, kun jokin menee pieleen.

Toiminnalliset kompromissit, joita jälleenmyyjät eivät mainosta

Jälleenmyyjät ottavat nämä järjestelmät käyttöön kustannusten ja kattavuuden vuoksi, mutta he perivät riskejä, jotka eivät sovi siististi budjettitaulukkoon.

1) Väärät positiiviset tulokset aiheuttavat todellista haittaa

Jos järjestelmä merkitsee viattoman henkilön, "vahinko" ei ole abstrakti. Se voi olla hämmennystä, pelottelua, poissulkemista tai tilanteen kärjistymistä.

Sillä on myös takaisinkytkentävaikutus: kun jotakuta kohdellaan epäilyttävänä, mikä tahansa hermostunut käytös voi näyttää "epäilyttävämmältä" ja vahvistaa järjestelmän alkuperäistä virhettä.

2) Henkilökunnasta tulee mustan laatikon valvojia

Kun järjestelmä lähettää hälytyksen, henkilöstö joutuu päätöksenteon eteen: toimia sen perusteella tai jättää se huomiotta.

Jos he toimivat ja se on väärin, ihmiset muistavat ihmisen vuorovaikutuksen – eivät algoritmin. Jos he jättävät sen huomiotta ja varkaus tapahtuu, johto saattaa kysyä, miksi hälytys hylättiin.

Joten vaikka työkalu olisi "neuvoa antava", siitä tulee pakottava työpaikalla.

3) Teknologia houkuttelee tehtävän hiipimistä

Myymälävarkauksiin asennettu järjestelmä voidaan myöhemmin käyttää uudelleen seuraaviin tarkoituksiin:

toistuvien hyvitysyritysten tunnistaminen
epäsosiaalisen käyttäytymisen kieltojen täytäntöönpano
henkilöstön suorituskyvyn seuranta

Tehtävien laajeneminen ei ole aina ilkivaltaista. Usein kyse on vain investoinnin logiikasta: ”Olemme jo maksaneet tästä järjestelmästä; mitä muuta se voi tehdä?”

Miten julkinen keskustelu todennäköisesti kehittyy

Seuraavaksi on kyse vähemmän laitteistosta ja enemmän hallinnosta.

Lyhyellä aikavälillä näemme todennäköisesti seuraavan kaavan:

enemmän käyttöönottoja (etenkin kun toimittajat paketoivat järjestelmiä pienemmille yrityksille)
lisää kampanjoita, jotka vaativat selkeitä sääntöjä ja avoimuutta
lisää kitkaa, kun asiakkaat oppivat, että "älykästä valvontaa" on olemassa jokapäiväisissä paikoissa

Suurimman vipuvaikutuksen omaavat poliittiset kysymykset ovat pikemminkin käytännöllisiä kuin filosofisia:

Kuka asettaa tarkkuuden standardit?
Kuka tarkastaa tarkkailulistat?
Miten joku saa tietää, että hänet on merkitty merkinnällä?
Millainen on poistoprosessi?

Ilman vastauksia vähittäiskauppiaat saattavat huomata, että tappioiden estämiseen tarkoitettu työkalu aiheuttaa erilaisia kustannuksia: mainehaittaa ja asiakkaiden epäluottamusta.

Lopputulos

Tekoälyllä varkauksien estämiseen tarkoitetut järjestelmät lupaavat korvata henkilökunnan menetetyt työajat automaattisella valppaudella, ja siksi ne leviävät suurista vähittäiskaupoista paikallisiin kauppoihin. Mutta kun valvonta muuttuu luokitteluksi – tarkkailulistoiksi, mustiksi listoiksi ja läpinäkymättömiksi "riski"-merkintöiksi – teknologia lakkaa olemasta hiljainen turvatoimenpide ja siitä tulee yleisön luottamusongelma.

Lähteet

BBC News (teknologia):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	Tekoälyn avulla varkauksien torjunta: kasvojentunnistus, seurantalistat ja läpinäkyvyystaistelu

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.	Jälleenmyyjät ottavat käyttöön tekoälyn avulla tehtyjä vartaloskannauksia ja kasvojentunnistusta hillitäkseen näpistystä. Näin se toimii, miksi kriitikot varoittavat salaisista seurantalistoista ja mitä läpinäkyvyyden tulisi tarkoittaa.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	Näytä kaikki ylläpitäjän viestit
How crypto criminals are shifting from exchange hacks to targeting individuals	Kuinka kryptorikolliset siirtyvät pörssien hakkeroinnista yksilöiden hyökkäyksiin
CZT: the wonder material behind faster scans and sharper detectors	CZT: ihmeaine nopeampien skannausten ja terävämpien ilmaisimien takana
Page Content
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	Tekoälyn avulla varkauksien torjunta: kasvojentunnistus, seurantalistat ja läpinäkyvyystaistelu
Nature
Climate
AI anti-shoplifting tech: from CCTV to watchlists on the high street	Tekoälyllä toimivaa myymälävarkauksien vastaista teknologiaa: valvontakameroista kadun varkauslistoihin
/
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.	Vähittäiskauppiaat siirtyvät yhä enemmän "älykkääseen" valvontaan puuttuakseen hyvin vanhaan ongelmaan: varkauksiin. Uusin aalto menee tavanomaista CCTV:tä pidemmälle ja käyttää työkaluja, jotka voivat merkitä kasvoja, kehoja tai käyttäytymismalleja reaaliajassa.
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.	Jim Connollyn kuvaama BBC:n raportti osoittaa, kuinka nopeasti tämäntyyppinen tekoälypohjainen varkauksien estoteknologia on siirtymässä suurista ketjuista arkipäiväisiin paikkoihin, kuten itsenäisiin postitoimistoihin. Se osoittaa myös, miksi vastarinta kasvaa yhtä nopeasti: nämä järjestelmät eivät vain tarkkaile – ne voivat lajitella ihmisiä riskiluokkiin.
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.	Myymälävarkaudet ovat aina olleet osa vähittäiskauppaa, mutta niihin liittyvät kannustimet ovat muuttuneet. Kaupat toimivat pienemmällä henkilöstöresurssilla, useammilla itsepalvelukassoilla ja suurempien volyymien liikkuessa pienempien tiimien kautta. Tämä luo käytännön aukon: vähemmän ihmissilmiä liikkeellä, mutta enemmän mahdollisuuksia hävikkiin.
So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.	Niinpä myyjät esittävät houkuttelevan ehdotuksen: pidetään henkilöstömäärä suunnilleen ennallaan ja samalla "moninkertaistetaan" valppautta ohjelmistojen avulla.
The BBC piece notes that some major retailers and independent stores have introduced a mix of:	BBC:n artikkelissa todetaan, että jotkut suuret jälleenmyyjät ja itsenäiset kaupat ovat ottaneet käyttöön yhdistelmän seuraavista:
AI body scans
CCTV systems with automated alerts	CCTV-järjestelmät automaattisilla hälytyksillä
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.	Paperilla järjestelmät ovat yksinkertaisia: sen sijaan, että tietokone pyytäisi henkilökuntaa tarkkailemaan näyttöseinää, se tarkkailee ja lähettää henkilökunnan jäsenelle viestin, kun se epäilee jotakin epäilyttävältä.
In practice, “suspicious” can mean several different things depending on the product:	Käytännössä "epäilyttävä" voi tarkoittaa useita eri asioita tuotteesta riippuen:
a face the system thinks matches a previous incident	kasvot, joiden järjestelmä luulee vastaavan aiempaa tapahtumaa
a body the system classifies as “known” or “unknown”	järjestelmä luokittelee kappaleen "tunnetuksi" tai "tuntemattomaksi"
movement patterns that resemble prior thefts	liikkumismallit, jotka muistuttavat aiempia varkauksia
That’s a broad net. And broad nets catch more fish — and more bycatch.	Se on haaraverkko. Ja haaraverkot pyytävät enemmän kalaa – ja enemmän sivusaalista.
What “AI body scans” and facial recognition actually do	Mitä tekoälyn vartaloskannaukset ja kasvojentunnistus oikeasti tekevät
A useful way to think about these tools is that they turn video into searchable data.	Näitä työkaluja voi ajatella siten, että ne muuttavat videon haettavaksi dataksi.
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.	Perinteinen valvontakamerajärjestelmä on enimmäkseen passiivista: se tallentaa materiaalia, jota joku saattaa myöhemmin tarkastella. Tekoälyllä varustettu valvontakamerajärjestelmä on aktiivinen: se yrittää merkitä näkemänsä sitä mukaa, kun se tapahtuu.
Facial recognition (the obvious one)	Kasvojentunnistus (ilmeisin asia)
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.	Kasvojentunnistus yrittää luoda kameramateriaalista "kasvojäljen" ja verrata sitä tallennettuun luetteloon. Jos osuma on lähellä toisiaan, järjestelmä voi hälyttää työntekijän, lukita oven, ilmoittaa turvahenkilökunnalle tai yksinkertaisesti kirjata tapahtuman.
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.	Kaupan näkökulmasta tämä on houkuttelevaa, koska se lupaa johdonmukaisuutta: sama henkilö, joka varasti viime viikolla, voidaan bongata sisäänkäynniltä tänään.
But it also creates a sharp question: where does the reference list come from, and how does someone get off it?	Mutta se herättää myös terävän kysymyksen: mistä lähdeluettelo tulee ja miten joku pääsee siitä eroon?
AI body scans (less intuitive, but often more common)	Tekoälyn avulla tehdyt vartaloskannaukset (vähemmän intuitiivisia, mutta usein yleisempiä)
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.	BBC:n raportissa mainitaan tekoälyn avulla tehdyt vartaloskannaukset kasvojentunnistuksen rinnalla. Monissa käyttöönottovaiheissa "vartaloskannaus" ei tarkoita scifi-kokovartaloskanneria. Usein se tarkoittaa järjestelmää, joka tunnistaa ja seuraa ihmisiä kehon muodon, asennon, vaatteiden siluetin tai liikkeen perusteella.
Why would a retailer use this?	Miksi jälleenmyyjä käyttäisi tätä?
Body-based identification can work even when the face is partially obscured.	Kehoon perustuva tunnistus voi toimia, vaikka kasvot olisivat osittain peitettyinä.
It can track a person across multiple camera angles.	Se voi seurata henkilöä useista eri kamerakulmista.
It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.	Se voi nimetä "käyttäytymisen" (viikkymisen, nopean liikkumisen, palaamisen hyllylle) kaavoiksi.
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.”	Tämä on se osa, joka hermostuttaa kansalaisoikeuksien puolustajia: sinua ei ehkä tarvitse nimetä, jotta sinua kohdeltaisiin "jonakin, jota meidän tulisi tarkkailla".
The quiet power of watchlists	Seurantalistojen hiljainen voima
Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.	Kansalaisvapausaktivistit kertoivat BBC:lle, että yleisöä laitetaan "salaisille seurantalistoille ja sähköisesti mustalle listalle" heidän pääkaduiltaan käsin.
That language matters, because it describes something bigger than a single shop deciding to ban a customer.	Tuolla kielellä on merkitystä, koska se kuvaa jotain suurempaa kuin yhden kaupan päätöstä sulkea asiakas pois.
A watchlist becomes more consequential when it has these features:	Seurantalistasta tulee merkityksellisempi, kun sillä on seuraavat ominaisuudet:
It persists over time.
A moment of suspicion can follow you to future visits.	Epäilyksen hetki voi seurata sinua tulevilla vierailuilla.
It travels between locations.
A flag from one shop can influence how you’re treated in another.	Yhden kaupan lippu voi vaikuttaa siihen, miten sinua kohdellaan toisessa.
It is hard to contest.
If the system never tells you that you were flagged, you can’t challenge it.	Jos järjestelmä ei koskaan ilmoita, että sinut on merkitty merkinnällä, et voi riitauttaa sitä.
Even without a formal “ban,” a watchlist can shape outcomes:	Vaikka virallista ”kieltoa” ei olisikaan, tarkkailulista voi vaikuttaa lopputulokseen:
staff approach you differently	henkilökunta lähestyy sinua eri tavalla
you’re watched more closely
you’re denied entry
security is called earlier than it otherwise would be	turvallisuus kutsutaan aikaisemmin kuin se muuten olisi
The risk is not only false positives — it’s that false positives become sticky.	Riski ei ole pelkästään vääriä positiivisia – vaan se, että vääristä positiivisista tulee tarttuvia.
What the law says vs what people experience	Mitä laki sanoo vs. mitä ihmiset kokevat
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.	BBC:n raportin mukaan hallituksen kanta on, että kaupallinen kasvojentunnistus on laillista, mutta sen käytön on noudatettava tiukkoja tietosuojalakeja ja sitä on käytettävä läpinäkyvästi.
That single sentence contains the real battleground.	Tuo yksi ainoa lause sisältää todellisen taistelukentän.
“Legal” isn’t the same as “socially acceptable”	"Laillinen" ei ole sama asia kuin "sosiaalisesti hyväksyttävä"
A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.	Jälleenmyyjä voi tehdä jotain teknisesti laillista ja silti aiheuttaa vastareaktion, jos asiakkaat kokevat sääntöjen olevan yksipuolisia.
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.”	Valvontatekniikka muuttaa ostosten tekemiseen liittyvää tunnepitoista sopimusta. Ihmiset hyväksyvät tietyn tason hävikinestoa (kamerat, henkilökunta, tunnisteet). Mutta kun järjestelmä alkaa luokitella kävijöitä – mahdollisesti heidän tietämättään – suhde muuttuu ”kauppa suojelee tuotteitaan” -suhteesta ”kauppa arvioi minua”.
Transparency is harder than putting up a sign	Läpinäkyvyys on vaikeampaa kuin kyltin laittaminen
“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:	”Läpinäkyvyys” kuulostaa helpolta rastitettavalta ruudulta: lisää ilmoitus oveen. Mutta merkityksellinen läpinäkyvyys edellyttäisi vastauksia kysymyksiin, kuten:
Are you using facial recognition, or only standard CCTV?	Käytätkö kasvojentunnistusta vai vain tavallista valvontakameroita?
What data do you store, and for how long?	Mitä tietoja säilytätte ja kuinka kauan?
Do you share the data with any other sites or partners?	Jaatteko tietoja muiden sivustojen tai kumppaneiden kanssa?
How does someone appeal or correct a mistaken flag?	Miten joku valittaa tai korjaa virheellisen lipun?
For most customers, the default is ignorance: they only learn a system exists when something goes wrong.	Useimmille asiakkaille oletusarvo on tietämättömyys: he saavat tietää järjestelmän olemassaolosta vasta, kun jokin menee pieleen.
The operational trade-offs retailers don’t advertise	Toiminnalliset kompromissit, joita jälleenmyyjät eivät mainosta
Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.	Jälleenmyyjät ottavat nämä järjestelmät käyttöön kustannusten ja kattavuuden vuoksi, mutta he perivät riskejä, jotka eivät sovi siististi budjettitaulukkoon.
1) False positives create real-world harm	1) Väärät positiiviset tulokset aiheuttavat todellista haittaa
If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.	Jos järjestelmä merkitsee viattoman henkilön, "vahinko" ei ole abstrakti. Se voi olla hämmennystä, pelottelua, poissulkemista tai tilanteen kärjistymistä.
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.	Sillä on myös takaisinkytkentävaikutus: kun jotakuta kohdellaan epäilyttävänä, mikä tahansa hermostunut käytös voi näyttää "epäilyttävämmältä" ja vahvistaa järjestelmän alkuperäistä virhettä.
2) Staff become enforcers of a black box	2) Henkilökunnasta tulee mustan laatikon valvojia
When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.	Kun järjestelmä lähettää hälytyksen, henkilöstö joutuu päätöksenteon eteen: toimia sen perusteella tai jättää se huomiotta.
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.	Jos he toimivat ja se on väärin, ihmiset muistavat ihmisen vuorovaikutuksen – eivät algoritmin. Jos he jättävät sen huomiotta ja varkaus tapahtuu, johto saattaa kysyä, miksi hälytys hylättiin.
So even if the tool is “advisory,” it becomes coercive inside the workplace.	Joten vaikka työkalu olisi "neuvoa antava", siitä tulee pakottava työpaikalla.
3) The tech invites mission creep	3) Teknologia houkuttelee tehtävän hiipimistä
A system installed for shoplifting might later be repurposed for:	Myymälävarkauksiin asennettu järjestelmä voidaan myöhemmin käyttää uudelleen seuraaviin tarkoituksiin:
identifying repeat refund attempts	toistuvien hyvitysyritysten tunnistaminen
enforcing bans for anti-social behaviour	epäsosiaalisen käyttäytymisen kieltojen täytäntöönpano
tracking staff performance	henkilöstön suorituskyvyn seuranta
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?”	Tehtävien laajeneminen ei ole aina ilkivaltaista. Usein kyse on vain investoinnin logiikasta: ”Olemme jo maksaneet tästä järjestelmästä; mitä muuta se voi tehdä?”
How the public conversation is likely to evolve	Miten julkinen keskustelu todennäköisesti kehittyy
What comes next is less about the hardware and more about governance.	Seuraavaksi on kyse vähemmän laitteistosta ja enemmän hallinnosta.
In the short term, we’ll probably see a pattern:	Lyhyellä aikavälillä näemme todennäköisesti seuraavan kaavan:
more deployments (especially as vendors package systems for smaller businesses)	enemmän käyttöönottoja (etenkin kun toimittajat paketoivat järjestelmiä pienemmille yrityksille)
more campaigns demanding clear rules and disclosure	lisää kampanjoita, jotka vaativat selkeitä sääntöjä ja avoimuutta
more friction as customers learn that “smart surveillance” exists in everyday locations	lisää kitkaa, kun asiakkaat oppivat, että "älykästä valvontaa" on olemassa jokapäiväisissä paikoissa
The highest-leverage policy questions will be practical rather than philosophical:	Suurimman vipuvaikutuksen omaavat poliittiset kysymykset ovat pikemminkin käytännöllisiä kuin filosofisia:
Who sets the standards for accuracy?	Kuka asettaa tarkkuuden standardit?
Who audits the watchlists?	Kuka tarkastaa tarkkailulistat?
How does someone learn they were flagged?	Miten joku saa tietää, että hänet on merkitty merkinnällä?
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.	Ilman vastauksia vähittäiskauppiaat saattavat huomata, että tappioiden estämiseen tarkoitettu työkalu aiheuttaa erilaisia kustannuksia: mainehaittaa ja asiakkaiden epäluottamusta.
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.	Tekoälyllä varkauksien estämiseen tarkoitetut järjestelmät lupaavat korvata henkilökunnan menetetyt työajat automaattisella valppaudella, ja siksi ne leviävät suurista vähittäiskaupoista paikallisiin kauppoihin. Mutta kun valvonta muuttuu luokitteluksi – tarkkailulistoiksi, mustiksi listoiksi ja läpinäkymättömiksi "riski"-merkintöiksi – teknologia lakkaa olemasta hiljainen turvatoimenpide ja siitä tulee yleisön luottamusongelma.
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	Näytä kaikki ylläpitäjän viestit
How crypto criminals are shifting from exchange hacks to targeting individuals	Kuinka kryptorikolliset siirtyvät pörssien hakkeroinnista yksilöiden hyökkäyksiin
CZT: the wonder material behind faster scans and sharper detectors	CZT: ihmeaine nopeampien skannausten ja terävämpien ilmaisimien takana
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.	Jälleenmyyjät ottavat käyttöön tekoälyn avulla tehtyjä vartaloskannauksia ja kasvojentunnistusta hillitäkseen näpistystä. Näin se toimii, miksi kriitikot varoittavat salaisista seurantalistoista ja mitä läpinäkyvyyden tulisi tarkoittaa.

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	Sivua ei löytynyt - 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	Sivua ei löytynyt - Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.	Tätä sivua ei näytä olevan olemassa.
It looks like the link pointing here was faulty. Maybe try searching?	Näyttää siltä, että tänne osoittava linkki oli viallinen. Ehkä kannattaa kokeilla hakua?
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.	Amazon-kumppanina ansaitsemme kelpuuttavista ostoksista – ilman lisäkustannuksia sinulle.
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...