A mesterséges intelligencia által fejlesztett bolti lopás elleni technológia magyarázata: arcfelismerés, figyelőlisták és az átláthatóságért folytatott küzdelem

A kiskereskedők egyre inkább az „intelligens” megfigyeléshez fordulnak egy nagyon régi probléma, a lopás kezelésére. A legújabb hullám túlmutat a hagyományos CCTV-n, olyan eszközöket használva, amelyek valós időben képesek megjelölni az arcokat, testeket vagy viselkedési mintákat.

Egy Jim Connolly által forgatott BBC-riport bemutatja, hogy milyen gyorsan terjed ez a fajta mesterséges intelligencia által vezérelt lopásellenes technológia a nagy áruházláncoktól a mindennapi helyekre, például egy független postára. Azt is bemutatja, hogy miért növekszik ilyen gyorsan az ellenállás: ezek a rendszerek nem csak figyelnek – képesek az embereket kockázati kategóriákba sorolni.

Miért terjed mostanában a technológia?

A bolti lopás mindig is része volt a kiskereskedelemnek, de az azt övező ösztönzők megváltoztak. Az üzletek szorosabb személyzettel, több önkiszolgáló kasszával és nagyobb mennyiségű áruval működnek, kisebb csapatokon keresztül. Ez egy gyakorlati rést teremt: kevesebb emberi szem a boltban, de több lehetőség a veszteségre.

Így a szállítók egy csábító javaslattal állnak elő: nagyjából változatlanul kell tartani a személyzeti létszámot, miközben szoftverek segítségével „megsokszorozzák” az éberséget.

A BBC cikke megjegyzi, hogy néhány nagyobb kiskereskedő és független üzlet a következők keverékét vezette be:

AI testszkennelések
CCTV rendszerek automatikus riasztásokkal
arcfelismerő berendezés

Papíron a rendszerek egyszerűek: ahelyett, hogy a képernyők falát kellene figyelniük, a számítógép figyeli és pingeli az alkalmazottat, ha valami gyanúsnak tűnik.

A gyakorlatban a „gyanús” szó a terméktől függően több különböző dolgot is jelenthet:

egy arc, amelyet a rendszer egy korábbi incidenssel egyezőnek gondol
egy olyan test, amelyet a rendszer „ismertnek” vagy „ismeretlennek” minősít
olyan mozgásminták, amelyek korábbi lopásokra emlékeztetnek

Ez egy széles háló. És a széles hálók több halat fognak – és több mellékfogást.

Mit csinálnak valójában a „mesterséges intelligencia által végzett testszkennelések” és az arcfelismerés?

Hasznosnak tartom ezeket az eszközöket abban, hogy a videókat kereshető adatokká alakítják.

A hagyományos CCTV többnyire passzív: olyan felvételeket rögzít, amelyeket valaki később megtekinthet. A mesterséges intelligenciával támogatott CCTV aktív: megpróbálja címkézni a látottakat, ahogy azok történnek.

Arcfelismerés (a nyilvánvaló)

Az arcfelismerő rendszer megpróbál „arclenyomatot” létrehozni a kamerafelvételekből, és összehasonlítani azt egy tárolt listával. Ha szoros egyezést talál, a rendszer riaszthatja a dolgozót, bezárhatja az ajtót, értesítheti a biztonsági szolgálatot, vagy egyszerűen naplózhatja az eseményt.

Az üzlet szempontjából ez azért vonzó, mert állandóságot ígér: ugyanaz a személy, aki múlt héten lopott, ma is felbukkan a bejáratnál.

De ez egy éles kérdést is felvet: honnan származik a referencialista, és hogyan lehet lekerülni róla?

AI testszkennelés (kevésbé intuitív, de gyakran gyakoribb)

A BBC jelentése az arcfelismerés mellett említi a mesterséges intelligenciával működő testszkennelést is. Sok alkalmazásban a „testszkennelés” nem egy sci-fi teljes testszkennert jelent. Gyakran egy olyan rendszert jelent, amely testforma, testtartás, ruházat sziluettje vagy mozgás alapján érzékeli és követi nyomon az embereket.

Miért használná ezt egy kiskereskedő?

A testalapú azonosítás akkor is működhet, ha az arc részben el van takarva.
Több kameraszögből is képes követni egy személyt.
A „viselkedést” (elidőzés, gyors mozgás, visszatérés a polcra) mintákként tudja megjelölni.

Ez az a rész, ami idegessé teszi a polgári szabadságjogok aktivistáit: lehet, hogy nem kell név szerint azonosítani valakit ahhoz, hogy úgy kezeljenek, mint „akit figyelnünk kell”.

A figyelőlisták csendes ereje

A polgárjogi aktivisták a BBC-nek azt mondták, hogy a lakosságot „titkos figyelőlistákra és elektronikus feketelistára” helyezik a főutcáikról.

Ez a megfogalmazás azért fontos, mert többet ír le annál, mint hogy egyetlen üzlet úgy dönt, kitilt egy vásárlót.

Egy figyelőlista jelentőségteljesebbé válik, ha a következő tulajdonságokkal rendelkezik:

Idővel fennmarad.Egy pillanatnyi gyanakvás elkísérheti Önt a jövőbeli látogatásai során.
Helyek között utazik.Egyik üzletben kitűzött zászló befolyásolhatja, hogyan bánnak Önnel egy másikban.
Nehéz vitatkozni.Ha a rendszer soha nem jelzi, hogy megjelöltek, akkor nem tudod megtámadni.

Még hivatalos „tiltás” nélkül is, egy figyelőlista befolyásolhatja az eredményeket:

a személyzet másképp közeledik hozzád
jobban figyelnek téged
megtagadták a belépést
a biztonságot korábban hívják meg, mint egyébként tenné

A kockázat nem csak a téves pozitív eredményekben rejlik – hanem abban is, hogy a téves pozitívak ragadóssá válnak.

Mit mond a törvény, illetve mit tapasztalnak az emberek

A BBC jelentése szerint a kormány álláspontja szerint a kereskedelmi arcfelismerés legális, de használatának szigorú adatvédelmi törvényeknek kell megfelelnie, és átláthatóan kell alkalmazni.

Ez az egyetlen mondat tartalmazza az igazi csatateret.

A „legális” nem ugyanaz, mint a „társadalmilag elfogadható”.

Egy kiskereskedő tehet valamit, ami technikailag legális, és mégis negatív reakciót válthat ki, ha a vásárlók úgy érzik, hogy a szabályok egyoldalúak.

A megfigyelőtechnológia megváltoztatja a vásárlás érzelmi szerződését. Az emberek elfogadnak egy bizonyos szintű veszteségmegelőzést (kamerák, személyzet, címkék). De amikor a rendszer elkezdi kategorizálni a látogatókat – potenciálisan anélkül, hogy tudnának róla –, a kapcsolat az „üzlet védi az áruit” viszonyról az „üzlet értékel engem” viszonyra változik.

Az átláthatóság nehezebb, mint egy tábla kihelyezése

Az „átláthatóság” könnyen kipipálhatónak hangzik: tegyél ki egy hirdetményt az ajtóra. Az érdemi átláthatósághoz azonban olyan kérdésekre kellene választ kapni, mint:

Arcfelismerést használsz, vagy csak a hagyományos CCTV-t?
Milyen adatokat tárol, és mennyi ideig?
Megosztják az adatokat más webhelyekkel vagy partnerekkel?
Hogyan lehet fellebbezni vagy kijavítani egy hibásan megjelölt jelölést?

A legtöbb ügyfél számára az alapértelmezett a tudatlanság: csak akkor értesülnek a rendszer létezéséről, amikor valami rosszul sül el.

Az operatív kompromisszumok, amelyeket a kiskereskedők nem hirdetnek

A kiskereskedők ezeket a rendszereket költség- és fedezeti célokra alkalmazzák, de olyan kockázatokat örökölnek, amelyek nem illenek bele szépen egy költségvetési táblázatba.

1) A téves pozitív eredmények valós károkat okoznak

Ha a rendszer egy ártatlan személyt jelöl meg, a „kár” nem elvont. Lehet zavarba ejtés, megfélemlítés, kizárás vagy eszkaláció.

Visszacsatolási hatása is van: ha valakit gyanúsítottként kezelnek, bármilyen ideges viselkedés „gyanúsabbnak” tűnhet, megerősítve a rendszer kezdeti hibáját.

2) A személyzet egy fekete doboz végrehajtóivá válik

Amikor egy rendszer riasztást küld, a személyzet döntés elé kerül: cselekedjenek, vagy figyelmen kívül hagyják.

Ha mégis cselekszenek, és az helytelen, az emberi interakcióra emlékeznek az emberek – nem az algoritmusra. Ha figyelmen kívül hagyják, és lopás történik, a vezetőség megkérdezheti, miért vetették el a riasztást.

Tehát még ha az eszköz „tanácsadó” jellegű is, a munkahelyen kényszerítő erejűvé válik.

3) A technológia küldetésbeli kúszást idéz elő

Egy bolti lopásokra telepített rendszer később átalakítható a következőkre:

ismételt visszatérítési kísérletek azonosítása
antiszociális viselkedés miatti tilalmak érvényesítése
a személyzet teljesítményének nyomon követése

A küldetésbeli áttérés nem mindig rosszindulatú. Gyakran csak a befektetés logikája: „Már kifizettük ezt a rendszert; mit tehetne még?”

Hogyan fog valószínűleg alakulni a nyilvános párbeszéd

Ami ezután következik, az kevésbé a hardverről és inkább az irányításról szól.

Rövid távon valószínűleg egy mintát fogunk látni:

több telepítés (különösen mivel a szállítók kisebb vállalkozások számára csomagolnak rendszereket)
több kampány, amelyek világos szabályokat és nyilvánosságot követelnek
nagyobb súrlódás, mivel az ügyfelek megtudják, hogy az „intelligens megfigyelés” a mindennapi helyszíneken is létezik

A legnagyobb befolyással bíró szakpolitikai kérdések inkább gyakorlati, mint filozófiai jellegűek lesznek:

Ki határozza meg a pontosság mércéjét?
Ki ellenőrzi a figyelőlistákat?
Hogyan tudja meg valaki, hogy megjelölték?
Mi a folyamata az eltávolításnak?

Válaszok nélkül a kiskereskedők rájöhetnek, hogy egy a veszteség megelőzésére szolgáló eszköz másfajta költséget okoz: hírnévkárosodást és a vásárlói bizalmatlanságot.

A lényeg

A mesterséges intelligencia által vezérelt bolti lopás elleni rendszerek ígérete szerint a hiányzó munkaidőt automatizált éberséggel helyettesítik, és ezért terjednek el a nagy kiskereskedőktől a helyi üzletekig. De amikor a megfigyelés kategorizálásba – figyelőlistákba, feketelistákba és átlátszatlan „kockázati” címkékbe –, a technológia már nem csendes biztonsági intézkedés, hanem közbizalom-problémává válik.

Források

BBC Hírek (Technológia):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	A mesterséges intelligencia által fejlesztett bolti lopás elleni technológia magyarázata: arcfelismerés, figyelőlisták és az átláthatóságért folytatott küzdelem

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.	A kiskereskedők mesterséges intelligencián alapuló testszkennelést és arcfelismerést alkalmaznak a bolti lopások megfékezésére. Íme, hogyan működik, miért figyelmeztetnek a kritikusok a titkos figyelőlistákra, és mit kellene jelentenie az átláthatóságnak.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	Az Admin összes bejegyzésének megtekintése
How crypto criminals are shifting from exchange hacks to targeting individuals	Hogyan térnek át a kriptovaluta-bűnözők a tőzsdei feltörésekről az egyének célba vételére?
CZT: the wonder material behind faster scans and sharper detectors	CZT: a csodaanyag a gyorsabb szkennelés és az élesebb detektorok mögött
Page Content
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	A mesterséges intelligencia által fejlesztett bolti lopás elleni technológia magyarázata: arcfelismerés, figyelőlisták és az átláthatóságért folytatott küzdelem
Nature
Climate
AI anti-shoplifting tech: from CCTV to watchlists on the high street	Mesterséges intelligencia által vezérelt bolti lopás elleni technológia: a CCTV-től a főutcai megfigyelési listákig
/
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 kiskereskedők egyre inkább az „intelligens” megfigyeléshez fordulnak egy nagyon régi probléma, a lopás kezelésére. A legújabb hullám túlmutat a hagyományos CCTV-n, olyan eszközöket használva, amelyek valós időben képesek megjelölni az arcokat, testeket vagy viselkedési mintákat.
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.	Egy Jim Connolly által forgatott BBC-riport bemutatja, hogy milyen gyorsan terjed ez a fajta mesterséges intelligencia által vezérelt lopásellenes technológia a nagy áruházláncoktól a mindennapi helyekre, például egy független postára. Azt is bemutatja, hogy miért növekszik ilyen gyorsan az ellenállás: ezek a rendszerek nem csak figyelnek – képesek az embereket kockázati kategóriákba sorolni.
Why the tech is spreading now	Miért terjed mostanában a technológia?
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.	A bolti lopás mindig is része volt a kiskereskedelemnek, de az azt övező ösztönzők megváltoztak. Az üzletek szorosabb személyzettel, több önkiszolgáló kasszával és nagyobb mennyiségű áruval működnek, kisebb csapatokon keresztül. Ez egy gyakorlati rést teremt: kevesebb emberi szem a boltban, de több lehetőség a veszteségre.
So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.	Így a szállítók egy csábító javaslattal állnak elő: nagyjából változatlanul kell tartani a személyzeti létszámot, miközben szoftverek segítségével „megsokszorozzák” az éberséget.
The BBC piece notes that some major retailers and independent stores have introduced a mix of:	A BBC cikke megjegyzi, hogy néhány nagyobb kiskereskedő és független üzlet a következők keverékét vezette be:
AI body scans
CCTV systems with automated alerts	CCTV rendszerek automatikus riasztásokkal
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.	Papíron a rendszerek egyszerűek: ahelyett, hogy a képernyők falát kellene figyelniük, a számítógép figyeli és pingeli az alkalmazottat, ha valami gyanúsnak tűnik.
In practice, “suspicious” can mean several different things depending on the product:	A gyakorlatban a „gyanús” szó a terméktől függően több különböző dolgot is jelenthet:
a face the system thinks matches a previous incident	egy arc, amelyet a rendszer egy korábbi incidenssel egyezőnek gondol
a body the system classifies as “known” or “unknown”	egy olyan test, amelyet a rendszer „ismertnek” vagy „ismeretlennek” minősít
movement patterns that resemble prior thefts	olyan mozgásminták, amelyek korábbi lopásokra emlékeztetnek
That’s a broad net. And broad nets catch more fish — and more bycatch.	Ez egy széles háló. És a széles hálók több halat fognak – és több mellékfogást.
What “AI body scans” and facial recognition actually do	Mit csinálnak valójában a „mesterséges intelligencia által végzett testszkennelések” és az arcfelismerés?
A useful way to think about these tools is that they turn video into searchable data.	Hasznosnak tartom ezeket az eszközöket abban, hogy a videókat kereshető adatokká alakítják.
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.	A hagyományos CCTV többnyire passzív: olyan felvételeket rögzít, amelyeket valaki később megtekinthet. A mesterséges intelligenciával támogatott CCTV aktív: megpróbálja címkézni a látottakat, ahogy azok történnek.
Facial recognition (the obvious one)	Arcfelismerés (a nyilvánvaló)
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.	Az arcfelismerő rendszer megpróbál „arclenyomatot” létrehozni a kamerafelvételekből, és összehasonlítani azt egy tárolt listával. Ha szoros egyezést talál, a rendszer riaszthatja a dolgozót, bezárhatja az ajtót, értesítheti a biztonsági szolgálatot, vagy egyszerűen naplózhatja az eseményt.
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.	Az üzlet szempontjából ez azért vonzó, mert állandóságot ígér: ugyanaz a személy, aki múlt héten lopott, ma is felbukkan a bejáratnál.
But it also creates a sharp question: where does the reference list come from, and how does someone get off it?	De ez egy éles kérdést is felvet: honnan származik a referencialista, és hogyan lehet lekerülni róla?
AI body scans (less intuitive, but often more common)	AI testszkennelés (kevésbé intuitív, de gyakran gyakoribb)
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.	A BBC jelentése az arcfelismerés mellett említi a mesterséges intelligenciával működő testszkennelést is. Sok alkalmazásban a „testszkennelés” nem egy sci-fi teljes testszkennert jelent. Gyakran egy olyan rendszert jelent, amely testforma, testtartás, ruházat sziluettje vagy mozgás alapján érzékeli és követi nyomon az embereket.
Why would a retailer use this?	Miért használná ezt egy kiskereskedő?
Body-based identification can work even when the face is partially obscured.	A testalapú azonosítás akkor is működhet, ha az arc részben el van takarva.
It can track a person across multiple camera angles.	Több kameraszögből is képes követni egy személyt.
It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.	A „viselkedést” (elidőzés, gyors mozgás, visszatérés a polcra) mintákként tudja megjelölni.
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.”	Ez az a rész, ami idegessé teszi a polgári szabadságjogok aktivistáit: lehet, hogy nem kell név szerint azonosítani valakit ahhoz, hogy úgy kezeljenek, mint „akit figyelnünk kell”.
The quiet power of watchlists	A figyelőlisták csendes ereje
Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.	A polgárjogi aktivisták a BBC-nek azt mondták, hogy a lakosságot „titkos figyelőlistákra és elektronikus feketelistára” helyezik a főutcáikról.
That language matters, because it describes something bigger than a single shop deciding to ban a customer.	Ez a megfogalmazás azért fontos, mert többet ír le annál, mint hogy egyetlen üzlet úgy dönt, kitilt egy vásárlót.
A watchlist becomes more consequential when it has these features:	Egy figyelőlista jelentőségteljesebbé válik, ha a következő tulajdonságokkal rendelkezik:
It persists over time.
A moment of suspicion can follow you to future visits.	Egy pillanatnyi gyanakvás elkísérheti Önt a jövőbeli látogatásai során.
It travels between locations.
A flag from one shop can influence how you’re treated in another.	Egyik üzletben kitűzött zászló befolyásolhatja, hogyan bánnak Önnel egy másikban.
It is hard to contest.
If the system never tells you that you were flagged, you can’t challenge it.	Ha a rendszer soha nem jelzi, hogy megjelöltek, akkor nem tudod megtámadni.
Even without a formal “ban,” a watchlist can shape outcomes:	Még hivatalos „tiltás” nélkül is, egy figyelőlista befolyásolhatja az eredményeket:
staff approach you differently	a személyzet másképp közeledik hozzád
you’re watched more closely
you’re denied entry
security is called earlier than it otherwise would be	a biztonságot korábban hívják meg, mint egyébként tenné
The risk is not only false positives — it’s that false positives become sticky.	A kockázat nem csak a téves pozitív eredményekben rejlik – hanem abban is, hogy a téves pozitívak ragadóssá válnak.
What the law says vs what people experience	Mit mond a törvény, illetve mit tapasztalnak az emberek
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.	A BBC jelentése szerint a kormány álláspontja szerint a kereskedelmi arcfelismerés legális, de használatának szigorú adatvédelmi törvényeknek kell megfelelnie, és átláthatóan kell alkalmazni.
That single sentence contains the real battleground.	Ez az egyetlen mondat tartalmazza az igazi csatateret.
“Legal” isn’t the same as “socially acceptable”	A „legális” nem ugyanaz, mint a „társadalmilag elfogadható”.
A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.	Egy kiskereskedő tehet valamit, ami technikailag legális, és mégis negatív reakciót válthat ki, ha a vásárlók úgy érzik, hogy a szabályok egyoldalúak.
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.”	A megfigyelőtechnológia megváltoztatja a vásárlás érzelmi szerződését. Az emberek elfogadnak egy bizonyos szintű veszteségmegelőzést (kamerák, személyzet, címkék). De amikor a rendszer elkezdi kategorizálni a látogatókat – potenciálisan anélkül, hogy tudnának róla –, a kapcsolat az „üzlet védi az áruit” viszonyról az „üzlet értékel engem” viszonyra változik.
Transparency is harder than putting up a sign	Az átláthatóság nehezebb, mint egy tábla kihelyezése
“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:	Az „átláthatóság” könnyen kipipálhatónak hangzik: tegyél ki egy hirdetményt az ajtóra. Az érdemi átláthatósághoz azonban olyan kérdésekre kellene választ kapni, mint:
Are you using facial recognition, or only standard CCTV?	Arcfelismerést használsz, vagy csak a hagyományos CCTV-t?
What data do you store, and for how long?	Milyen adatokat tárol, és mennyi ideig?
Do you share the data with any other sites or partners?	Megosztják az adatokat más webhelyekkel vagy partnerekkel?
How does someone appeal or correct a mistaken flag?	Hogyan lehet fellebbezni vagy kijavítani egy hibásan megjelölt jelölést?
For most customers, the default is ignorance: they only learn a system exists when something goes wrong.	A legtöbb ügyfél számára az alapértelmezett a tudatlanság: csak akkor értesülnek a rendszer létezéséről, amikor valami rosszul sül el.
The operational trade-offs retailers don’t advertise	Az operatív kompromisszumok, amelyeket a kiskereskedők nem hirdetnek
Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.	A kiskereskedők ezeket a rendszereket költség- és fedezeti célokra alkalmazzák, de olyan kockázatokat örökölnek, amelyek nem illenek bele szépen egy költségvetési táblázatba.
1) False positives create real-world harm	1) A téves pozitív eredmények valós károkat okoznak
If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.	Ha a rendszer egy ártatlan személyt jelöl meg, a „kár” nem elvont. Lehet zavarba ejtés, megfélemlítés, kizárás vagy eszkaláció.
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.	Visszacsatolási hatása is van: ha valakit gyanúsítottként kezelnek, bármilyen ideges viselkedés „gyanúsabbnak” tűnhet, megerősítve a rendszer kezdeti hibáját.
2) Staff become enforcers of a black box	2) A személyzet egy fekete doboz végrehajtóivá válik
When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.	Amikor egy rendszer riasztást küld, a személyzet döntés elé kerül: cselekedjenek, vagy figyelmen kívül hagyják.
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.	Ha mégis cselekszenek, és az helytelen, az emberi interakcióra emlékeznek az emberek – nem az algoritmusra. Ha figyelmen kívül hagyják, és lopás történik, a vezetőség megkérdezheti, miért vetették el a riasztást.
So even if the tool is “advisory,” it becomes coercive inside the workplace.	Tehát még ha az eszköz „tanácsadó” jellegű is, a munkahelyen kényszerítő erejűvé válik.
3) The tech invites mission creep	3) A technológia küldetésbeli kúszást idéz elő
A system installed for shoplifting might later be repurposed for:	Egy bolti lopásokra telepített rendszer később átalakítható a következőkre:
identifying repeat refund attempts	ismételt visszatérítési kísérletek azonosítása
enforcing bans for anti-social behaviour	antiszociális viselkedés miatti tilalmak érvényesítése
tracking staff performance	a személyzet teljesítményének nyomon követése
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?”	A küldetésbeli áttérés nem mindig rosszindulatú. Gyakran csak a befektetés logikája: „Már kifizettük ezt a rendszert; mit tehetne még?”
How the public conversation is likely to evolve	Hogyan fog valószínűleg alakulni a nyilvános párbeszéd
What comes next is less about the hardware and more about governance.	Ami ezután következik, az kevésbé a hardverről és inkább az irányításról szól.
In the short term, we’ll probably see a pattern:	Rövid távon valószínűleg egy mintát fogunk látni:
more deployments (especially as vendors package systems for smaller businesses)	több telepítés (különösen mivel a szállítók kisebb vállalkozások számára csomagolnak rendszereket)
more campaigns demanding clear rules and disclosure	több kampány, amelyek világos szabályokat és nyilvánosságot követelnek
more friction as customers learn that “smart surveillance” exists in everyday locations	nagyobb súrlódás, mivel az ügyfelek megtudják, hogy az „intelligens megfigyelés” a mindennapi helyszíneken is létezik
The highest-leverage policy questions will be practical rather than philosophical:	A legnagyobb befolyással bíró szakpolitikai kérdések inkább gyakorlati, mint filozófiai jellegűek lesznek:
Who sets the standards for accuracy?	Ki határozza meg a pontosság mércéjét?
Who audits the watchlists?	Ki ellenőrzi a figyelőlistákat?
How does someone learn they were flagged?	Hogyan tudja meg valaki, hogy megjelölték?
What is the process for removal?	Mi a folyamata az eltávolításnak?
Without answers, retailers may find that a tool meant to prevent loss creates a different kind of cost: reputational damage and customer distrust.	Válaszok nélkül a kiskereskedők rájöhetnek, hogy egy a veszteség megelőzésére szolgáló eszköz másfajta költséget okoz: hírnévkárosodást és a vásárlói bizalmatlanságot.
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.	A mesterséges intelligencia által vezérelt bolti lopás elleni rendszerek ígérete szerint a hiányzó munkaidőt automatizált éberséggel helyettesítik, és ezért terjednek el a nagy kiskereskedőktől a helyi üzletekig. De amikor a megfigyelés kategorizálásba – figyelőlistákba, feketelistákba és átlátszatlan „kockázati” címkékbe –, a technológia már nem csendes biztonsági intézkedés, hanem közbizalom-problémává válik.
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	Az Admin összes bejegyzésének megtekintése
How crypto criminals are shifting from exchange hacks to targeting individuals	Hogyan térnek át a kriptovaluta-bűnözők a tőzsdei feltörésekről az egyének célba vételére?
CZT: the wonder material behind faster scans and sharper detectors	CZT: a csodaanyag a gyorsabb szkennelés és az élesebb detektorok mögött
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.	A kiskereskedők mesterséges intelligencián alapuló testszkennelést és arcfelismerést alkalmaznak a bolti lopások megfékezésére. Íme, hogyan működik, miért figyelmeztetnek a kritikusok a titkos figyelőlistákra, és mit kellene jelentenie az átláthatóságnak.

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	Az oldal nem található - 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	Az oldal nem található - Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.	Úgy tűnik, ez az oldal nem létezik.
It looks like the link pointing here was faulty. Maybe try searching?	Úgy tűnik, hogy az ide mutató link hibás volt. Talán próbáld meg keresni?
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 partnerként jutalékot kapunk a jogosult vásárlások után – Önnek ez semmilyen többletköltséget nem jelent.
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...