Dirbtinio intelekto kovos su vagyste parduotuvėse technologija paaiškinta: veido atpažinimas, stebėjimo sąrašai ir kova už skaidrumą

Mažmenininkai vis dažniau griebiasi „išmaniųjų“ stebėjimo sistemų, kad išspręstų labai seną problemą – vagystes. Naujausia tendencija peržengia standartinių vaizdo stebėjimo sistemų ribas ir naudoja įrankius, kurie realiuoju laiku gali pažymėti veidus, kūnus ar elgesio modelius.

Jimo Connolly nufilmuotame BBC reportaže parodyta, kaip greitai tokio tipo dirbtinio intelekto valdomos kovos su vagystėmis parduotuvėse technologijos iš didelių parduotuvių tinklų persikelia į tokias kasdienes vietas kaip nepriklausomas paštas. Taip pat parodyta, kodėl pasipriešinimas auga taip pat sparčiai: šios sistemos ne tik stebi – jos gali suskirstyti žmones į rizikos kategorijas.

Kodėl technologijos plinta dabar

Vagystės parduotuvėse visada buvo mažmeninės prekybos dalis, tačiau su jomis susijusios paskatos pasikeitė. Parduotuvės dirba su mažesniu personalu, daugiau savitarnos kasų ir didesniais kiekiais, per kuriuos prekiaujama mažesnėmis komandomis. Tai sukuria praktinę spragą: mažiau žmonių akių parduotuvėje, bet daugiau galimybių patirti nuostolių.

Taigi pardavėjai pateikia viliojantį pasiūlymą: išlaikyti maždaug tokį patį darbuotojų skaičių, o budrumą „dauginti“ naudojant programinę įrangą.

BBC straipsnyje pažymima, kad kai kurie didieji mažmenininkai ir nepriklausomos parduotuvės pristatė šių produktų derinį:

Dirbtinio intelekto kūno skenavimas
Vaizdo stebėjimo sistemos su automatiniais perspėjimais
veido atpažinimo įranga

Teoriškai sistemos yra paprastos: užuot prašęs darbuotojų stebėti ekranų sieną, kompiuteris pats stebi ir siunčia darbuotojui žinutę, kai mano, kad kažkas atrodo įtartina.

Praktiškai „įtartinas“ gali reikšti kelis skirtingus dalykus, priklausomai nuo produkto:

veidas, kurį sistema laiko atitinkančiu ankstesnį incidentą
kūnas, kurį sistema klasifikuoja kaip „žinomą“ arba „nežinomą“
judėjimo modeliai, primenantys ankstesnes vagystes

Tai platus tinklas. O plačiais tinklais sugaunama daugiau žuvų – ir daugiau šalutinio laimikio.

Ką iš tikrųjų daro „DI kūno skenavimas“ ir veido atpažinimas

Naudingas būdas suprasti šiuos įrankius yra tai, kad jie vaizdo įrašus paverčia ieškomais duomenimis.

Tradicinė vaizdo stebėjimo sistema dažniausiai yra pasyvi: ji įrašo filmuotą medžiagą, kurią kažkas gali peržiūrėti vėliau. Dirbtiniu intelektu paremta vaizdo stebėjimo sistema yra aktyvi: ji bando pažymėti tai, ką mato, tuo metu, kai tai įvyksta.

Veido atpažinimas (akivaizdus dalykas)

Veido atpažinimo sistema bando sukurti „veido atspaudą“ iš kameros filmuotos medžiagos ir palyginti jį su saugomu sąrašu. Jei randamas artimas atitikmuo, sistema gali įspėti darbuotoją, užrakinti duris, informuoti apsaugą arba tiesiog užregistruoti įvykį.

Parduotuvės požiūriu, tai patrauklu, nes žada nuoseklumą: tą patį asmenį, kuris vogė praėjusią savaitę, šiandien galima pastebėti prie įėjimo.

Tačiau tai taip pat kelia aštrų klausimą: iš kur atsiranda nuorodų sąrašas ir kaip kas nors jo netenka?

Dirbtinio intelekto kūno skenavimas (mažiau intuityvus, bet dažnai dažnesnis)

BBC ataskaitoje kartu su veido atpažinimu minimas ir dirbtinio intelekto kūno skenavimas. Daugelyje diegimų „kūno skenavimas“ nereiškia mokslinės fantastikos viso kūno skaitytuvo. Dažnai tai reiškia sistemą, kuri aptinka ir seka žmones pagal kūno formą, laikyseną, drabužių siluetą ar judesį.

Kodėl mažmenininkas turėtų tai naudoti?

Kūno pagrindu atliekamas identifikavimas gali veikti net tada, kai veidas yra iš dalies uždengtas.
Jis gali sekti asmenį keliais kameros kampais.
Jis gali „elgesį“ (užsibūti vietoje, greitai judėti, grįžti prie lentynos) įvardyti kaip modelius.

Būtent ši dalis ir neramina pilietinių laisvių gynėjus: norint, kad su jumis būtų elgiamasi kaip su „asmeniu, kurį turėtume stebėti“, nebūtina prisistatyti vardu.

Tyli stebimųjų sąrašų galia

Pilietinių laisvių gynėjai BBC sakė, kad visuomenė iš savo pagrindinių gatvių įtraukiama į „slaptus stebėjimo sąrašus ir elektroninius juoduosius sąrašus“.

Ta kalba yra svarbi, nes ji apibūdina kažką daugiau nei vienos parduotuvės sprendimas uždrausti klientui prekiauti.

Stebėjimo sąrašas tampa reikšmingesnis, kai turi šias savybes:

Tai išlieka laikui bėgant.Akimirksniu jus gali lydėti įtarimas ir ateityje.
Jis keliauja tarp vietų.Vienos parduotuvės vėliava gali turėti įtakos tam, kaip su jumis elgiamasi kitoje.
Sunku ginčytis.Jei sistema niekada nepraneša, kad buvote pažymėtas, negalite to užginčyti.

Net ir be oficialaus „draudimo“, stebėjimo sąrašas gali nulemti rezultatus:

personalas į jus žiūri kitaip
esi atidžiau stebimas
jums neleidžiama įeiti
saugumas iškviečiamas anksčiau, nei būtų kitaip

Rizika yra ne tik klaidingai teigiami rezultatai – jie tampa lipnūs.

Ką sako įstatymas, palyginti su tuo, ką žmonės patiria

BBC pranešime teigiama, kad vyriausybės pozicija yra tokia, jog komercinis veido atpažinimas yra teisėtas, tačiau jo naudojimas turi atitikti griežtus duomenų apsaugos įstatymus ir būti naudojamas skaidriai.

Tame viename sakinyje slypi tikrasis mūšio laukas.

„Legalu“ nėra tas pats, kas „socialiai priimtina“

Mažmenininkas gali padaryti techniškai teisėtą dalyką ir vis tiek sukelti neigiamą reakciją, jei klientai mano, kad taisyklės yra vienpusės.

Stebėjimo technologijos keičia emocinę apsipirkimo sutartį. Žmonės sutinka su tam tikru nuostolių prevencijos lygiu (kameros, personalas, žymės). Tačiau kai sistema pradeda kategorizuoti lankytojus – galbūt jiems nežinant – santykis pasikeičia iš „parduotuvė saugo savo prekes“ į „parduotuvė mane vertina“.

Skaidrumas yra sunkesnis nei iškabinti ženklą

„Skaidrumas“ skamba kaip lengvai užpildomas langelis: pakabinkite skelbimą prie durų. Tačiau prasmingam skaidrumui reikėtų atsakymų į tokius klausimus:

Ar naudojate veido atpažinimą, ar tik standartinę vaizdo stebėjimo sistemą?
Kokius duomenis saugote ir kiek laiko?
Ar dalijatės duomenimis su kitomis svetainėmis ar partneriais?
Kaip pateikti apeliaciją arba ištaisyti klaidingai paskelbtą vėliavėlę?

Daugumai klientų numatytasis nežinojimas yra neišvengiamas: apie sistemos egzistavimą jie sužino tik tada, kai kas nors nutinka ne taip.

Mažmenininkai nereklamuoja veiklos kompromisų

Mažmenininkai taiko šias sistemas sąnaudoms ir aprėpčiai, tačiau jie paveldi riziką, kuri netelpa į biudžeto skaičiuoklę.

1) Klaidingai teigiami rezultatai daro žalą realiame pasaulyje

Jei sistema pažymi nekaltą asmenį, „žala“ nėra abstrakti. Tai gali būti gėda, bauginimas, atskirtis arba eskalavimas.

Tai taip pat turi grįžtamojo ryšio efektą: kai su kuo nors elgiamasi kaip su įtariamuoju, bet koks nervingas elgesys gali atrodyti labiau „įtartinas“, sustiprindamas pradinę sistemos klaidą.

2) Darbuotojai tampa juodosios dėžės vykdytojais

Kai sistema siunčia įspėjimą, darbuotojai yra priverčiami priimti sprendimą: imtis veiksmų arba ignoruoti.

Jei jie imasi veiksmų ir jie pasirodo esą neteisingi, žmonės prisimena žmogaus sąveiką, o ne algoritmą. Jei jie tai ignoruoja ir įvyksta vagystė, vadovybė gali paklausti, kodėl įspėjimas buvo atmestas.

Taigi, net jei įrankis yra „patariamasis“, jis tampa prievartos pobūdžio darbo vietoje.

3) Technologija skatina misijos plėtrą

Parduotuvėse vagystėms įdiegta sistema vėliau gali būti pritaikyta:

pakartotinių grąžinimo bandymų nustatymas
draudimų dėl asocialaus elgesio vykdymas
darbuotojų veiklos stebėjimas

Misijos perkėlimas ne visada yra piktavališkas. Dažnai tai tiesiog investavimo logika: „Mes jau sumokėjome už šią sistemą; ką daugiau ji gali padaryti?“

Kaip tikėtina, kad vystysis viešas pokalbis

Toliau mažiau kalbama apie aparatinę įrangą ir daugiau apie valdymą.

Artimiausiu metu tikriausiai pamatysime tam tikrą modelį:

daugiau diegimų (ypač kai tiekėjai paketuoja sistemas mažesnėms įmonėms)
daugiau kampanijų, reikalaujančių aiškių taisyklių ir informacijos atskleidimo
daugiau trinties, nes klientai sužino, kad „išmanioji stebėjimo sistema“ egzistuoja kasdienėse vietose

Didžiausią svertą turintys politikos klausimai bus praktiški, o ne filosofiniai:

Kas nustato tikslumo standartus?
Kas tikrina stebimųjų sąrašus?
Kaip žmogus sužino, kad buvo pažymėtas?
Koks yra pašalinimo procesas?

Neturėdami atsakymų, mažmenininkai gali pastebėti, kad priemonė, skirta nuostolių prevencijai, sukuria kitokias išlaidas: žalą reputacijai ir klientų nepasitikėjimą.

Esmė

Dirbtinio intelekto apsaugos nuo vagysčių parduotuvėse sistemos žada pakeisti darbuotojų darbo laiką automatizuotu budrumu, todėl jos plinta iš didelių mažmenininkų į vietines parduotuves. Tačiau kai stebėjimas virsta kategorizavimu – stebimųjų sąrašais, juodaisiais sąrašais ir neskaidriomis „rizikos“ etiketėmis – technologija nustoja būti tylia saugumo priemone ir tampa visuomenės pasitikėjimo problema.

Šaltiniai

BBC naujienos (technologijos):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	Dirbtinio intelekto kovos su vagyste parduotuvėse technologija paaiškinta: veido atpažinimas, stebėjimo sąrašai ir kova už skaidrumą

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.	Mažmenininkai diegia dirbtinio intelekto kūno skenavimą ir veido atpažinimą, kad pažabotų vagystes parduotuvėse. Štai kaip tai veikia, kodėl kritikai perspėja apie slaptus stebėjimo sąrašus ir ką turėtų reikšti skaidrumas.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	Peržiūrėti visus administratoriaus įrašus
How crypto criminals are shifting from exchange hacks to targeting individuals	Kaip kriptovaliutų nusikaltėliai pereina nuo biržų įsilaužimų prie taikymųsi į asmenis
CZT: the wonder material behind faster scans and sharper detectors	CZT: stebuklinga medžiaga, užtikrinanti greitesnį skenavimą ir ryškesnius detektorius
Page Content
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	Dirbtinio intelekto kovos su vagyste parduotuvėse technologija paaiškinta: veido atpažinimas, stebėjimo sąrašai ir kova už skaidrumą
Nature
Climate
AI anti-shoplifting tech: from CCTV to watchlists on the high street	Dirbtinio intelekto apsaugos nuo vagysčių parduotuvėse technologijos: nuo vaizdo stebėjimo kamerų iki stebėjimo sąrašų pagrindinėse gatvėse
/
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.	Mažmenininkai vis dažniau griebiasi „išmaniųjų“ stebėjimo sistemų, kad išspręstų labai seną problemą – vagystes. Naujausia tendencija peržengia standartinių vaizdo stebėjimo sistemų ribas ir naudoja įrankius, kurie realiuoju laiku gali pažymėti veidus, kūnus ar elgesio modelius.
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.	Jimo Connolly nufilmuotame BBC reportaže parodyta, kaip greitai tokio tipo dirbtinio intelekto valdomos kovos su vagystėmis parduotuvėse technologijos iš didelių parduotuvių tinklų persikelia į tokias kasdienes vietas kaip nepriklausomas paštas. Taip pat parodyta, kodėl pasipriešinimas auga taip pat sparčiai: šios sistemos ne tik stebi – jos gali suskirstyti žmones į rizikos kategorijas.
Why the tech is spreading now	Kodėl technologijos plinta dabar
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.	Vagystės parduotuvėse visada buvo mažmeninės prekybos dalis, tačiau su jomis susijusios paskatos pasikeitė. Parduotuvės dirba su mažesniu personalu, daugiau savitarnos kasų ir didesniais kiekiais, per kuriuos prekiaujama mažesnėmis komandomis. Tai sukuria praktinę spragą: mažiau žmonių akių parduotuvėje, bet daugiau galimybių patirti nuostolių.
So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.	Taigi pardavėjai pateikia viliojantį pasiūlymą: išlaikyti maždaug tokį patį darbuotojų skaičių, o budrumą „dauginti“ naudojant programinę įrangą.
The BBC piece notes that some major retailers and independent stores have introduced a mix of:	BBC straipsnyje pažymima, kad kai kurie didieji mažmenininkai ir nepriklausomos parduotuvės pristatė šių produktų derinį:
AI body scans	Dirbtinio intelekto kūno skenavimas
CCTV systems with automated alerts	Vaizdo stebėjimo sistemos su automatiniais perspėjimais
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.	Teoriškai sistemos yra paprastos: užuot prašęs darbuotojų stebėti ekranų sieną, kompiuteris pats stebi ir siunčia darbuotojui žinutę, kai mano, kad kažkas atrodo įtartina.
In practice, “suspicious” can mean several different things depending on the product:	Praktiškai „įtartinas“ gali reikšti kelis skirtingus dalykus, priklausomai nuo produkto:
a face the system thinks matches a previous incident	veidas, kurį sistema laiko atitinkančiu ankstesnį incidentą
a body the system classifies as “known” or “unknown”	kūnas, kurį sistema klasifikuoja kaip „žinomą“ arba „nežinomą“
movement patterns that resemble prior thefts	judėjimo modeliai, primenantys ankstesnes vagystes
That’s a broad net. And broad nets catch more fish — and more bycatch.	Tai platus tinklas. O plačiais tinklais sugaunama daugiau žuvų – ir daugiau šalutinio laimikio.
What “AI body scans” and facial recognition actually do	Ką iš tikrųjų daro „DI kūno skenavimas“ ir veido atpažinimas
A useful way to think about these tools is that they turn video into searchable data.	Naudingas būdas suprasti šiuos įrankius yra tai, kad jie vaizdo įrašus paverčia ieškomais duomenimis.
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.	Tradicinė vaizdo stebėjimo sistema dažniausiai yra pasyvi: ji įrašo filmuotą medžiagą, kurią kažkas gali peržiūrėti vėliau. Dirbtiniu intelektu paremta vaizdo stebėjimo sistema yra aktyvi: ji bando pažymėti tai, ką mato, tuo metu, kai tai įvyksta.
Facial recognition (the obvious one)	Veido atpažinimas (akivaizdus dalykas)
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.	Veido atpažinimo sistema bando sukurti „veido atspaudą“ iš kameros filmuotos medžiagos ir palyginti jį su saugomu sąrašu. Jei randamas artimas atitikmuo, sistema gali įspėti darbuotoją, užrakinti duris, informuoti apsaugą arba tiesiog užregistruoti įvykį.
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.	Parduotuvės požiūriu, tai patrauklu, nes žada nuoseklumą: tą patį asmenį, kuris vogė praėjusią savaitę, šiandien galima pastebėti prie įėjimo.
But it also creates a sharp question: where does the reference list come from, and how does someone get off it?	Tačiau tai taip pat kelia aštrų klausimą: iš kur atsiranda nuorodų sąrašas ir kaip kas nors jo netenka?
AI body scans (less intuitive, but often more common)	Dirbtinio intelekto kūno skenavimas (mažiau intuityvus, bet dažnai dažnesnis)
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 ataskaitoje kartu su veido atpažinimu minimas ir dirbtinio intelekto kūno skenavimas. Daugelyje diegimų „kūno skenavimas“ nereiškia mokslinės fantastikos viso kūno skaitytuvo. Dažnai tai reiškia sistemą, kuri aptinka ir seka žmones pagal kūno formą, laikyseną, drabužių siluetą ar judesį.
Why would a retailer use this?	Kodėl mažmenininkas turėtų tai naudoti?
Body-based identification can work even when the face is partially obscured.	Kūno pagrindu atliekamas identifikavimas gali veikti net tada, kai veidas yra iš dalies uždengtas.
It can track a person across multiple camera angles.	Jis gali sekti asmenį keliais kameros kampais.
It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.	Jis gali „elgesį“ (užsibūti vietoje, greitai judėti, grįžti prie lentynos) įvardyti kaip modelius.
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.”	Būtent ši dalis ir neramina pilietinių laisvių gynėjus: norint, kad su jumis būtų elgiamasi kaip su „asmeniu, kurį turėtume stebėti“, nebūtina prisistatyti vardu.
The quiet power of watchlists	Tyli stebimųjų sąrašų galia
Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.	Pilietinių laisvių gynėjai BBC sakė, kad visuomenė iš savo pagrindinių gatvių įtraukiama į „slaptus stebėjimo sąrašus ir elektroninius juoduosius sąrašus“.
That language matters, because it describes something bigger than a single shop deciding to ban a customer.	Ta kalba yra svarbi, nes ji apibūdina kažką daugiau nei vienos parduotuvės sprendimas uždrausti klientui prekiauti.
A watchlist becomes more consequential when it has these features:	Stebėjimo sąrašas tampa reikšmingesnis, kai turi šias savybes:
It persists over time.
A moment of suspicion can follow you to future visits.	Akimirksniu jus gali lydėti įtarimas ir ateityje.
It travels between locations.
A flag from one shop can influence how you’re treated in another.	Vienos parduotuvės vėliava gali turėti įtakos tam, kaip su jumis elgiamasi kitoje.
It is hard to contest.
If the system never tells you that you were flagged, you can’t challenge it.	Jei sistema niekada nepraneša, kad buvote pažymėtas, negalite to užginčyti.
Even without a formal “ban,” a watchlist can shape outcomes:	Net ir be oficialaus „draudimo“, stebėjimo sąrašas gali nulemti rezultatus:
staff approach you differently	personalas į jus žiūri kitaip
you’re watched more closely
you’re denied entry
security is called earlier than it otherwise would be	saugumas iškviečiamas anksčiau, nei būtų kitaip
The risk is not only false positives — it’s that false positives become sticky.	Rizika yra ne tik klaidingai teigiami rezultatai – jie tampa lipnūs.
What the law says vs what people experience	Ką sako įstatymas, palyginti su tuo, ką žmonės patiria
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 pranešime teigiama, kad vyriausybės pozicija yra tokia, jog komercinis veido atpažinimas yra teisėtas, tačiau jo naudojimas turi atitikti griežtus duomenų apsaugos įstatymus ir būti naudojamas skaidriai.
That single sentence contains the real battleground.	Tame viename sakinyje slypi tikrasis mūšio laukas.
“Legal” isn’t the same as “socially acceptable”	„Legalu“ nėra tas pats, kas „socialiai priimtina“
A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.	Mažmenininkas gali padaryti techniškai teisėtą dalyką ir vis tiek sukelti neigiamą reakciją, jei klientai mano, kad taisyklės yra vienpusės.
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.”	Stebėjimo technologijos keičia emocinę apsipirkimo sutartį. Žmonės sutinka su tam tikru nuostolių prevencijos lygiu (kameros, personalas, žymės). Tačiau kai sistema pradeda kategorizuoti lankytojus – galbūt jiems nežinant – santykis pasikeičia iš „parduotuvė saugo savo prekes“ į „parduotuvė mane vertina“.
Transparency is harder than putting up a sign	Skaidrumas yra sunkesnis nei iškabinti ženklą
“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:	„Skaidrumas“ skamba kaip lengvai užpildomas langelis: pakabinkite skelbimą prie durų. Tačiau prasmingam skaidrumui reikėtų atsakymų į tokius klausimus:
Are you using facial recognition, or only standard CCTV?	Ar naudojate veido atpažinimą, ar tik standartinę vaizdo stebėjimo sistemą?
What data do you store, and for how long?	Kokius duomenis saugote ir kiek laiko?
Do you share the data with any other sites or partners?	Ar dalijatės duomenimis su kitomis svetainėmis ar partneriais?
How does someone appeal or correct a mistaken flag?	Kaip pateikti apeliaciją arba ištaisyti klaidingai paskelbtą vėliavėlę?
For most customers, the default is ignorance: they only learn a system exists when something goes wrong.	Daugumai klientų numatytasis nežinojimas yra neišvengiamas: apie sistemos egzistavimą jie sužino tik tada, kai kas nors nutinka ne taip.
The operational trade-offs retailers don’t advertise	Mažmenininkai nereklamuoja veiklos kompromisų
Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.	Mažmenininkai taiko šias sistemas sąnaudoms ir aprėpčiai, tačiau jie paveldi riziką, kuri netelpa į biudžeto skaičiuoklę.
1) False positives create real-world harm	1) Klaidingai teigiami rezultatai daro žalą realiame pasaulyje
If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.	Jei sistema pažymi nekaltą asmenį, „žala“ nėra abstrakti. Tai gali būti gėda, bauginimas, atskirtis arba eskalavimas.
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.	Tai taip pat turi grįžtamojo ryšio efektą: kai su kuo nors elgiamasi kaip su įtariamuoju, bet koks nervingas elgesys gali atrodyti labiau „įtartinas“, sustiprindamas pradinę sistemos klaidą.
2) Staff become enforcers of a black box	2) Darbuotojai tampa juodosios dėžės vykdytojais
When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.	Kai sistema siunčia įspėjimą, darbuotojai yra priverčiami priimti sprendimą: imtis veiksmų arba ignoruoti.
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.	Jei jie imasi veiksmų ir jie pasirodo esą neteisingi, žmonės prisimena žmogaus sąveiką, o ne algoritmą. Jei jie tai ignoruoja ir įvyksta vagystė, vadovybė gali paklausti, kodėl įspėjimas buvo atmestas.
So even if the tool is “advisory,” it becomes coercive inside the workplace.	Taigi, net jei įrankis yra „patariamasis“, jis tampa prievartos pobūdžio darbo vietoje.
3) The tech invites mission creep	3) Technologija skatina misijos plėtrą
A system installed for shoplifting might later be repurposed for:	Parduotuvėse vagystėms įdiegta sistema vėliau gali būti pritaikyta:
identifying repeat refund attempts	pakartotinių grąžinimo bandymų nustatymas
enforcing bans for anti-social behaviour	draudimų dėl asocialaus elgesio vykdymas
tracking staff performance	darbuotojų veiklos stebėjimas
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?”	Misijos perkėlimas ne visada yra piktavališkas. Dažnai tai tiesiog investavimo logika: „Mes jau sumokėjome už šią sistemą; ką daugiau ji gali padaryti?“
How the public conversation is likely to evolve	Kaip tikėtina, kad vystysis viešas pokalbis
What comes next is less about the hardware and more about governance.	Toliau mažiau kalbama apie aparatinę įrangą ir daugiau apie valdymą.
In the short term, we’ll probably see a pattern:	Artimiausiu metu tikriausiai pamatysime tam tikrą modelį:
more deployments (especially as vendors package systems for smaller businesses)	daugiau diegimų (ypač kai tiekėjai paketuoja sistemas mažesnėms įmonėms)
more campaigns demanding clear rules and disclosure	daugiau kampanijų, reikalaujančių aiškių taisyklių ir informacijos atskleidimo
more friction as customers learn that “smart surveillance” exists in everyday locations	daugiau trinties, nes klientai sužino, kad „išmanioji stebėjimo sistema“ egzistuoja kasdienėse vietose
The highest-leverage policy questions will be practical rather than philosophical:	Didžiausią svertą turintys politikos klausimai bus praktiški, o ne filosofiniai:
Who sets the standards for accuracy?	Kas nustato tikslumo standartus?
Who audits the watchlists?	Kas tikrina stebimųjų sąrašus?
How does someone learn they were flagged?	Kaip žmogus sužino, kad buvo pažymėtas?
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.	Neturėdami atsakymų, mažmenininkai gali pastebėti, kad priemonė, skirta nuostolių prevencijai, sukuria kitokias išlaidas: žalą reputacijai ir klientų nepasitikėjimą.
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.	Dirbtinio intelekto apsaugos nuo vagysčių parduotuvėse sistemos žada pakeisti darbuotojų darbo laiką automatizuotu budrumu, todėl jos plinta iš didelių mažmenininkų į vietines parduotuves. Tačiau kai stebėjimas virsta kategorizavimu – stebimųjų sąrašais, juodaisiais sąrašais ir neskaidriomis „rizikos“ etiketėmis – technologija nustoja būti tylia saugumo priemone ir tampa visuomenės pasitikėjimo problema.
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	Peržiūrėti visus administratoriaus įrašus
How crypto criminals are shifting from exchange hacks to targeting individuals	Kaip kriptovaliutų nusikaltėliai pereina nuo biržų įsilaužimų prie taikymųsi į asmenis
CZT: the wonder material behind faster scans and sharper detectors	CZT: stebuklinga medžiaga, užtikrinanti greitesnį skenavimą ir ryškesnius detektorius
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.	Mažmenininkai diegia dirbtinio intelekto kūno skenavimą ir veido atpažinimą, kad pažabotų vagystes parduotuvėse. Štai kaip tai veikia, kodėl kritikai perspėja apie slaptus stebėjimo sąrašus ir ką turėtų reikšti skaidrumas.

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	Puslapis nerastas - 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	Puslapis nerastas - Florin.blog
Skip to content
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?	Panašu, kad nuoroda čia buvo klaidinga. Gal pabandykite paieškoti?
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.	Kaip „Amazon“ partneriai, mes gauname pajamų iš kvalifikuotų pirkinių – jums tai nekainuos papildomai.
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...