Mākslīgā intelekta pretzagļu tehnoloģija veikalos paskaidrota: sejas atpazīšana, vērošanas saraksti un cīņa par pārredzamību

Mazumtirgotāji arvien vairāk pievēršas “viedajai” novērošanai, lai risinātu ļoti senu problēmu: zādzības. Jaunākā tendence pārsniedz standarta videonovērošanas iespējas, izmantojot rīkus, kas reāllaikā var atzīmēt sejas, ķermeņus vai uzvedības modeļus.

Džima Konolija filmētā BBC reportāža parāda, cik ātri šāda veida mākslīgā intelekta vadīta pretzagļu tehnoloģija pāriet no lieliem veikalu tīkliem uz ikdienas vietām, piemēram, neatkarīgām pasta nodaļām. Tā arī parāda, kāpēc pretestība pieaug tikpat strauji: šīs sistēmas ne tikai novēro — tās var šķirot cilvēkus riska kategorijās.

Kāpēc tehnoloģijas tagad izplatās

Zādzības veikalos vienmēr ir bijušas daļa no mazumtirdzniecības, taču ar tām saistītie stimuli ir mainījušies. Veikali darbojas ar mazāku personāla noslogojumu, vairāk pašapkalpošanās kasēm un lielākiem apjomiem, kas pārvietojas caur mazākām komandām. Tas rada praktisku plaisu: mazāk cilvēku acu uz tirdzniecības vietas, bet lielāka iespēja zaudēt.

Tāpēc pārdevēji piedāvā vilinošu priekšlikumu: saglabāt personāla skaitu aptuveni nemainīgu, vienlaikus "reizinot" modrību, izmantojot programmatūru.

BBC rakstā norādīts, ka daži lielākie mazumtirgotāji un neatkarīgie veikali ir ieviesuši dažādu produktu kombināciju:

AI ķermeņa skenēšana
Videonovērošanas sistēmas ar automatizētām brīdināšanas ierīcēm
sejas atpazīšanas iekārtas

Uz papīra sistēmas ir vienkāršas: tā vietā, lai lūgtu darbiniekiem vērot ekrānu sienu, dators pats novēro un nosūta darbiniekam ziņu, kad tam šķiet, ka kaut kas izskatās aizdomīgs.

Praksē “aizdomīgs” var nozīmēt vairākas dažādas lietas atkarībā no produkta:

seja, ko sistēma uzskata par atbilstošu iepriekšējam incidentam
ķermenis, ko sistēma klasificē kā “zināmu” vai “nezināmu”
kustību modeļi, kas atgādina iepriekšējās zādzības

Tas ir plats tīkls. Un platie tīkli noķer vairāk zivju — un vairāk piezvejas.

Ko patiesībā dara “mākslīgā intelekta ķermeņa skenēšana” un sejas atpazīšana

Noderīgs veids, kā domāt par šiem rīkiem, ir tas, ka tie pārvērš video meklējamos datos.

Tradicionālā videonovērošana lielākoties ir pasīva: tā ieraksta materiālus, kurus kāds varētu vēlāk pārskatīt. Ar mākslīgo intelektu aprīkotā videonovērošana ir aktīva: tā mēģina apzīmēt redzēto, tiklīdz tas notiek.

Sejas atpazīšana (acīmredzamā)

Sejas atpazīšanas sistēma mēģina izveidot “sejas nospiedumu” no kameras ieraksta un salīdzināt to ar saglabātu sarakstu. Ja ir tuva atbilstība, sistēma var brīdināt darbinieku, aizslēgt durvis, paziņot apsardzei vai vienkārši reģistrēt notikumu.

No veikala viedokļa tas ir pievilcīgi, jo sola konsekvenci: to pašu personu, kas zaga pagājušajā nedēļā, šodien var pamanīt pie ieejas.

Bet tas rada arī asu jautājumu: no kurienes rodas atsauču saraksts un kā kāds var no tā tikt vaļā?

AI ķermeņa skenēšana (mazāk intuitīva, bet bieži vien biežāka)

BBC ziņojumā līdzās sejas atpazīšanai minētas mākslīgā intelekta ķermeņa skenēšanas. Daudzos ieviešanas gadījumos “ķermeņa skenēšana” nenozīmē zinātniskās fantastikas pilna ķermeņa skeneri. Bieži vien tā nozīmē sistēmu, kas atpazīst un izseko cilvēkus, pamatojoties uz ķermeņa formu, stāju, apģērba siluetu vai kustību.

Kāpēc mazumtirgotājs to izmantotu?

Identifikācija pēc ķermeņa var darboties pat tad, ja seja ir daļēji aizsegta.
Tas var izsekot cilvēku no vairākiem kameras leņķiem.
Tas var apzīmēt “uzvedību” (kavēšanos, ātru pārvietošanos, atgriešanos pie plaukta) kā modeļus.

Šī ir tā daļa, kas pilsoņu brīvību aizstāvjus satrauc: jums, iespējams, nav jābūt identificētam vārdā, lai pret jums izturētos kā pret "kādu, kuru mums vajadzētu novērot".

Vērošanas sarakstu klusais spēks

Pilsoņu brīvību aktīvisti BBC pastāstīja, ka sabiedrība tiek iekļauta "slepenos novērošanas sarakstos un elektroniski melnajos sarakstos" no savām galvenajām ielām.

Šai valodai ir nozīme, jo tā apraksta kaut ko lielāku nekā viena veikala lēmums aizliegt klientu.

Novērošanas saraksts kļūst nozīmīgāks, ja tam ir šādas funkcijas:

Tas saglabājas laika gaitā.Nākamajās vizītēs jūs var pavadīt aizdomu brīdis.
Tas pārvietojas starp vietām.Karogs vienā veikalā var ietekmēt to, kā pret jums izturas citā.
To ir grūti apstrīdēt.Ja sistēma nekad nepaziņo, ka esat atzīmēts ar karodziņu, jūs to nevarat apstrīdēt.

Pat bez oficiāla “aizlieguma” novērošanas saraksts var ietekmēt rezultātus:

personāls pret jums vēršas atšķirīgi
tevi vēro rūpīgāk
jums ir liegta iebraukšana
drošība tiek izsaukta agrāk, nekā tā citādi būtu

Risks nav tikai viltus pozitīvi rezultāti — viltus pozitīvie rezultāti kļūst lipīgi.

Ko saka likums, salīdzinot ar to, ko cilvēki piedzīvo

BBC ziņojumā teikts, ka valdības nostāja ir tāda, ka komerciāla sejas atpazīšana ir likumīga, taču tās lietošanai ir jāatbilst stingriem datu aizsardzības likumiem un tā jāizmanto pārredzami.

Šis viens teikums satur īsto kaujas lauku.

“Likumīgs” nav tas pats, kas “sociāli pieņemams”

Mazumtirgotājs var darīt kaut ko tehniski likumīgu un joprojām izraisīt negatīvu reakciju, ja klienti uzskata, ka noteikumi ir vienpusēji.

Novērošanas tehnoloģijas maina iepirkšanās emocionālo līgumu. Cilvēki pieņem noteiktu zaudējumu novēršanas līmeni (kameras, personāls, birkas). Taču, kad sistēma sāk apmeklētājus kategorizēt — iespējams, viņiem nezinot —, attiecības mainās no “veikals aizsargā savas preces” uz “veikals mani novērtē”.

Caurspīdīgums ir grūtāks nekā zīmes izvietošana

“Caurspīdīgums” izklausās pēc viegli atzīmējama lodziņa: pievienojiet paziņojumu pie durvīm. Taču jēgpilnai pārredzamībai būtu nepieciešamas atbildes uz tādiem jautājumiem kā:

Vai jūs izmantojat sejas atpazīšanu vai tikai standarta videonovērošanu?
Kādus datus jūs glabājat un cik ilgi?
Vai jūs kopīgojat datus ar citām vietnēm vai partneriem?
Kā kāds var iesniegt apelāciju vai labot kļūdainu karodziņu?

Lielākajai daļai klientu noklusējuma iestatījums ir nezināšana: viņi uzzina par sistēmas pastāvēšanu tikai tad, kad kaut kas noiet greizi.

Operacionālie kompromisi, ko mazumtirgotāji nereklamē

Mazumtirgotāji izmanto šīs sistēmas izmaksu un seguma noteikšanai, taču tie pārmanto riskus, kas precīzi neietilpst budžeta izklājlapā.

1) Viltus pozitīvi rezultāti rada reālu kaitējumu

Ja sistēma atzīmē nevainīgu personu, “kaitējums” nav abstrakts. Tas var būt apkaunojums, iebiedēšana, izslēgšana vai eskalācija.

Tam ir arī atgriezeniskās saites efekts: tiklīdz pret kādu izturas kā pret aizdomās turamo, jebkura nervoza uzvedība var izskatīties “aizdomīgāka”, pastiprinot sistēmas sākotnējo kļūdu.

2) Darbinieki kļūst par melnās kastes uzraugiem

Kad sistēma nosūta brīdinājumu, darbinieki tiek piespiesti pieņemt lēmumu: rīkoties atbilstoši brīdinājumam vai ignorēt to.

Ja viņi rīkojas un tas ir nepareizi, cilvēki atceras cilvēcisko mijiedarbību, nevis algoritmu. Ja viņi to ignorē un notiek zādzība, vadība var jautāt, kāpēc brīdinājums tika noraidīts.

Tātad, pat ja rīks ir “ieteicams”, tas darba vietā kļūst par piespiedu līdzekli.

3) Tehnoloģija veicina misijas izplatīšanos

Veikalu zādzību novēršanai uzstādīta sistēma vēlāk varētu tikt pārveidota:

atkārtotu atmaksas mēģinājumu identificēšana
aizliegumu piemērošana antisociālas uzvedības gadījumā
personāla snieguma izsekošana

Misijas paplašināšana ne vienmēr ir ļaunprātīga. Bieži vien tā ir tikai investīcijas loģika: "Mēs jau samaksājām par šo sistēmu; ko gan citu tā var darīt?"

Kā, visticamāk, attīstīsies publiskā diskusija

Tālāk mazāk būs runa par aparatūru un vairāk par pārvaldību.

Īstermiņā mēs, iespējams, redzēsim modeli:

vairāk izvietojumu (īpaši tāpēc, ka pārdevēji pakotnēs piedāvā sistēmas mazākiem uzņēmumiem)
vairāk kampaņu, pieprasot skaidrus noteikumus un atklātību
lielāka berze, jo klienti uzzina, ka “viedā novērošana” pastāv ikdienas vietās

Vislielākās ietekmes politikas jautājumi būs praktiski, nevis filozofiski:

Kas nosaka precizitātes standartus?
Kas veic vērošanas sarakstu auditu?
Kā kāds uzzina, ka viņam ir atzīmēts karodziņš?
Kāds ir noņemšanas process?

Bez atbildēm mazumtirgotāji var atklāt, ka rīks, kas paredzēts zaudējumu novēršanai, rada cita veida izmaksas: reputācijas kaitējumu un klientu neuzticēšanos.

Apakšējā līnija

Mākslīgā intelekta sistēmas pret veikalu zādzībām sola aizstāt darbinieku trūkstošo laiku ar automatizētu modrību, un tāpēc tās izplatās no lieliem mazumtirgotājiem uz vietējiem veikaliem. Taču, kad uzraudzība pārvēršas kategorizācijā — novērošanas sarakstos, melnajos sarakstos un necaurspīdīgās “riska” etiķetēs —, tehnoloģija pārstāj būt kluss drošības pasākums un kļūst par sabiedrības uzticēšanās problēmu.

Avoti

BBC ziņas (tehnoloģijas):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	Mākslīgā intelekta pretzagļu tehnoloģija veikalos paskaidrota: sejas atpazīšana, vērošanas saraksti un cīņa par pārredzamību

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.	Mazumtirgotāji izmanto mākslīgā intelekta ķermeņa skenēšanu un sejas atpazīšanu, lai ierobežotu zādzības veikalos. Lūk, kā tas darbojas, kāpēc kritiķi brīdina par slepeniem uzraudzības sarakstiem un ko nozīmē pārredzamība.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	Skatīt visus administratora ierakstus
How crypto criminals are shifting from exchange hacks to targeting individuals	Kā kriptovalūtu noziedznieki pāriet no biržu uzlaušanas uz indivīdu mērķēšanu
CZT: the wonder material behind faster scans and sharper detectors	CZT: brīnummateriāls, kas nodrošina ātrāku skenēšanu un asākus detektorus
Page Content
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	Mākslīgā intelekta pretzagļu tehnoloģija veikalos paskaidrota: sejas atpazīšana, vērošanas saraksti un cīņa par pārredzamību
Nature
Climate
AI anti-shoplifting tech: from CCTV to watchlists on the high street	Mākslīgā intelekta tehnoloģijas pret zādzībām veikalos: no videonovērošanas līdz vērošanas sarakstiem ielās
/
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.	Mazumtirgotāji arvien vairāk pievēršas “viedajai” novērošanai, lai risinātu ļoti senu problēmu: zādzības. Jaunākā tendence pārsniedz standarta videonovērošanas iespējas, izmantojot rīkus, kas reāllaikā var atzīmēt sejas, ķermeņus vai uzvedības modeļus.
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.	Džima Konolija filmētā BBC reportāža parāda, cik ātri šāda veida mākslīgā intelekta vadīta pretzagļu tehnoloģija pāriet no lieliem veikalu tīkliem uz ikdienas vietām, piemēram, neatkarīgām pasta nodaļām. Tā arī parāda, kāpēc pretestība pieaug tikpat strauji: šīs sistēmas ne tikai novēro — tās var šķirot cilvēkus riska kategorijās.
Why the tech is spreading now	Kāpēc tehnoloģijas tagad izplatās
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.	Zādzības veikalos vienmēr ir bijušas daļa no mazumtirdzniecības, taču ar tām saistītie stimuli ir mainījušies. Veikali darbojas ar mazāku personāla noslogojumu, vairāk pašapkalpošanās kasēm un lielākiem apjomiem, kas pārvietojas caur mazākām komandām. Tas rada praktisku plaisu: mazāk cilvēku acu uz tirdzniecības vietas, bet lielāka iespēja zaudēt.
So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.	Tāpēc pārdevēji piedāvā vilinošu priekšlikumu: saglabāt personāla skaitu aptuveni nemainīgu, vienlaikus "reizinot" modrību, izmantojot programmatūru.
The BBC piece notes that some major retailers and independent stores have introduced a mix of:	BBC rakstā norādīts, ka daži lielākie mazumtirgotāji un neatkarīgie veikali ir ieviesuši dažādu produktu kombināciju:
AI body scans
CCTV systems with automated alerts	Videonovērošanas sistēmas ar automatizētām brīdināšanas ierīcēm
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.	Uz papīra sistēmas ir vienkāršas: tā vietā, lai lūgtu darbiniekiem vērot ekrānu sienu, dators pats novēro un nosūta darbiniekam ziņu, kad tam šķiet, ka kaut kas izskatās aizdomīgs.
In practice, “suspicious” can mean several different things depending on the product:	Praksē “aizdomīgs” var nozīmēt vairākas dažādas lietas atkarībā no produkta:
a face the system thinks matches a previous incident	seja, ko sistēma uzskata par atbilstošu iepriekšējam incidentam
a body the system classifies as “known” or “unknown”	ķermenis, ko sistēma klasificē kā “zināmu” vai “nezināmu”
movement patterns that resemble prior thefts	kustību modeļi, kas atgādina iepriekšējās zādzības
That’s a broad net. And broad nets catch more fish — and more bycatch.	Tas ir plats tīkls. Un platie tīkli noķer vairāk zivju — un vairāk piezvejas.
What “AI body scans” and facial recognition actually do	Ko patiesībā dara “mākslīgā intelekta ķermeņa skenēšana” un sejas atpazīšana
A useful way to think about these tools is that they turn video into searchable data.	Noderīgs veids, kā domāt par šiem rīkiem, ir tas, ka tie pārvērš video meklējamos datos.
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.	Tradicionālā videonovērošana lielākoties ir pasīva: tā ieraksta materiālus, kurus kāds varētu vēlāk pārskatīt. Ar mākslīgo intelektu aprīkotā videonovērošana ir aktīva: tā mēģina apzīmēt redzēto, tiklīdz tas notiek.
Facial recognition (the obvious one)	Sejas atpazīšana (acīmredzamā)
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.	Sejas atpazīšanas sistēma mēģina izveidot “sejas nospiedumu” no kameras ieraksta un salīdzināt to ar saglabātu sarakstu. Ja ir tuva atbilstība, sistēma var brīdināt darbinieku, aizslēgt durvis, paziņot apsardzei vai vienkārši reģistrēt notikumu.
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.	No veikala viedokļa tas ir pievilcīgi, jo sola konsekvenci: to pašu personu, kas zaga pagājušajā nedēļā, šodien var pamanīt pie ieejas.
But it also creates a sharp question: where does the reference list come from, and how does someone get off it?	Bet tas rada arī asu jautājumu: no kurienes rodas atsauču saraksts un kā kāds var no tā tikt vaļā?
AI body scans (less intuitive, but often more common)	AI ķermeņa skenēšana (mazāk intuitīva, bet bieži vien biežāka)
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 ziņojumā līdzās sejas atpazīšanai minētas mākslīgā intelekta ķermeņa skenēšanas. Daudzos ieviešanas gadījumos “ķermeņa skenēšana” nenozīmē zinātniskās fantastikas pilna ķermeņa skeneri. Bieži vien tā nozīmē sistēmu, kas atpazīst un izseko cilvēkus, pamatojoties uz ķermeņa formu, stāju, apģērba siluetu vai kustību.
Why would a retailer use this?	Kāpēc mazumtirgotājs to izmantotu?
Body-based identification can work even when the face is partially obscured.	Identifikācija pēc ķermeņa var darboties pat tad, ja seja ir daļēji aizsegta.
It can track a person across multiple camera angles.	Tas var izsekot cilvēku no vairākiem kameras leņķiem.
It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.	Tas var apzīmēt “uzvedību” (kavēšanos, ātru pārvietošanos, atgriešanos pie plaukta) kā modeļus.
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.”	Šī ir tā daļa, kas pilsoņu brīvību aizstāvjus satrauc: jums, iespējams, nav jābūt identificētam vārdā, lai pret jums izturētos kā pret "kādu, kuru mums vajadzētu novērot".
The quiet power of watchlists	Vērošanas sarakstu klusais spēks
Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.	Pilsoņu brīvību aktīvisti BBC pastāstīja, ka sabiedrība tiek iekļauta "slepenos novērošanas sarakstos un elektroniski melnajos sarakstos" no savām galvenajām ielām.
That language matters, because it describes something bigger than a single shop deciding to ban a customer.	Šai valodai ir nozīme, jo tā apraksta kaut ko lielāku nekā viena veikala lēmums aizliegt klientu.
A watchlist becomes more consequential when it has these features:	Novērošanas saraksts kļūst nozīmīgāks, ja tam ir šādas funkcijas:
It persists over time.
A moment of suspicion can follow you to future visits.	Nākamajās vizītēs jūs var pavadīt aizdomu brīdis.
It travels between locations.	Tas pārvietojas starp vietām.
A flag from one shop can influence how you’re treated in another.	Karogs vienā veikalā var ietekmēt to, kā pret jums izturas citā.
It is hard to contest.
If the system never tells you that you were flagged, you can’t challenge it.	Ja sistēma nekad nepaziņo, ka esat atzīmēts ar karodziņu, jūs to nevarat apstrīdēt.
Even without a formal “ban,” a watchlist can shape outcomes:	Pat bez oficiāla “aizlieguma” novērošanas saraksts var ietekmēt rezultātus:
staff approach you differently	personāls pret jums vēršas atšķirīgi
you’re watched more closely
you’re denied entry
security is called earlier than it otherwise would be	drošība tiek izsaukta agrāk, nekā tā citādi būtu
The risk is not only false positives — it’s that false positives become sticky.	Risks nav tikai viltus pozitīvi rezultāti — viltus pozitīvie rezultāti kļūst lipīgi.
What the law says vs what people experience	Ko saka likums, salīdzinot ar to, ko cilvēki piedzīvo
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 ziņojumā teikts, ka valdības nostāja ir tāda, ka komerciāla sejas atpazīšana ir likumīga, taču tās lietošanai ir jāatbilst stingriem datu aizsardzības likumiem un tā jāizmanto pārredzami.
That single sentence contains the real battleground.	Šis viens teikums satur īsto kaujas lauku.
“Legal” isn’t the same as “socially acceptable”	“Likumīgs” nav tas pats, kas “sociāli pieņemams”
A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.	Mazumtirgotājs var darīt kaut ko tehniski likumīgu un joprojām izraisīt negatīvu reakciju, ja klienti uzskata, ka noteikumi ir vienpusēji.
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.”	Novērošanas tehnoloģijas maina iepirkšanās emocionālo līgumu. Cilvēki pieņem noteiktu zaudējumu novēršanas līmeni (kameras, personāls, birkas). Taču, kad sistēma sāk apmeklētājus kategorizēt — iespējams, viņiem nezinot —, attiecības mainās no “veikals aizsargā savas preces” uz “veikals mani novērtē”.
Transparency is harder than putting up a sign	Caurspīdīgums ir grūtāks nekā zīmes izvietošana
“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:	“Caurspīdīgums” izklausās pēc viegli atzīmējama lodziņa: pievienojiet paziņojumu pie durvīm. Taču jēgpilnai pārredzamībai būtu nepieciešamas atbildes uz tādiem jautājumiem kā:
Are you using facial recognition, or only standard CCTV?	Vai jūs izmantojat sejas atpazīšanu vai tikai standarta videonovērošanu?
What data do you store, and for how long?	Kādus datus jūs glabājat un cik ilgi?
Do you share the data with any other sites or partners?	Vai jūs kopīgojat datus ar citām vietnēm vai partneriem?
How does someone appeal or correct a mistaken flag?	Kā kāds var iesniegt apelāciju vai labot kļūdainu karodziņu?
For most customers, the default is ignorance: they only learn a system exists when something goes wrong.	Lielākajai daļai klientu noklusējuma iestatījums ir nezināšana: viņi uzzina par sistēmas pastāvēšanu tikai tad, kad kaut kas noiet greizi.
The operational trade-offs retailers don’t advertise	Operacionālie kompromisi, ko mazumtirgotāji nereklamē
Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.	Mazumtirgotāji izmanto šīs sistēmas izmaksu un seguma noteikšanai, taču tie pārmanto riskus, kas precīzi neietilpst budžeta izklājlapā.
1) False positives create real-world harm	1) Viltus pozitīvi rezultāti rada reālu kaitējumu
If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.	Ja sistēma atzīmē nevainīgu personu, “kaitējums” nav abstrakts. Tas var būt apkaunojums, iebiedēšana, izslēgšana vai eskalācija.
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.	Tam ir arī atgriezeniskās saites efekts: tiklīdz pret kādu izturas kā pret aizdomās turamo, jebkura nervoza uzvedība var izskatīties “aizdomīgāka”, pastiprinot sistēmas sākotnējo kļūdu.
2) Staff become enforcers of a black box	2) Darbinieki kļūst par melnās kastes uzraugiem
When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.	Kad sistēma nosūta brīdinājumu, darbinieki tiek piespiesti pieņemt lēmumu: rīkoties atbilstoši brīdinājumam vai ignorēt to.
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.	Ja viņi rīkojas un tas ir nepareizi, cilvēki atceras cilvēcisko mijiedarbību, nevis algoritmu. Ja viņi to ignorē un notiek zādzība, vadība var jautāt, kāpēc brīdinājums tika noraidīts.
So even if the tool is “advisory,” it becomes coercive inside the workplace.	Tātad, pat ja rīks ir “ieteicams”, tas darba vietā kļūst par piespiedu līdzekli.
3) The tech invites mission creep	3) Tehnoloģija veicina misijas izplatīšanos
A system installed for shoplifting might later be repurposed for:	Veikalu zādzību novēršanai uzstādīta sistēma vēlāk varētu tikt pārveidota:
identifying repeat refund attempts	atkārtotu atmaksas mēģinājumu identificēšana
enforcing bans for anti-social behaviour	aizliegumu piemērošana antisociālas uzvedības gadījumā
tracking staff performance	personāla snieguma izsekošana
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?”	Misijas paplašināšana ne vienmēr ir ļaunprātīga. Bieži vien tā ir tikai investīcijas loģika: "Mēs jau samaksājām par šo sistēmu; ko gan citu tā var darīt?"
How the public conversation is likely to evolve	Kā, visticamāk, attīstīsies publiskā diskusija
What comes next is less about the hardware and more about governance.	Tālāk mazāk būs runa par aparatūru un vairāk par pārvaldību.
In the short term, we’ll probably see a pattern:	Īstermiņā mēs, iespējams, redzēsim modeli:
more deployments (especially as vendors package systems for smaller businesses)	vairāk izvietojumu (īpaši tāpēc, ka pārdevēji pakotnēs piedāvā sistēmas mazākiem uzņēmumiem)
more campaigns demanding clear rules and disclosure	vairāk kampaņu, pieprasot skaidrus noteikumus un atklātību
more friction as customers learn that “smart surveillance” exists in everyday locations	lielāka berze, jo klienti uzzina, ka “viedā novērošana” pastāv ikdienas vietās
The highest-leverage policy questions will be practical rather than philosophical:	Vislielākās ietekmes politikas jautājumi būs praktiski, nevis filozofiski:
Who sets the standards for accuracy?	Kas nosaka precizitātes standartus?
Who audits the watchlists?	Kas veic vērošanas sarakstu auditu?
How does someone learn they were flagged?	Kā kāds uzzina, ka viņam ir atzīmēts karodziņš?
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.	Bez atbildēm mazumtirgotāji var atklāt, ka rīks, kas paredzēts zaudējumu novēršanai, rada cita veida izmaksas: reputācijas kaitējumu un klientu neuzticēšanos.
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.	Mākslīgā intelekta sistēmas pret veikalu zādzībām sola aizstāt darbinieku trūkstošo laiku ar automatizētu modrību, un tāpēc tās izplatās no lieliem mazumtirgotājiem uz vietējiem veikaliem. Taču, kad uzraudzība pārvēršas kategorizācijā — novērošanas sarakstos, melnajos sarakstos un necaurspīdīgās “riska” etiķetēs —, tehnoloģija pārstāj būt kluss drošības pasākums un kļūst par sabiedrības uzticēšanās problēmu.
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	Skatīt visus administratora ierakstus
How crypto criminals are shifting from exchange hacks to targeting individuals	Kā kriptovalūtu noziedznieki pāriet no biržu uzlaušanas uz indivīdu mērķēšanu
CZT: the wonder material behind faster scans and sharper detectors	CZT: brīnummateriāls, kas nodrošina ātrāku skenēšanu un asākus detektorus
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.	Mazumtirgotāji izmanto mākslīgā intelekta ķermeņa skenēšanu un sejas atpazīšanu, lai ierobežotu zādzības veikalos. Lūk, kā tas darbojas, kāpēc kritiķi brīdina par slepeniem uzraudzības sarakstiem un ko nozīmē pārredzamība.

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	Lapa nav atrasta — 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	Lapa nav atrasta — Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.	Šķiet, ka šī lapa neeksistē.
It looks like the link pointing here was faulty. Maybe try searching?	Izskatās, ka saite, kas norāda uz šejieni, bija kļūdaina. Varbūt pamēģiniet meklēt?
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.	Kā Amazon partneris mēs saņemam komisijas maksu no kvalificētiem pirkumiem — bez papildu izmaksām jums.
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...