Vysvetlenie technológie umelej inteligencie proti krádežiam v obchodoch: rozpoznávanie tváre, zoznamy sledovaných subjektov a boj za transparentnosť

Maloobchodníci sa čoraz viac obracajú na „inteligentný“ dohľad, aby sa vysporiadali s veľmi starým problémom: krádežou. Najnovšia vlna ide nad rámec štandardného CCTV a využíva nástroje, ktoré dokážu v reálnom čase označovať tváre, telá alebo vzorce správania.

Reportáž BBC, ktorú natočil Jim Connolly, ukazuje, ako rýchlo sa tento druh technológie proti krádežiam v obchodoch, riadenej umelou inteligenciou, presúva z veľkých reťazcov do každodenných miest, ako je napríklad nezávislá pošta. Ukazuje tiež, prečo odpor rastie rovnako rýchlo: tieto systémy nielen sledujú – dokážu ľudí triediť do rizikových kategórií.

Prečo sa táto technológia šíri práve teraz

Krádeže v obchodoch boli vždy súčasťou maloobchodu, ale stimuly, ktoré s nimi súvisia, sa zmenili. Obchody fungujú s menším počtom zamestnancov, viac samoobslužnými pokladňami a väčšími objemami tovaru, ktoré prepravujú menšie tímy. To vytvára praktickú medzeru: menej ľudských očí na predajni, ale viac príležitostí na straty.

Dodávatelia teda ponúkajú lákavý návrh: zachovať zhruba rovnaký počet zamestnancov a zároveň „znásobiť“ ostražitosť pomocou softvéru.

Článok BBC uvádza, že niektorí veľkí maloobchodníci a nezávislé obchody zaviedli kombináciu:

Skenovanie tela pomocou umelej inteligencie
CCTV systémy s automatickými upozorneniami
zariadenia na rozpoznávanie tváre

Na papieri sú systémy jednoduché: namiesto toho, aby počítač žiadal zamestnancov, aby sledovali stenu obrazoviek, sleduje ich a pingne zamestnanca, keď si myslí, že niečo vyzerá podozrivo.

V praxi môže „podozrivý“ znamenať niekoľko rôznych vecí v závislosti od produktu:

tvár, ktorú systém považuje za zhodnú s predchádzajúcim incidentom
teleso, ktoré systém klasifikuje ako „známe“ alebo „neznáme“
vzorce pohybu, ktoré pripomínajú predchádzajúce krádeže

To je široká sieť. A široké siete chytia viac rýb – a viac vedľajších úlovkov.

Čo vlastne robia „skenovanie tela pomocou umelej inteligencie“ a rozpoznávanie tváre

Užitočný spôsob, ako si tieto nástroje predstaviť, je, že premieňajú video na vyhľadávateľné dáta.

Tradičný CCTV je väčšinou pasívny: nahráva zábery, ktoré si niekto môže neskôr prezrieť. CCTV s umelou inteligenciou je aktívny: snaží sa označiť to, čo vidí, hneď ako sa to deje.

Rozpoznávanie tváre (to zrejmé)

Rozpoznávanie tváre sa pokúša vytvoriť „odtlačok tváre“ zo záznamu kamery a porovnať ho s uloženým zoznamom. Ak existuje blízka zhoda, systém môže upozorniť pracovníka, zamknúť dvere, upozorniť bezpečnostnú službu alebo jednoducho zaznamenať udalosť.

Z pohľadu obchodu je to atraktívne, pretože sľubuje konzistentnosť: tú istú osobu, ktorá kradla minulý týždeň, možno dnes spozorovať pri vchode.

Zároveň to však vyvoláva ostrú otázku: odkiaľ pochádza zoznam referencií a ako sa z neho niekto dostane?

Skenovanie tela pomocou umelej inteligencie (menej intuitívne, ale často bežnejšie)

V správe BBC sa okrem rozpoznávania tváre spomína aj skenovanie tela pomocou umelej inteligencie. V mnohých prípadoch sa pod pojmom „skenovanie tela“ nemyslí sci-fi skener celého tela. Často sa tým myslí systém, ktorý detekuje a sleduje ľudí na základe tvaru tela, držania tela, siluety oblečenia alebo pohybu.

Prečo by to maloobchodník používal?

Identifikácia na základe tela môže fungovať aj vtedy, keď je tvár čiastočne zakrytá.
Dokáže sledovať osobu z viacerých uhlov kamery.
Môže označiť „správanie“ (zostávanie, rýchly pohyb, návrat na poličku) ako vzorce.

Toto je tá časť, ktorá znepokojuje zástancov občianskych slobôd: možno nemusíte byť identifikovaní menom, aby ste boli považovaní za „niekoho, koho by sme mali sledovať“.

Tichá sila zoznamov sledovaných položiek

Aktivisti za občianske slobody pre BBC uviedli, že verejnosť je v ich hlavných uliciach zaraďovaná na „tajné zoznamy sledovaných osôb a elektronicky zaraďovaná na čiernu listinu“.

Táto formulácia je dôležitá, pretože opisuje niečo väčšie ako len jeden obchod, ktorý sa rozhodol zakázať zákazníkovi vstup.

Zoznam sledovaných položiek sa stáva dôležitejším, keď má tieto vlastnosti:

Pretrváva to v priebehu času.Chvíľka podozrievania vás môže sprevádzať aj pri budúcich návštevách.
Cestuje medzi lokalitami.Vlajka z jedného obchodu môže ovplyvniť, ako sa s vami bude zaobchádzať v inom.
Je ťažké to napadnúť.Ak vám systém nikdy neoznámi, že ste boli nahlásení, nemôžete to napadnúť.

Aj bez formálneho „zákazu“ môže zoznam sledovaných subjektov ovplyvniť výsledky:

personál k vám pristupuje inak
si pozornejšie sledovaný
máš zamietnutý vstup
zabezpečenie sa volá skôr, ako by to bolo inak

Riziko nespočíva len v falošne pozitívnych výsledkoch – ide o to, že falošne pozitívne výsledky sa stanú „lepivými“.

Čo hovorí zákon verzus to, čo ľudia zažívajú

V správe BBC sa uvádza, že vláda zastáva názor, že komerčné rozpoznávanie tváre je legálne, ale jeho používanie musí byť v súlade s prísnymi zákonmi o ochrane údajov a musí sa používať transparentne.

Táto jediná veta obsahuje skutočné bojisko.

„Legálne“ nie je to isté ako „spoločensky prijateľné“

Predajca môže urobiť niečo, čo je technicky legálne, a stále vyvolať negatívnu reakciu, ak majú zákazníci pocit, že pravidlá sú jednostranné.

Technológia sledovania mení emocionálny vzťah k nakupovaniu. Ľudia akceptujú určitú úroveň prevencie strát (kamery, personál, štítky). Keď však systém začne kategorizovať návštevníkov – potenciálne bez ich vedomia – vzťah sa zmení z „obchod chráni svoj tovar“ na „obchod ma hodnotí“.

Transparentnosť je ťažšia ako umiestnenie nápisu

„Transparentnosť“ znie ako jednoduché políčko, ktoré treba zaškrtnúť: pridajte oznam na dvere. Zmysluplná transparentnosť by si však vyžadovala odpovede na otázky ako:

Používate rozpoznávanie tváre alebo iba štandardný CCTV?
Aké údaje uchovávate a ako dlho?
Zdieľate údaje s inými stránkami alebo partnermi?
Ako sa niekto môže odvolať proti chybnému nahláseniu alebo ho opraviť?

Pre väčšinu zákazníkov je štandardným stavom nevedomosť: o existencii systému sa dozvedia až vtedy, keď sa niečo pokazí.

Prevádzkové kompromisy, ktoré maloobchodníci neinzerujú

Maloobchodníci prijímajú tieto systémy kvôli nákladom a krytiu, ale zdedia riziká, ktoré sa nezmestia do tabuľky rozpočtu.

1) Falošne pozitívne výsledky spôsobujú škody v reálnom svete

Ak systém označí nevinnú osobu, „ujma“ nie je abstraktná. Môže ísť o zahanbenie, zastrašovanie, vylúčenie alebo eskaláciu.

Má to tiež efekt spätnej väzby: akonáhle sa s niekým zaobchádza ako s podozrivým, akékoľvek nervózne správanie môže vyzerať „podozrivejšie“, čo posilňuje počiatočnú chybu systému.

2) Zamestnanci sa stávajú strážcami čiernej skrinky

Keď systém odošle upozornenie pomocou pingu, zamestnanci sú nútení rozhodnúť sa: konať na základe neho alebo ho ignorovať.

Ak konajú a je to nesprávne, ľudia si zapamätajú ľudskú interakciu – nie algoritmus. Ak to ignorujú a dôjde ku krádeži, vedenie sa môže opýtať, prečo bolo upozornenie zamietnuté.

Takže aj keď je nástroj „poradenský“, na pracovisku sa stáva donucovacím.

3) Technológia pozýva na postupné rozširovanie misie

Systém nainštalovaný na krádeže v obchodoch môže byť neskôr znovu použitý na:

identifikácia opakovaných pokusov o vrátenie peňazí
presadzovanie zákazov antisociálneho správania
sledovanie výkonnosti zamestnancov

Plíženie cieľov nie je vždy zlomyseľné. Často je to len logika investície: „Za tento systém sme už zaplatili, čo ešte dokáže?“

Ako sa bude pravdepodobne vyvíjať verejná diskusia

To, čo príde ďalej, sa už menej týka hardvéru a viac správy vecí verejných.

V krátkodobom horizonte pravdepodobne uvidíme vzorec:

viac nasadení (najmä preto, že dodávatelia balia systémy pre menšie podniky)
viac kampaní požadujúcich jasné pravidlá a zverejňovanie informácií
väčšie trenie, keďže zákazníci sa dozvedia, že „inteligentný dohľad“ existuje v každodenných priestoroch

Najdôležitejšie politické otázky budú skôr praktické než filozofické:

Kto stanovuje štandardy presnosti?
Kto kontroluje zoznamy sledovaných položiek?
Ako sa niekto dozvie, že bol nahlásený?
Aký je postup pri odstránení?

Bez odpovedí môžu maloobchodníci zistiť, že nástroj určený na predchádzanie stratám vytvára iný druh nákladov: poškodenie reputácie a nedôveru zákazníkov.

Zrátané a podčiarknuté

Systémy umelej inteligencie proti krádežiam v obchodoch sľubujú nahradenie chýbajúceho času zamestnancov automatizovanou ostražitosťou, a preto sa šíria z veľkých maloobchodníkov do lokálnych obchodov. Keď sa však dohľad zmení na kategorizáciu – zoznamy sledovaných subjektov, čierne listiny a nepriehľadné označenia „rizika“ – technológia prestáva byť tichým bezpečnostným opatrením a stáva sa problémom verejnej dôvery.

Zdroje

Správy BBC (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	Vysvetlenie technológie umelej inteligencie proti krádežiam v obchodoch: rozpoznávanie tváre, zoznamy sledovaných subjektov a boj za transparentnosť

Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.	Maloobchodníci zavádzajú skenovanie tela a rozpoznávanie tváre pomocou umelej inteligencie, aby obmedzili krádeže v obchodoch. Tu je návod, ako to funguje, prečo kritici varujú pred tajnými zoznamami sledovaných osôb a čo by mala znamenať transparentnosť.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	Zobraziť všetky príspevky od admina
How crypto criminals are shifting from exchange hacks to targeting individuals	Ako sa kryptozločinci presúvajú od hackerských útokov na burzy k útokom na jednotlivcov
CZT: the wonder material behind faster scans and sharper detectors	CZT: zázračný materiál pre rýchlejšie skenovanie a ostrejšie detektory
Page Content
AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight	Vysvetlenie technológie umelej inteligencie proti krádežiam v obchodoch: rozpoznávanie tváre, zoznamy sledovaných subjektov a boj za transparentnosť
Nature
Climate
AI anti-shoplifting tech: from CCTV to watchlists on the high street	Technológia umelej inteligencie proti krádežiam v obchodoch: od CCTV po zoznamy sledovaných položiek na hlavnej ulici
/
Technology
/ By
Admin
Retailers are increasingly turning to “smart” surveillance to deal with a very old problem: theft. The newest wave goes beyond standard CCTV, using tools that can flag faces, bodies, or behaviour patterns in real time.	Maloobchodníci sa čoraz viac obracajú na „inteligentný“ dohľad, aby sa vysporiadali s veľmi starým problémom: krádežou. Najnovšia vlna ide nad rámec štandardného CCTV a využíva nástroje, ktoré dokážu v reálnom čase označovať tváre, telá alebo vzorce správania.
A BBC report filmed by Jim Connolly shows how quickly this kind of AI-driven anti-shoplifting tech is moving from big chains into everyday places like an independent Post Office. It also shows why the pushback is growing just as fast: these systems don’t just watch — they can sort people into risk categories.	Reportáž BBC, ktorú natočil Jim Connolly, ukazuje, ako rýchlo sa tento druh technológie proti krádežiam v obchodoch, riadenej umelou inteligenciou, presúva z veľkých reťazcov do každodenných miest, ako je napríklad nezávislá pošta. Ukazuje tiež, prečo odpor rastie rovnako rýchlo: tieto systémy nielen sledujú – dokážu ľudí triediť do rizikových kategórií.
Why the tech is spreading now	Prečo sa táto technológia šíri práve teraz
Shoplifting has always been part of retail, but the incentives around it have shifted. Stores are operating with tighter staffing, more self-checkouts, and higher volumes moving through smaller teams. That creates a practical gap: fewer human eyes on the floor, but more opportunity for loss.	Krádeže v obchodoch boli vždy súčasťou maloobchodu, ale stimuly, ktoré s nimi súvisia, sa zmenili. Obchody fungujú s menším počtom zamestnancov, viac samoobslužnými pokladňami a väčšími objemami tovaru, ktoré prepravujú menšie tímy. To vytvára praktickú medzeru: menej ľudských očí na predajni, ale viac príležitostí na straty.
So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.	Dodávatelia teda ponúkajú lákavý návrh: zachovať zhruba rovnaký počet zamestnancov a zároveň „znásobiť“ ostražitosť pomocou softvéru.
The BBC piece notes that some major retailers and independent stores have introduced a mix of:	Článok BBC uvádza, že niektorí veľkí maloobchodníci a nezávislé obchody zaviedli kombináciu:
AI body scans	Skenovanie tela pomocou umelej inteligencie
CCTV systems with automated alerts	CCTV systémy s automatickými upozorneniami
facial recognition equipment	zariadenia na rozpoznávanie tváre
On paper, the systems are simple: instead of asking staff to watch a wall of screens, the computer watches and pings a staff member when it thinks something looks suspicious.	Na papieri sú systémy jednoduché: namiesto toho, aby počítač žiadal zamestnancov, aby sledovali stenu obrazoviek, sleduje ich a pingne zamestnanca, keď si myslí, že niečo vyzerá podozrivo.
In practice, “suspicious” can mean several different things depending on the product:	V praxi môže „podozrivý“ znamenať niekoľko rôznych vecí v závislosti od produktu:
a face the system thinks matches a previous incident	tvár, ktorú systém považuje za zhodnú s predchádzajúcim incidentom
a body the system classifies as “known” or “unknown”	teleso, ktoré systém klasifikuje ako „známe“ alebo „neznáme“
movement patterns that resemble prior thefts	vzorce pohybu, ktoré pripomínajú predchádzajúce krádeže
That’s a broad net. And broad nets catch more fish — and more bycatch.	To je široká sieť. A široké siete chytia viac rýb – a viac vedľajších úlovkov.
What “AI body scans” and facial recognition actually do	Čo vlastne robia „skenovanie tela pomocou umelej inteligencie“ a rozpoznávanie tváre
A useful way to think about these tools is that they turn video into searchable data.	Užitočný spôsob, ako si tieto nástroje predstaviť, je, že premieňajú video na vyhľadávateľné dáta.
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.	Tradičný CCTV je väčšinou pasívny: nahráva zábery, ktoré si niekto môže neskôr prezrieť. CCTV s umelou inteligenciou je aktívny: snaží sa označiť to, čo vidí, hneď ako sa to deje.
Facial recognition (the obvious one)	Rozpoznávanie tváre (to zrejmé)
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.	Rozpoznávanie tváre sa pokúša vytvoriť „odtlačok tváre“ zo záznamu kamery a porovnať ho s uloženým zoznamom. Ak existuje blízka zhoda, systém môže upozorniť pracovníka, zamknúť dvere, upozorniť bezpečnostnú službu alebo jednoducho zaznamenať udalosť.
From the store’s point of view, this is attractive because it promises consistency: the same person who stole last week can be spotted at the entrance today.	Z pohľadu obchodu je to atraktívne, pretože sľubuje konzistentnosť: tú istú osobu, ktorá kradla minulý týždeň, možno dnes spozorovať pri vchode.
But it also creates a sharp question: where does the reference list come from, and how does someone get off it?	Zároveň to však vyvoláva ostrú otázku: odkiaľ pochádza zoznam referencií a ako sa z neho niekto dostane?
AI body scans (less intuitive, but often more common)	Skenovanie tela pomocou umelej inteligencie (menej intuitívne, ale často bežnejšie)
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.	V správe BBC sa okrem rozpoznávania tváre spomína aj skenovanie tela pomocou umelej inteligencie. V mnohých prípadoch sa pod pojmom „skenovanie tela“ nemyslí sci-fi skener celého tela. Často sa tým myslí systém, ktorý detekuje a sleduje ľudí na základe tvaru tela, držania tela, siluety oblečenia alebo pohybu.
Why would a retailer use this?	Prečo by to maloobchodník používal?
Body-based identification can work even when the face is partially obscured.	Identifikácia na základe tela môže fungovať aj vtedy, keď je tvár čiastočne zakrytá.
It can track a person across multiple camera angles.	Dokáže sledovať osobu z viacerých uhlov kamery.
It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.	Môže označiť „správanie“ (zostávanie, rýchly pohyb, návrat na poličku) ako vzorce.
This is the part that makes civil liberties advocates nervous: you may not need to be identified by name to be treated as “someone we should watch.”	Toto je tá časť, ktorá znepokojuje zástancov občianskych slobôd: možno nemusíte byť identifikovaní menom, aby ste boli považovaní za „niekoho, koho by sme mali sledovať“.
The quiet power of watchlists	Tichá sila zoznamov sledovaných položiek
Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.	Aktivisti za občianske slobody pre BBC uviedli, že verejnosť je v ich hlavných uliciach zaraďovaná na „tajné zoznamy sledovaných osôb a elektronicky zaraďovaná na čiernu listinu“.
That language matters, because it describes something bigger than a single shop deciding to ban a customer.	Táto formulácia je dôležitá, pretože opisuje niečo väčšie ako len jeden obchod, ktorý sa rozhodol zakázať zákazníkovi vstup.
A watchlist becomes more consequential when it has these features:	Zoznam sledovaných položiek sa stáva dôležitejším, keď má tieto vlastnosti:
It persists over time.	Pretrváva to v priebehu času.
A moment of suspicion can follow you to future visits.	Chvíľka podozrievania vás môže sprevádzať aj pri budúcich návštevách.
It travels between locations.
A flag from one shop can influence how you’re treated in another.	Vlajka z jedného obchodu môže ovplyvniť, ako sa s vami bude zaobchádzať v inom.
It is hard to contest.
If the system never tells you that you were flagged, you can’t challenge it.	Ak vám systém nikdy neoznámi, že ste boli nahlásení, nemôžete to napadnúť.
Even without a formal “ban,” a watchlist can shape outcomes:	Aj bez formálneho „zákazu“ môže zoznam sledovaných subjektov ovplyvniť výsledky:
staff approach you differently	personál k vám pristupuje inak
you’re watched more closely
you’re denied entry
security is called earlier than it otherwise would be	zabezpečenie sa volá skôr, ako by to bolo inak
The risk is not only false positives — it’s that false positives become sticky.	Riziko nespočíva len v falošne pozitívnych výsledkoch – ide o to, že falošne pozitívne výsledky sa stanú „lepivými“.
What the law says vs what people experience	Čo hovorí zákon verzus to, čo ľudia zažívajú
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.	V správe BBC sa uvádza, že vláda zastáva názor, že komerčné rozpoznávanie tváre je legálne, ale jeho používanie musí byť v súlade s prísnymi zákonmi o ochrane údajov a musí sa používať transparentne.
That single sentence contains the real battleground.	Táto jediná veta obsahuje skutočné bojisko.
“Legal” isn’t the same as “socially acceptable”	„Legálne“ nie je to isté ako „spoločensky prijateľné“
A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.	Predajca môže urobiť niečo, čo je technicky legálne, a stále vyvolať negatívnu reakciu, ak majú zákazníci pocit, že pravidlá sú jednostranné.
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.”	Technológia sledovania mení emocionálny vzťah k nakupovaniu. Ľudia akceptujú určitú úroveň prevencie strát (kamery, personál, štítky). Keď však systém začne kategorizovať návštevníkov – potenciálne bez ich vedomia – vzťah sa zmení z „obchod chráni svoj tovar“ na „obchod ma hodnotí“.
Transparency is harder than putting up a sign	Transparentnosť je ťažšia ako umiestnenie nápisu
“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:	„Transparentnosť“ znie ako jednoduché políčko, ktoré treba zaškrtnúť: pridajte oznam na dvere. Zmysluplná transparentnosť by si však vyžadovala odpovede na otázky ako:
Are you using facial recognition, or only standard CCTV?	Používate rozpoznávanie tváre alebo iba štandardný CCTV?
What data do you store, and for how long?	Aké údaje uchovávate a ako dlho?
Do you share the data with any other sites or partners?	Zdieľate údaje s inými stránkami alebo partnermi?
How does someone appeal or correct a mistaken flag?	Ako sa niekto môže odvolať proti chybnému nahláseniu alebo ho opraviť?
For most customers, the default is ignorance: they only learn a system exists when something goes wrong.	Pre väčšinu zákazníkov je štandardným stavom nevedomosť: o existencii systému sa dozvedia až vtedy, keď sa niečo pokazí.
The operational trade-offs retailers don’t advertise	Prevádzkové kompromisy, ktoré maloobchodníci neinzerujú
Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.	Maloobchodníci prijímajú tieto systémy kvôli nákladom a krytiu, ale zdedia riziká, ktoré sa nezmestia do tabuľky rozpočtu.
1) False positives create real-world harm	1) Falošne pozitívne výsledky spôsobujú škody v reálnom svete
If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.	Ak systém označí nevinnú osobu, „ujma“ nie je abstraktná. Môže ísť o zahanbenie, zastrašovanie, vylúčenie alebo eskaláciu.
It also has a feedback effect: once someone is treated like a suspect, any nervous behaviour can look more “suspicious,” reinforcing the system’s initial error.	Má to tiež efekt spätnej väzby: akonáhle sa s niekým zaobchádza ako s podozrivým, akékoľvek nervózne správanie môže vyzerať „podozrivejšie“, čo posilňuje počiatočnú chybu systému.
2) Staff become enforcers of a black box	2) Zamestnanci sa stávajú strážcami čiernej skrinky
When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.	Keď systém odošle upozornenie pomocou pingu, zamestnanci sú nútení rozhodnúť sa: konať na základe neho alebo ho ignorovať.
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.	Ak konajú a je to nesprávne, ľudia si zapamätajú ľudskú interakciu – nie algoritmus. Ak to ignorujú a dôjde ku krádeži, vedenie sa môže opýtať, prečo bolo upozornenie zamietnuté.
So even if the tool is “advisory,” it becomes coercive inside the workplace.	Takže aj keď je nástroj „poradenský“, na pracovisku sa stáva donucovacím.
3) The tech invites mission creep	3) Technológia pozýva na postupné rozširovanie misie
A system installed for shoplifting might later be repurposed for:	Systém nainštalovaný na krádeže v obchodoch môže byť neskôr znovu použitý na:
identifying repeat refund attempts	identifikácia opakovaných pokusov o vrátenie peňazí
enforcing bans for anti-social behaviour	presadzovanie zákazov antisociálneho správania
tracking staff performance	sledovanie výkonnosti zamestnancov
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?”	Plíženie cieľov nie je vždy zlomyseľné. Často je to len logika investície: „Za tento systém sme už zaplatili, čo ešte dokáže?“
How the public conversation is likely to evolve	Ako sa bude pravdepodobne vyvíjať verejná diskusia
What comes next is less about the hardware and more about governance.	To, čo príde ďalej, sa už menej týka hardvéru a viac správy vecí verejných.
In the short term, we’ll probably see a pattern:	V krátkodobom horizonte pravdepodobne uvidíme vzorec:
more deployments (especially as vendors package systems for smaller businesses)	viac nasadení (najmä preto, že dodávatelia balia systémy pre menšie podniky)
more campaigns demanding clear rules and disclosure	viac kampaní požadujúcich jasné pravidlá a zverejňovanie informácií
more friction as customers learn that “smart surveillance” exists in everyday locations	väčšie trenie, keďže zákazníci sa dozvedia, že „inteligentný dohľad“ existuje v každodenných priestoroch
The highest-leverage policy questions will be practical rather than philosophical:	Najdôležitejšie politické otázky budú skôr praktické než filozofické:
Who sets the standards for accuracy?	Kto stanovuje štandardy presnosti?
Who audits the watchlists?	Kto kontroluje zoznamy sledovaných položiek?
How does someone learn they were flagged?	Ako sa niekto dozvie, že bol nahlásený?
What is the process for removal?	Aký je postup pri odstránení?
Without answers, retailers may find that a tool meant to prevent loss creates a different kind of cost: reputational damage and customer distrust.	Bez odpovedí môžu maloobchodníci zistiť, že nástroj určený na predchádzanie stratám vytvára iný druh nákladov: poškodenie reputácie a nedôveru zákazníkov.
Bottom line
AI anti-shoplifting systems promise to replace missing staff time with automated vigilance, and that’s why they’re spreading from big retailers into local shops. But when surveillance turns into categorisation — watchlists, blacklisting, and opaque “risk” labels — the technology stops being a quiet security measure and becomes a public trust problem.	Systémy umelej inteligencie proti krádežiam v obchodoch sľubujú nahradenie chýbajúceho času zamestnancov automatizovanou ostražitosťou, a preto sa šíria z veľkých maloobchodníkov do lokálnych obchodov. Keď sa však dohľad zmení na kategorizáciu – zoznamy sledovaných subjektov, čierne listiny a nepriehľadné označenia „rizika“ – technológia prestáva byť tichým bezpečnostným opatrením a stáva sa problémom verejnej dôvery.
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	Zobraziť všetky príspevky od admina
How crypto criminals are shifting from exchange hacks to targeting individuals	Ako sa kryptozločinci presúvajú od hackerských útokov na burzy k útokom na jednotlivcov
CZT: the wonder material behind faster scans and sharper detectors	CZT: zázračný materiál pre rýchlejšie skenovanie a ostrejšie detektory
Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.	Maloobchodníci zavádzajú skenovanie tela a rozpoznávanie tváre pomocou umelej inteligencie, aby obmedzili krádeže v obchodoch. Tu je návod, ako to funguje, prečo kritici varujú pred tajnými zoznamami sledovaných osôb a čo by mala znamenať transparentnosť.

Document Title

AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight

Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.

Title Attribute

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Admin

How crypto criminals are shifting from exchange hacks to targeting individuals

CZT: the wonder material behind faster scans and sharper detectors

Page Content

AI anti-shoplifting tech explained: facial recognition, watchlists, and the transparency fight

Nature

Climate

AI anti-shoplifting tech: from CCTV to watchlists on the high street

Technology

/ By

Admin

Retailers are increasingly turning to “smart” surveillance to deal with a very old problem: theft. The newest wave goes beyond standard CCTV, using tools that can flag faces, bodies, or behaviour patterns in real time.

A BBC report filmed by Jim Connolly shows how quickly this kind of AI-driven anti-shoplifting tech is moving from big chains into everyday places like an independent Post Office. It also shows why the pushback is growing just as fast: these systems don’t just watch — they can sort people into risk categories.

Why the tech is spreading now

Shoplifting has always been part of retail, but the incentives around it have shifted. Stores are operating with tighter staffing, more self-checkouts, and higher volumes moving through smaller teams. That creates a practical gap: fewer human eyes on the floor, but more opportunity for loss.

So vendors are pitching a tempting proposition: keep staffing roughly flat while “multiplying” vigilance using software.

The BBC piece notes that some major retailers and independent stores have introduced a mix of:

AI body scans

CCTV systems with automated alerts

facial recognition equipment

On paper, the systems are simple: instead of asking staff to watch a wall of screens, the computer watches and pings a staff member when it thinks something looks suspicious.

In practice, “suspicious” can mean several different things depending on the product:

a face the system thinks matches a previous incident

a body the system classifies as “known” or “unknown”

movement patterns that resemble prior thefts

That’s a broad net. And broad nets catch more fish — and more bycatch.

What “AI body scans” and facial recognition actually do

A useful way to think about these tools is that they turn video into searchable data.

Traditional CCTV is mostly passive: it records footage that someone might review later. AI-enabled CCTV is active: it tries to label what it sees as it happens.

Facial recognition (the obvious one)

Facial recognition attempts to create a “faceprint” from camera footage and compare it to a stored list. If there’s a close match, the system can alert a worker, lock a door, notify security, or simply log the event.

From the store’s point of view, this is attractive because it promises consistency: the same person who stole last week can be spotted at the entrance today.

But it also creates a sharp question: where does the reference list come from, and how does someone get off it?

AI body scans (less intuitive, but often more common)

The BBC report mentions AI body scans alongside facial recognition. In many deployments, “body scanning” doesn’t mean a sci‑fi full-body scanner. It often means a system that detects and tracks people based on body shape, posture, clothing silhouette, or movement.

Why would a retailer use this?

Body-based identification can work even when the face is partially obscured.

It can track a person across multiple camera angles.

It can label “behaviour” (lingering, moving quickly, returning to a shelf) as patterns.

This is the part that makes civil liberties advocates nervous: you may not need to be identified by name to be treated as “someone we should watch.”

The quiet power of watchlists

Civil liberty campaigners told the BBC that the public are being put on “secret watchlists and electronically blacklisted” from their high streets.

That language matters, because it describes something bigger than a single shop deciding to ban a customer.

A watchlist becomes more consequential when it has these features:

It persists over time.

A moment of suspicion can follow you to future visits.

It travels between locations.

A flag from one shop can influence how you’re treated in another.

It is hard to contest.

If the system never tells you that you were flagged, you can’t challenge it.

Even without a formal “ban,” a watchlist can shape outcomes:

staff approach you differently

you’re watched more closely

you’re denied entry

security is called earlier than it otherwise would be

The risk is not only false positives — it’s that false positives become sticky.

What the law says vs what people experience

The BBC report says the government’s position is that commercial facial recognition is legal, but its use must comply with strict data protection laws and be used transparently.

That single sentence contains the real battleground.

“Legal” isn’t the same as “socially acceptable”

A retailer can do something that is technically legal and still trigger backlash if customers feel the rules are one-sided.

Surveillance tech changes the emotional contract of shopping. People accept a certain level of loss-prevention (cameras, staff, tags). But when the system begins to categorise visitors — potentially without them knowing — the relationship shifts from “store protects its goods” to “store is evaluating me.”

Transparency is harder than putting up a sign

“Transparency” sounds like an easy box to tick: add a notice at the door. But meaningful transparency would require answers to questions like:

Are you using facial recognition, or only standard CCTV?

What data do you store, and for how long?

Do you share the data with any other sites or partners?

How does someone appeal or correct a mistaken flag?

For most customers, the default is ignorance: they only learn a system exists when something goes wrong.

The operational trade-offs retailers don’t advertise

Retailers adopt these systems for cost and coverage, but they inherit risks that don’t fit neatly into a budget spreadsheet.

1) False positives create real-world harm

If the system flags an innocent person, the “harm” is not abstract. It can be embarrassment, intimidation, exclusion, or escalation.

It also has a feedback effect: once someone is treated like a suspect, any nervous behaviour can look more “suspicious,” reinforcing the system’s initial error.

2) Staff become enforcers of a black box

When a system pings an alert, staff are pushed into a decision point: act on it, or ignore it.

If they act and it’s wrong, the human interaction is the thing people remember — not the algorithm. If they ignore it and a theft happens, management may ask why the alert was dismissed.

So even if the tool is “advisory,” it becomes coercive inside the workplace.

3) The tech invites mission creep

A system installed for shoplifting might later be repurposed for:

identifying repeat refund attempts

enforcing bans for anti-social behaviour

tracking staff performance

Mission creep is not always malicious. It’s often just the logic of investment: “We already paid for this system; what else can it do?”

How the public conversation is likely to evolve

What comes next is less about the hardware and more about governance.

In the short term, we’ll probably see a pattern:

more deployments (especially as vendors package systems for smaller businesses)

more campaigns demanding clear rules and disclosure

more friction as customers learn that “smart surveillance” exists in everyday locations

The highest-leverage policy questions will be practical rather than philosophical:

Who sets the standards for accuracy?

Who audits the watchlists?

How does someone learn they were flagged?

What is the process for removal?

Without answers, retailers may find that a tool meant to prevent loss creates a different kind of cost: reputational damage and customer distrust.

Bottom line

AI anti-shoplifting systems promise to replace missing staff time with automated vigilance, and that’s why they’re spreading from big retailers into local shops. But when surveillance turns into categorisation — watchlists, blacklisting, and opaque “risk” labels — the technology stops being a quiet security measure and becomes a public trust problem.

Sources

BBC News (Technology):

https://www.bbc.com/news/videos/c98p1jg3p58o?at_medium=RSS&at_campaign=rss

←

→

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Admin

How crypto criminals are shifting from exchange hacks to targeting individuals

CZT: the wonder material behind faster scans and sharper detectors

Retailers are adopting AI body scans and facial recognition to curb shoplifting. Here’s how it works, why critics warn of secret watchlists, and what transparency should mean.

Document Title
Page not found - Florin.blog	Stránka sa nenašla - Florin.blog
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Page Content
Page not found - Florin.blog	Stránka sa nenašla - Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.	Zdá sa, že táto stránka neexistuje.
It looks like the link pointing here was faulty. Maybe try searching?	Zdá sa, že odkaz smerujúci sem bol chybný. Skúste to vyhľadať.
Search for:
Search
Quick Links
Outdoors
About
Contact
Explore
Bestsellers
Hot deals
Best of The Year
Featured
Gift Cards
Help
Privacy Policy	Zásady ochrany osobných údajov
Disclaimer	Vyhlásenie o odmietnutí zodpovednosti
: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.	Ako partner Amazonu zarábame z kvalifikovaných nákupov – bez akýchkoľvek dodatočných nákladov pre vás.
Florin.blog
Florin.blog » Feed
RSD
Search...

Document Title

Page not found - Florin.blog

Image Alt

Florin.blog

Title Attribute

Florin.blog » Feed

RSD

Placeholder Attribute

Search...

Page Content

Page not found - Florin.blog

Home

Blog

Garden Decor

Indoor

Main Menu

This page doesn't seem to exist.

It looks like the link pointing here was faulty. Maybe try searching?

Search for:

Quick Links

Outdoors

About

Contact

Explore

Bestsellers

Hot deals

Best of The Year

Featured

Gift Cards

Help

Disclaimer

: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.

Florin.blog

Florin.blog » Feed

RSD

Search...