Millones de personas observaban desde el monitoreo de la cafetería, y Musk exclamó que ¡fue terrible! Bebes café durante unos minutos, la IA lo sabe todo

Fuente del artículo: Xinzhiyuan

EDITAR: Eneas tiene mucho sueño

En esta cafetería, cuánto tiempo se quedó el cliente y cuántas tazas de café preparó el empleado se puede ver claramente bajo la cámara de IA. Millones de internautas vieron y dijeron que era terrible, y Musk se sorprendió.

Vivimos en un mundo donde cada vez hay menos privacidad.

Hoy, este video que salió en Internet asustó a mucha gente.

En una cafetería, cada cliente se quedó en la tienda durante unos minutos, y cuántas tazas de café trajo cada camarero al cliente, ¡todo lo cual se muestra claramente en el video!

El video solo se ha lanzado durante más de diez horas y más de 1 millón de internautas lo han visto.

El internauta que publicó el video dijo: Este concepto muestra cómo las cafeterías usan la IA para analizar a los baristas y clientes. Por favor, "disfrute" plenamente de su privacidad en la cafetería. 😂

Otro internauta dijo que no era una sorpresa. Como consumidor, debes saber que muchas tiendas saben todo sobre ti en el momento en que ingresas.

El "incidente de Cambridge Analytica" palidece en comparación.

(En 2018, Facebook admitió que la compañía británica de análisis de datos obtuvo ilegalmente la información de 50 millones de usuarios de Facebook en 2016 y usó esta información para construir un programa de software que predijo e influyó en los resultados de las urnas y ayudó con éxito a Trump. elecciones presidenciales.)

Incluso el propio Musk apareció en el área de comentarios, dejando dos signos de exclamación seguidos.

Si cree que tener una IA espiando al personal y a los clientes en una cafetería es lo suficientemente aterrador, la realidad es que, si el costo no es un problema, puede haber miles de drones en el cielo enviando datos de seguimiento en tiempo real a los reguladores, y todo será rastreado y registrado.

Ni siquiera necesita un departamento profesional, cualquiera puede hacer un seguimiento en un dron aficionado, porque la tecnología actual de detección de objetos y reconocimiento de imágenes es demasiado poderosa.

Ya sabes, cuando se ejecutaba la transmisión de 1080p en una tarjeta gráfica discreta hace unos años, la capacidad máxima era de solo 6 objetos.

Los ubicuos "ojos"

La realidad es que nuestro mundo actual está lleno de cámaras.

Entre ellos, muchas empresas han implementado estrategias muy encubiertas para rastrear a los consumidores, todo hecho a través de inteligencia artificial y reconocimiento visual en transmisiones de video.

Por ejemplo, en el laboratorio minorista inteligente de Wal-Mart, los sensores y cámaras IRL permiten que el personal sepa todo lo que hay en la tienda.

Los restaurantes de comida rápida también han adoptado la tecnología de inteligencia artificial para la supervisión de los empleados. Se estipula que los empleados deben usar máscaras, si alguien se quita la máscara, el gerente lo sabrá de inmediato.

Además, nuestros datos de ubicación móvil están a la venta.

Casi todos los operadores de telefonía móvil venden datos de forma anónima a tiendas minoristas, lo que puede decirse que es parte de su negocio principal.

Simplemente busque en Google "nombre del operador + información de la multitud" y los resultados lo sorprenderán.

"¿Quieres saber cuántas personas pasan por un lugar determinado en un período de tiempo determinado? ¿Cuál es su edad y estado de ingresos, y cuántos de ellos pueden convertirse en clientes potenciales?"

Por supuesto, el servicio de "conocimiento de la multitud" enfatizará que los datos son anónimos y que la forma en que se recopila el recibo no revela la privacidad personal.

Alguien dijo: Ahora que mis datos están recopilados, ¿puedo pedirle a la empresa que me pague?

Con respecto a las cámaras utilizadas en las empresas, algunas personas en el área de comentarios mostraron sus propias experiencias——

"Trabajo en el sistema de cámaras de seguridad de back-end en el estadio, y lo que publicamos es solo 1/3 de los datos reales".

"Es casi como en una película, ingresa tu propia cara y el sistema reconocerá dónde estás".

Y para hacer todo eso, solo toma cualquier cámara, instala un software de $ 300 y ejecuta hasta que se quede sin espacio en el disco.

** ¿Pros y contras? **

Al respecto, el experto en consultoría de IA Diego San Esteban compartió sus puntos de vista:

Él cree que el monitoreo de IA ciertamente tiene muchas ventajas, como el monitoreo continuo del desempeño y la productividad de los empleados, lo que permite a los gerentes formular mejores estrategias.

Además, la IA también puede proporcionar datos de rendimiento objetivos para evitar el sesgo humano en la evaluación.

También hay muchas deficiencias, la más criticada es la violación de los derechos de privacidad de los empleados, y también creará una atmósfera de desconfianza en la empresa, lo que afectará la moral y la satisfacción laboral.

La IA tampoco puede comprender adecuadamente el contexto en el que se realiza el trabajo y carece de empatía humana.

Y es probable que cometa errores, sujeto al sesgo inherente de los datos de capacitación, que es extremadamente injusto para los empleados.

Algoritmo de detección de objetivos

De hecho, detrás de este controvertido incidente hay una detección de objetivos de tecnología de IA muy común.

Por ejemplo, dada una foto de una calle de la ciudad, un modelo de detección de objetos devolverá una lista de anotaciones o etiquetas para todos los diferentes objetos en la imagen: semáforos, vehículos, señales de tránsito, edificios, etc.

Estas etiquetas contendrán la clase adecuada para cada objeto, como "persona", y un "cuadro delimitador", el área rectangular que encierra completamente el objeto.

### Aplicación industrial

La detección de objetos es una tarea crítica para los humanos: cuando ingresamos a una nueva habitación o escena, nuestro primer instinto es evaluar visualmente los objetos y las personas que se encuentran en él y luego comprenderlos.

De manera similar a los humanos, la detección de objetos juega un papel crucial al permitir que las computadoras comprendan e interactúen con el mundo visual, y se ha utilizado ampliamente en muchas industrias:

- Seguridad del sitio:

Los modelos de detección de objetos pueden ayudar a mejorar la seguridad y la protección en el lugar de trabajo. Por ejemplo, pueden detectar la presencia de personas o vehículos sospechosos en áreas sensibles. Incluso de manera más creativa, puede garantizar que los trabajadores usen equipo de protección personal (EPP) como guantes, cascos o máscaras.

- medios de comunicación social:

Los modelos de detección de objetos pueden ayudar a identificar la presencia de una marca, producto, logotipo o persona en particular en los medios digitales. Los anunciantes pueden usar esta información para recopilar datos y mostrar a los usuarios anuncios más relevantes. También ayuda a automatizar el proceso de detección y marcado de contenido inapropiado o prohibido.

- control de calidad:

Los modelos de detección de objetos permiten la revisión automatizada de datos visuales. Las computadoras y las cámaras pueden analizar datos en tiempo real, detectar y procesar automáticamente la información visual y comprender su significado, lo que reduce la intervención humana en tareas que requieren una revisión visual constante. Esto es especialmente útil en el control de calidad de la producción de fabricación. No solo mejora la eficiencia, sino que también puede detectar anomalías en la producción que el ojo humano podría pasar por alto, evitando posibles interrupciones en la producción o retiradas de productos.

Logró 66 AP por primera vez, el algoritmo SOTA más fuerte domina la lista

Actualmente, en términos del rendimiento del algoritmo de detección de objetivos, "DETR con entrenamiento de asignaciones híbridas colaborativas" del equipo nacional domina a COCO con una puntuación de 66 AP. Este trabajo ha sido aceptado por ICCV 2023.

En el artículo, los autores proponen un novedoso esquema de entrenamiento de asignación híbrido colaborativo: Co-DETR, que puede aprender detectores basados en DETR más eficientes y efectivos a partir de diversas asignaciones de etiquetas.

Al entrenar varios cabezales auxiliares paralelos (supervisados por una asignación de etiquetas de uno a muchos, como ATSS y Faster RCNN), el nuevo Co-DETR puede aumentar fácilmente la capacidad de aprendizaje del codificador en el detector de extremo a extremo.

Al extraer coordenadas positivas de estos cabezales auxiliares para consultas positivas personalizadas adicionales, Co-DETR también puede mejorar la eficiencia de entrenamiento de muestras positivas en el decodificador.

Además, estos cabezales auxiliares se descartan durante la inferencia, por lo que el método no introduce parámetros adicionales ni costes computacionales en el detector original, y tampoco requiere supresión manual no máxima (NMS).

Dirección en papel:

dirección del proyecto:

- Optimización del codificador:

El esquema de entrenamiento puede aumentar fácilmente la capacidad de aprendizaje del codificador en el detector de extremo a extremo mediante el entrenamiento de varios cabezales auxiliares paralelos supervisados por una asignación de etiquetas de uno a muchos.

- Optimización de códecs:

El aprendizaje de atención en el decodificador se mejora extrayendo coordenadas positivas de estos cabezales auxiliares para consultas positivas personalizadas adicionales.

- Rendimiento SOTA:

Co-DETR equipado con ViT-L (parámetros 304M) es el primer modelo que logra un 66,0 % AP en el desarrollo de prueba de COCO.

Los resultados experimentales muestran que, basándose en la red troncal Swin-L, el método Co-DETR puede mejorar el rendimiento del modelo SOTA existente DINO-Deformable-DETR del 58,5 % al 59,5 % (en el conjunto de validación COCO).

Con el apoyo de la red troncal ViT-L, Co-DETR logra un 66,0 % AP en el desarrollo de prueba COCO y un 67,9 % AP en el conjunto de validación LVIS.

Además, Co-DETR también logra un mejor rendimiento con un tamaño de modelo más pequeño que los métodos anteriores.

Referencias: