Des millions de personnes ont regardé depuis la surveillance du café, et Musk s'est exclamé que c'était terrible ! Tu bois du café pendant quelques minutes, l'IA sait tout

Source de l'article : Xinzhiyuan

EDIT : Enée a tellement sommeil

Dans ce café, la durée de séjour du client et le nombre de tasses de café préparées par le vendeur sont clairement visibles sous la caméra AI. Des millions d'internautes ont regardé et ont dit que c'était terrible, et Musk a été choqué.

Nous vivons dans un monde où il y a de moins en moins d'intimité.

Aujourd'hui, cette vidéo qui est sortie sur Internet a fait peur à beaucoup de monde.

Dans un café, chaque client est resté quelques minutes dans le magasin, et combien de tasses de café chaque serveur a apporté au client, tout cela est clairement montré dans la vidéo !

La vidéo n'est sortie que depuis plus de dix heures et plus d'un million d'internautes l'ont regardée.

L'internaute qui a posté la vidéo a déclaré : Ce concept montre comment les cafés utilisent l'IA pour analyser les baristas et les clients. Veuillez "profiter" pleinement de votre intimité au café. 😂

Un autre internaute a déclaré que ce n'était pas une surprise. En tant que consommateur, vous devez savoir que de nombreux magasins savent tout de vous dès que vous y entrez.

"L'incident de Cambridge Analytica" n'est rien en comparaison.

(En 2018, Facebook a admis que la société britannique d'analyse de données avait obtenu illégalement les informations de 50 millions d'utilisateurs de Facebook en 2016 et avait utilisé ces informations pour créer un logiciel qui prédisait et influençait les résultats des urnes et aidait avec succès Trump à remporter l'élection présidentielle. élection.)

Même Musk lui-même est apparu dans la zone de commentaires, laissant deux points d'exclamation d'affilée.

Si vous pensez qu'avoir une IA espionnant le personnel et les clients dans un café est assez effrayant, la réalité est que, si le coût n'est pas un problème, il peut y avoir des milliers de drones dans le ciel qui envoient des données de suivi en temps réel aux régulateurs, et tout sera suivi et enregistré.

Vous n'avez même pas besoin d'un département professionnel, n'importe qui peut faire du suivi sur un drone amateur, car la technologie actuelle de détection d'objets et de reconnaissance d'images est tout simplement trop puissante.

Vous savez, lors de l'exécution d'un streaming 1080p sur une carte graphique discrète il y a quelques années, la capacité maximale n'était que de 6 objets.

Les "yeux" omniprésents

La réalité est que notre monde actuel est plein de caméras.

Parmi eux, de nombreuses entreprises ont déployé des stratégies très secrètes pour suivre les consommateurs, le tout grâce à l'IA et à la reconnaissance visuelle sur les flux vidéo.

Par exemple, dans le laboratoire de vente au détail intelligent de Wal-Mart, des capteurs et des caméras IRL permettent au personnel de tout savoir dans le magasin.

Les restaurants de restauration rapide ont également adopté la technologie de l'IA pour la supervision des employés. Il est stipulé que les employés doivent porter des masques.Si quelqu'un enlève le masque, le responsable le saura immédiatement.

De plus, nos données de localisation mobile sont à vendre.

Presque tous les opérateurs de téléphonie mobile vendent des données de manière anonyme aux magasins de détail, ce qui peut être considéré comme faisant partie de leur activité principale.

Il suffit de Google "nom de l'opérateur + informations sur la foule" et les résultats vous surprendront.

"Voulez-vous savoir combien de personnes passent par un certain endroit sur une certaine période de temps ? Quel est leur âge et leur niveau de revenu, et combien d'entre eux peuvent devenir des clients potentiels ?"

Bien sûr, le service "crowd insight" soulignera que les données sont anonymes et que la manière dont le reçu est collecté ne révèle pas la vie privée.

Quelqu'un a dit : Maintenant que mes données sont collectées, puis-je demander à l'entreprise de me payer ?

En ce qui concerne les caméras utilisées dans les entreprises, certaines personnes dans la zone de commentaires ont montré leurs propres expériences——

"Je travaille sur le système de caméras de sécurité principal du stade, et ce que nous communiquons au public ne représente qu'un tiers des données réelles."

"C'est presque comme dans un film, entrez votre propre visage et le système reconnaîtra où vous êtes."

Et pour faire tout cela, il vous suffit de prendre n'importe quel appareil photo, d'installer un logiciel à 300 $ et de l'exécuter jusqu'à ce que vous manquiez d'espace disque.

** Pour et contre ? **

À cet égard, l'expert-conseil en intelligence artificielle Diego San Esteban a partagé son point de vue :

Il pense que la surveillance de l'IA présente certainement de nombreux avantages, tels que la surveillance continue des performances et de la productivité des employés, permettant aux gestionnaires de mieux formuler des stratégies.

De plus, l'IA peut également fournir des données de performance objectives pour éviter les biais humains dans l'évaluation.

Il existe également de nombreuses lacunes, dont la plus critiquée est la violation du droit à la vie privée des employés, et cela créera également une atmosphère de méfiance dans l'entreprise, ce qui affectera le moral et la satisfaction au travail.

L'IA ne peut pas non plus comprendre correctement le contexte dans lequel le travail est effectué et manque d'empathie humaine.

Et, il est susceptible de commettre des erreurs, sous réserve du biais inhérent aux données de formation, ce qui est extrêmement injuste pour les employés.

Algorithme de détection de cible

En fait, derrière cet incident controversé se cache une technologie de détection de cible d'IA très courante.

Par exemple, étant donné une photo d'une rue d'une ville, un modèle de détection d'objets renverra une liste d'annotations ou d'étiquettes pour tous les différents objets de l'image : feux de circulation, véhicules, panneaux de signalisation, bâtiments, etc.

Ces étiquettes contiendront la classe appropriée pour chaque objet, telle que "personne", et une "boîte englobante", la zone rectangulaire qui enferme complètement l'objet.

### Application industrielle

La détection d'objets est une tâche essentielle pour les humains : lorsque nous pénétrons dans une nouvelle pièce ou scène, notre premier réflexe est d'évaluer visuellement les objets et les personnes qui s'y trouvent, puis de les comprendre.

Comme pour les humains, la détection d'objets joue un rôle crucial en permettant aux ordinateurs de comprendre et d'interagir avec le monde visuel, et a été largement utilisée dans de nombreuses industries :

- Sécurité du site :

Les modèles de détection d'objets peuvent aider à améliorer la sûreté et la sécurité sur le lieu de travail. Ils peuvent par exemple détecter la présence d'individus ou de véhicules suspects dans des zones sensibles. De manière encore plus créative, cela peut garantir que les travailleurs utilisent des équipements de protection individuelle (EPI) tels que des gants, des casques ou des masques.

- réseaux sociaux:

Les modèles de détection d'objets peuvent aider à identifier la présence d'une marque, d'un produit, d'un logo ou d'une personne en particulier dans les médias numériques. Les annonceurs peuvent utiliser ces informations pour collecter des données et montrer aux utilisateurs des publicités plus pertinentes. Il permet également d'automatiser le processus de détection et de signalement des contenus inappropriés ou interdits.

- CQ :

Les modèles de détection d'objets permettent un examen automatisé des données visuelles. Les ordinateurs et les caméras peuvent analyser les données en temps réel, détecter et traiter automatiquement les informations visuelles et comprendre leur signification, réduisant ainsi l'intervention humaine dans les tâches qui nécessitent un examen visuel constant. Ceci est particulièrement utile dans le contrôle de la qualité de la production manufacturière. Non seulement il améliore l'efficacité, mais il peut également détecter les anomalies de production que l'œil humain pourrait manquer, évitant ainsi les interruptions de production potentielles ou les rappels de produits.

Atteint 66 AP pour la première fois, l'algorithme SOTA le plus puissant domine la liste

Actuellement, en termes de performances de l'algorithme de détection de cible, "DETRs with Collaborative Hybrid Assignments Training" de l'équipe nationale domine COCO avec un score de 66 AP. Ce travail a été accepté par ICCV 2023.

Dans l'article, les auteurs proposent un nouveau programme de formation d'affectation hybride collaboratif - Co-DETR, qui peut apprendre des détecteurs basés sur DETR plus efficaces et efficaces à partir de diverses affectations d'étiquettes.

En formant plusieurs têtes auxiliaires parallèles (supervisées par une attribution d'étiquettes un à plusieurs, telles que ATSS et Faster RCNN), le nouveau Co-DETR peut facilement augmenter la capacité d'apprentissage de l'encodeur dans un détecteur de bout en bout.

En extrayant les coordonnées positives de ces têtes auxiliaires pour des requêtes positives personnalisées supplémentaires, Co-DETR peut également améliorer l'efficacité de la formation des échantillons positifs dans le décodeur.

De plus, ces têtes auxiliaires sont rejetées lors de l'inférence, de sorte que le procédé n'introduit pas de paramètres supplémentaires et de coût de calcul pour le détecteur d'origine, et ne nécessite pas non plus de suppression manuelle non maximale (NMS).

Adresse papier :

adresse du projet :

- Optimisation de l'encodeur :

Le schéma de formation peut facilement augmenter la capacité d'apprentissage du codeur dans le détecteur de bout en bout en formant plusieurs têtes auxiliaires parallèles supervisées par une attribution d'étiquettes un à plusieurs.

- Optimisation des codecs :

L'apprentissage de l'attention dans le décodeur est amélioré en extrayant les coordonnées positives de ces têtes auxiliaires pour des requêtes positives personnalisées supplémentaires.

- Performances SOTA :

Co-DETR équipé de ViT-L (304M paramètres) est le premier modèle à atteindre 66,0% AP sur COCO test-dev.

Les résultats expérimentaux montrent que sur la base du réseau dorsal Swin-L, la méthode Co-DETR peut améliorer les performances du modèle SOTA existant DINO-Deformable-DETR de 58,5 % à 59,5 % (sur l'ensemble de validation COCO).

Avec le support du réseau fédérateur ViT-L, Co-DETR atteint 66,0 % AP sur COCO test-dev et 67,9 % AP sur l'ensemble de validation LVIS.

De plus, Co-DETR atteint également de meilleures performances avec une taille de modèle plus petite que les méthodes précédentes.

Les références: