Jutaan orang menonton dari pemantauan kedai kopi, dan Musk berseru bahwa itu mengerikan! Anda minum kopi selama beberapa menit, AI tahu segalanya

Sumber artikel: Xinzhiyuan

EDIT: Aeneas sangat mengantuk

Di kedai kopi ini, berapa lama pelanggan tinggal dan berapa cangkir kopi yang dibuat petugas terlihat jelas di bawah kamera AI. Jutaan netizen menonton dan mengatakan itu mengerikan, dan Musk terkejut.

Kita hidup di dunia di mana privasi semakin berkurang.

Hari ini, video yang beredar di Internet ini membuat takut banyak orang.

Di kedai kopi, setiap pelanggan tinggal di toko selama beberapa menit, dan berapa banyak cangkir kopi yang dibawa oleh setiap pelayan kepada pelanggan, semuanya ditampilkan dengan jelas di video!

Video tersebut baru dirilis lebih dari sepuluh jam, dan lebih dari 1 juta netizen telah menontonnya.

Netizen yang memposting video tersebut mengatakan: Konsep ini menunjukkan bagaimana kedai kopi menggunakan AI untuk menganalisis barista dan pelanggan. Harap sepenuhnya "menikmati" privasi Anda di kedai kopi. 😂

Netizen lain mengatakan itu tidak mengejutkan. Sebagai konsumen, Anda harus tahu bahwa banyak toko mengetahui segalanya tentang Anda begitu Anda masuk.

"Insiden Cambridge Analytica" tidak ada artinya jika dibandingkan.

(Pada tahun 2018, Facebook mengakui bahwa perusahaan analisis data Inggris secara ilegal memperoleh informasi dari 50 juta pengguna Facebook pada tahun 2016, dan menggunakan informasi ini untuk membuat program perangkat lunak yang memprediksi dan memengaruhi hasil kotak suara dan berhasil membantu Trump memenangkan pemilihan presiden. pemilihan.)

Bahkan Musk sendiri muncul di area komentar, meninggalkan dua tanda seru berturut-turut.

Jika menurut Anda memiliki AI yang memata-matai staf dan pelanggan di kedai kopi cukup menakutkan, kenyataannya adalah, jika biaya tidak menjadi masalah, mungkin ada ribuan drone di langit yang mengirimkan data pelacakan waktu nyata ke regulator, dan semuanya akan dilacak dan direkam.

Anda bahkan tidak memerlukan departemen profesional, siapa pun dapat melakukan pelacakan pada drone amatir, karena teknologi deteksi objek dan pengenalan gambar saat ini terlalu kuat.

Tahukah Anda, saat menjalankan streaming 1080p pada kartu grafis diskrit beberapa tahun lalu, kapasitas maksimalnya hanya 6 objek.

"Mata" yang ada di mana-mana

Kenyataannya adalah dunia kita saat ini penuh dengan kamera.

Di antara mereka, banyak perusahaan telah menerapkan strategi yang sangat rahasia untuk melacak konsumen, semuanya dilakukan melalui AI dan pengenalan visual pada umpan video.

Misalnya, di laboratorium ritel pintar Wal-Mart, sensor dan kamera IRL memungkinkan staf untuk mengetahui segalanya di toko.

Restoran cepat saji juga mengadopsi teknologi AI untuk pengawasan karyawan. Ditetapkan karyawan harus memakai masker, jika ada yang melepas masker, pengelola akan langsung tahu.

Selain itu, data lokasi seluler kami juga dijual.

Hampir semua operator ponsel menjual data secara anonim ke toko ritel, yang bisa dikatakan sebagai bagian dari bisnis inti mereka.

Cukup Google "nama operator + wawasan kerumunan" dan hasilnya akan mengejutkan Anda.

"Apakah Anda ingin tahu berapa banyak orang yang melewati tempat tertentu dalam jangka waktu tertentu? Berapa usia dan status pendapatan mereka, dan berapa banyak dari mereka yang bisa menjadi pelanggan potensial?"

Tentu saja, layanan "crowd insight" akan menekankan bahwa data bersifat anonim, dan cara pengumpulan tanda terima tidak mengungkapkan privasi pribadi.

Seseorang berkata: Sekarang setelah data saya dikumpulkan, bisakah saya meminta perusahaan untuk membayar saya?

Mengenai kamera yang digunakan di perusahaan, beberapa orang di area komentar menunjukkan pengalaman mereka sendiri——

"Saya mengerjakan sistem kamera keamanan backend di stadion, dan yang kami rilis ke publik hanya 1/3 dari data sebenarnya."

"Ini hampir seperti di film, masukkan wajah Anda sendiri, dan sistem akan mengenali di mana Anda berada."

Dan untuk melakukan semua itu, Anda tinggal mengambil kamera apa saja, menginstal perangkat lunak seharga $300, dan menjalankannya hingga Anda kehabisan ruang disk.

** Pro dan kontra? **

Dalam hal ini, pakar konsultan AI Diego San Esteban membagikan pandangannya:

Dia percaya bahwa pemantauan AI tentu memiliki banyak keuntungan, seperti pemantauan kinerja dan produktivitas karyawan secara terus menerus, memungkinkan manajer untuk merumuskan strategi dengan lebih baik.

Selain itu, AI juga dapat memberikan data kinerja yang obyektif untuk menghindari bias manusia dalam evaluasi.

Kekurangannya juga banyak, yang paling dikritik adalah pelanggaran hak privasi karyawan, dan juga akan menimbulkan suasana ketidakpercayaan di perusahaan, yang akan mempengaruhi moral dan kepuasan kerja.

AI juga tidak dapat memahami konteks di mana pekerjaan dilakukan, dan kurang memiliki empati manusia.

Dan, kemungkinan membuat kesalahan, tergantung pada bias yang melekat pada data pelatihan, yang sangat tidak adil bagi karyawan.

Algoritme deteksi target

Faktanya, di balik insiden kontroversial ini terdapat deteksi target teknologi AI yang sangat umum.

Misalnya, diberikan foto jalan kota, model deteksi objek akan menampilkan daftar anotasi atau label untuk semua objek berbeda dalam gambar: lampu lalu lintas, kendaraan, rambu jalan, gedung, dll.

Label ini akan berisi kelas yang sesuai untuk setiap objek, seperti "orang", dan "kotak pembatas", area persegi panjang yang melingkupi objek sepenuhnya.

### Aplikasi Industri

Deteksi objek adalah tugas penting bagi manusia: saat memasuki ruangan atau pemandangan baru, insting pertama kita adalah menilai objek dan orang di dalamnya secara visual, lalu memahaminya.

Mirip dengan manusia, deteksi objek memainkan peran penting dalam memungkinkan komputer memahami dan berinteraksi dengan dunia visual, dan telah digunakan secara luas di banyak industri:

- Keamanan Situs:

Model deteksi objek dapat membantu meningkatkan keselamatan dan keamanan tempat kerja. Misalnya, mereka dapat mendeteksi keberadaan orang atau kendaraan yang mencurigakan di area sensitif. Lebih kreatif lagi, dapat memastikan pekerja menggunakan alat pelindung diri (APD) seperti sarung tangan, helm atau masker.

- media sosial:

Model deteksi objek dapat membantu mengidentifikasi keberadaan merek, produk, logo, atau orang tertentu di media digital. Pengiklan dapat menggunakan informasi ini untuk mengumpulkan data dan menampilkan iklan yang lebih relevan kepada pengguna. Ini juga membantu mengotomatiskan proses mendeteksi dan menandai konten yang tidak pantas atau dilarang.

- QC:

Model deteksi objek memungkinkan tinjauan otomatis data visual. Komputer dan kamera dapat menganalisis data secara real time, secara otomatis mendeteksi dan memproses informasi visual dan memahami signifikansinya, mengurangi campur tangan manusia dalam tugas yang memerlukan tinjauan visual secara terus-menerus. Ini sangat berguna dalam kontrol kualitas produksi manufaktur. Tidak hanya meningkatkan efisiensi, tetapi juga dapat mendeteksi anomali produksi yang mungkin terlewatkan oleh mata manusia, mencegah potensi gangguan produksi atau penarikan produk.

Mencapai 66 AP untuk pertama kalinya, algoritma SOTA terkuat mendominasi daftar

Saat ini, dari segi performa algoritma deteksi target, "DETRs with Collaborative Hybrid Assignment Training" dari tim domestik mendominasi COCO dengan skor 66 AP. Karya ini telah diterima oleh ICCV 2023.

Dalam makalah ini, penulis mengusulkan skema pelatihan penugasan hibrid kolaboratif baru - Co-DETR, yang dapat mempelajari detektor berbasis DETR yang lebih efisien dan efektif dari berbagai penetapan label.

Dengan melatih beberapa kepala tambahan paralel (diawasi oleh penetapan label satu-ke-banyak, seperti ATSS dan Faster RCNN), Co-DETR yang baru dapat dengan mudah meningkatkan kemampuan belajar pembuat enkode dalam detektor end-to-end.

Dengan mengekstraksi koordinat positif dari kepala tambahan ini untuk kueri positif tambahan yang disesuaikan, Co-DETR juga dapat meningkatkan efisiensi pelatihan sampel positif di dekoder.

Selain itu, kepala tambahan ini dibuang selama inferensi, sehingga metode ini tidak memasukkan parameter tambahan dan biaya komputasional ke detektor asli, dan juga tidak memerlukan non-maximum suppression (NMS) manual.

Alamat kertas:

alamat proyek:

- Pengoptimalan pembuat enkode:

Skema pelatihan dapat dengan mudah meningkatkan kemampuan pembelajaran pembuat enkode dalam detektor ujung ke ujung dengan melatih beberapa kepala bantu paralel yang diawasi oleh penetapan label satu-ke-banyak.

- Pengoptimalan codec:

Pembelajaran atensi dalam dekoder ditingkatkan dengan mengekstraksi koordinat positif dari kepala bantu ini untuk kueri positif kustom tambahan.

- Performa SOTA:

Co-DETR yang dilengkapi dengan ViT-L (parameter 304M) adalah model pertama yang mencapai 66,0% AP pada COCO test-dev.

Hasil percobaan menunjukkan bahwa berdasarkan jaringan backbone Swin-L, metode Co-DETR dapat meningkatkan kinerja model SOTA DINO-Deformable-DETR eksisting dari 58,5% menjadi 59,5% (pada set validasi COCO).

Dengan dukungan jaringan backbone ViT-L, Co-DETR mencapai 66,0% AP pada COCO test-dev dan 67,9% AP pada set validasi LVIS.

Selain itu, Co-DETR juga mencapai kinerja yang lebih baik dengan ukuran model yang lebih kecil dari metode sebelumnya.

Referensi: