Milhões de pessoas assistiram do monitoramento da cafeteria, e Musk exclamou que era terrível! Você toma café por alguns minutos, a IA sabe de tudo

Fonte do artigo: Xinzhiyuan

EDIT: Aeneas está tão sonolento

Nesta cafeteria, quanto tempo o cliente ficou e quantas xícaras de café o balconista fez é claramente visível sob a câmera AI. Milhões de internautas assistiram e disseram que era terrível, e Musk ficou chocado.

Vivemos em um mundo onde há cada vez menos privacidade.

Hoje esse vídeo que saiu na internet assustou muita gente.

Em uma cafeteria, cada cliente permaneceu na loja por alguns minutos, e quantas xícaras de café cada garçom trouxe para o cliente, todas claramente mostradas no vídeo!

O vídeo foi lançado há apenas mais de dez horas e mais de 1 milhão de internautas o assistiram.

O internauta que postou o vídeo disse: Este conceito mostra como as cafeterias usam IA para analisar baristas e clientes. Por favor, "desfrute" totalmente da sua privacidade no café. 😂

Outro internauta disse que não era surpresa. Como consumidor, você deve saber que muitas lojas sabem tudo sobre você no momento em que você entra.

O "incidente Cambridge Analytica" empalidece em comparação.

(Em 2018, o Facebook admitiu que a empresa britânica de análise de dados obteve ilegalmente as informações de 50 milhões de usuários do Facebook em 2016 e usou essas informações para construir um programa de software que previu e influenciou os resultados das urnas e ajudou com sucesso Trump a vencer a eleição presidencial eleição.)

Até o próprio Musk apareceu na área de comentários, deixando dois pontos de exclamação seguidos.

Se você acha que ter uma IA espionando funcionários e clientes em uma cafeteria é assustador o suficiente, a realidade é que, se o custo não for um problema, pode haver milhares de drones no céu enviando dados de rastreamento em tempo real aos reguladores e tudo será rastreado e registrado.

Você nem precisa de um departamento profissional, qualquer um pode rastrear em um drone amador, porque a tecnologia atual de detecção de objetos e reconhecimento de imagem é simplesmente muito poderosa.

Você sabe, ao executar streaming de 1080p em uma placa gráfica discreta alguns anos atrás, a capacidade máxima era de apenas 6 objetos.

Os onipresentes "olhos"

A realidade é que nosso mundo atual está cheio de câmeras.

Entre eles, muitas empresas implantaram estratégias muito secretas para rastrear consumidores, tudo feito por meio de IA e reconhecimento visual em feeds de vídeo.

Por exemplo, no laboratório de varejo inteligente do Wal-Mart, sensores e câmeras IRL permitem que a equipe saiba tudo na loja.

Os restaurantes de fast food também adotaram a tecnologia de IA para a supervisão dos funcionários. Está estipulado que os funcionários devem usar máscaras.Se alguém tirar a máscara, o gerente saberá imediatamente.

Além disso, nossos dados de localização móvel estão à venda.

Quase todas as operadoras de telefonia móvel estão vendendo dados anonimamente para lojas de varejo, o que pode ser considerado parte de seu negócio principal.

Basta pesquisar no Google "nome do operador + insights da multidão" e os resultados irão surpreendê-lo.

"Você quer saber quantas pessoas passam por um determinado lugar em um determinado período de tempo? Qual é a idade e a renda delas, e quantas delas podem se tornar clientes em potencial?"

Obviamente, o serviço "crowd insight" enfatizará que os dados são anônimos e a forma como o recibo é coletado não revela a privacidade pessoal.

Alguém disse: Agora que meus dados foram coletados, posso pedir à empresa que me pague?

Em relação às câmeras utilizadas nas empresas, algumas pessoas na área de comentários mostraram suas próprias experiências——

"Eu trabalho no sistema de câmeras de segurança do estádio, e o que divulgamos ao público é apenas 1/3 dos dados reais."

"É quase como em um filme, insira seu próprio rosto e o sistema reconhecerá onde você está."

E para fazer tudo isso, basta pegar qualquer câmera, instalar um software de $ 300 e rodar até ficar sem espaço em disco.

** Prós e contras? **

A esse respeito, o especialista em consultoria de IA Diego San Esteban compartilhou suas opiniões:

Ele acredita que o monitoramento da IA certamente traz muitas vantagens, como o monitoramento contínuo do desempenho e da produtividade dos funcionários, permitindo que os gerentes formulem melhor as estratégias.

Além disso, a IA também pode fornecer dados de desempenho objetivos para evitar o viés humano na avaliação.

As deficiências também são muitas, sendo a mais criticada a violação dos direitos de privacidade dos funcionários, além de criar um clima de desconfiança na empresa, o que afetará o moral e a satisfação no trabalho.

A IA também não consegue entender adequadamente o contexto em que o trabalho está sendo feito e carece de empatia humana.

E é provável que cometa erros, sujeito ao viés inerente dos dados de treinamento, o que é extremamente injusto para os funcionários.

Algoritmo de detecção de alvo

Na verdade, por trás desse incidente controverso está uma detecção de alvo de tecnologia de IA muito comum.

Por exemplo, dada uma foto de uma rua da cidade, um modelo de detecção de objetos retornará uma lista de anotações ou rótulos para todos os diferentes objetos da imagem: semáforos, veículos, sinais de trânsito, edifícios, etc.

Esses rótulos conterão a classe apropriada para cada objeto, como "pessoa" e uma "caixa delimitadora", a área retangular que envolve completamente o objeto.

### Aplicação Industrial

A detecção de objetos é uma tarefa crítica para os humanos: ao entrar em uma nova sala ou cena, nosso primeiro instinto é avaliar visualmente os objetos e as pessoas que estão nela e depois entendê-los.

Semelhante aos humanos, a detecção de objetos desempenha um papel crucial ao permitir que os computadores entendam e interajam com o mundo visual e tem sido amplamente utilizada em muitos setores:

- Segurança do Site:

Os modelos de detecção de objetos podem ajudar a melhorar a segurança no local de trabalho. Por exemplo, eles podem detectar a presença de indivíduos ou veículos suspeitos em áreas sensíveis. De forma ainda mais criativa, pode garantir que os trabalhadores usem equipamentos de proteção individual (EPI), como luvas, capacetes ou máscaras.

- mídia social:

Os modelos de detecção de objetos podem ajudar a identificar a presença de uma determinada marca, produto, logotipo ou pessoa na mídia digital. Os anunciantes podem usar essas informações para coletar dados e mostrar aos usuários anúncios mais relevantes. Ele também ajuda a automatizar o processo de detecção e sinalização de conteúdo impróprio ou proibido.

- CQ:

Os modelos de detecção de objetos permitem a revisão automatizada de dados visuais. Computadores e câmeras podem analisar dados em tempo real, detectando e processando informações visuais automaticamente e entendendo seu significado, reduzindo a intervenção humana em tarefas que exigem revisão visual constante. Isso é especialmente útil no controle de qualidade da produção de manufatura. Além de melhorar a eficiência, também pode detectar anomalias de produção que o olho humano pode não perceber, evitando possíveis interrupções na produção ou recalls de produtos.

Atingido 66 AP pela primeira vez, o algoritmo SOTA mais forte domina a lista

Atualmente, em termos de desempenho do algoritmo de detecção de alvos, "DETRs with Collaborative Hybrid Assignments Training" da equipe doméstica domina o COCO com uma pontuação de 66 AP. Este trabalho foi aceito pelo ICCV 2023.

No artigo, os autores propõem um novo esquema de treinamento de atribuição híbrida colaborativa - Co-DETR, que pode aprender detectores baseados em DETR mais eficientes e eficazes a partir de diversas atribuições de rótulos.

Ao treinar várias cabeças auxiliares paralelas (supervisionadas por atribuição de rótulos um para muitos, como ATSS e RCNN mais rápido), o novo Co-DETR pode aumentar facilmente a capacidade de aprendizado do codificador no detector de ponta a ponta.

Ao extrair coordenadas positivas dessas cabeças auxiliares para consultas positivas personalizadas adicionais, o Co-DETR também pode melhorar a eficiência do treinamento de amostras positivas no decodificador.

Além disso, essas cabeças auxiliares são descartadas durante a inferência, de modo que o método não introduz parâmetros adicionais e custo computacional ao detector original, e também não requer supressão manual não máxima (NMS).

Endereço de papel:

endereço do projeto:

- Otimização do codificador:

O esquema de treinamento pode aumentar facilmente a capacidade de aprendizado do codificador no detector de ponta a ponta, treinando várias cabeças auxiliares paralelas supervisionadas por atribuição de rótulo um para muitos.

- Otimização de codec:

O aprendizado de atenção no decodificador é aprimorado pela extração de coordenadas positivas dessas cabeças auxiliares para consultas positivas personalizadas adicionais.

- Desempenho SOTA:

O Co-DETR equipado com ViT-L (parâmetros 304M) é o primeiro modelo a atingir 66,0% de AP no COCO test-dev.

Os resultados experimentais mostram que com base na rede backbone Swin-L, o método Co-DETR pode melhorar o desempenho do modelo SOTA existente DINO-Deformable-DETR de 58,5% para 59,5% (no conjunto de validação COCO).

Com o suporte da rede de backbone ViT-L, o Co-DETR atinge 66,0% de AP no COCO test-dev e 67,9% de AP no conjunto de validação LVIS.

Além disso, o Co-DETR também alcança melhor desempenho com um tamanho de modelo menor do que os métodos anteriores.

Referências: