Миллионы людей наблюдали из кофейни за мониторингом, и Маск восклицал, что это было ужасно! Выпьешь кофе за несколько минут, ИИ все знает

Источник статьи: Xinzhiyuan

РЕДАКТИРОВАТЬ: Эней такой сонный

В этой кофейне под камерой ИИ хорошо видно, сколько времени пробыл клиент и сколько чашек кофе приготовил продавец. Миллионы пользователей сети смотрели и говорили, что это ужасно, а Маск был в шоке.

Мы живем в мире, где все меньше и меньше конфиденциальности.

Сегодня это видео, появившееся в Интернете, напугало многих.

В кофейне каждый покупатель оставался в магазине несколько минут, а сколько чашек кофе каждый официант принес покупателю, все это наглядно показано на видео!

Видео было выпущено всего более десяти часов назад, и его посмотрели более 1 миллиона пользователей сети.

Пользователь сети, разместивший видео, сказал: «Эта концепция показывает, как кофейни используют ИИ для анализа бариста и клиентов. Пожалуйста, полностью «наслаждайтесь» своим уединением в кофейне. 😂

Другой пользователь сети сказал, что это не было неожиданностью. Как потребитель, вы должны знать, что многие магазины знают о вас все, как только вы входите в них.

«Дело Cambridge Analytica» меркнет по сравнению с ним.

(В 2018 году Facebook признал, что британская компания по анализу данных незаконно получила информацию о 50 миллионах пользователей Facebook в 2016 году и использовала эту информацию для создания программы, которая предсказывала и влияла на результаты голосования и успешно помогла Трампу выиграть президентские выборы. выборы.)

Даже сам Маск появился в области комментариев, оставив два восклицательных знака подряд.

Если вы думаете, что наличие ИИ, шпионящего за персоналом и клиентами в кафе, достаточно пугает, реальность такова, что, если стоимость не является проблемой, в небе могут быть тысячи дронов, отправляющих данные отслеживания в режиме реального времени регулирующим органам. все будет отслеживаться и записываться.

Вам даже не нужен профессиональный отдел, любой может заниматься отслеживанием на любительском беспилотнике, потому что современные технологии обнаружения объектов и распознавания изображений слишком сильны.

Вы знаете, что несколько лет назад при запуске потоковой передачи 1080p на дискретной видеокарте максимальная емкость составляла всего 6 объектов.

Вездесущие «глаза»

Реальность такова, что наш сегодняшний мир полон камер.

Среди них многие компании развернули очень скрытые стратегии для отслеживания потребителей, и все это с помощью ИИ и визуального распознавания в видеопотоках.

Например, в лаборатории интеллектуальной розничной торговли Wal-Mart датчики и камеры IRL позволяют персоналу знать обо всем, что происходит в магазине.

Рестораны быстрого питания также внедрили технологию искусственного интеллекта для контроля сотрудников. Предусмотрено, что сотрудники должны быть в масках, если кто-то снимет маску, об этом сразу узнает руководитель.

Кроме того, наши мобильные данные о местоположении продаются.

Почти все операторы мобильной связи анонимно продают данные розничным магазинам, что, можно сказать, является частью их основного бизнеса.

Просто загуглите «имя оператора + информация о толпе», и результаты вас удивят.

«Вы хотите знать, сколько людей проходит мимо определенного места за определенный период времени? Каков их возраст и уровень дохода, и сколько из них могут стать потенциальными клиентами?»

Конечно, сервис «Crowd Insight» подчеркнет, что данные анонимны, а способ сбора квитанции не раскрывает личную конфиденциальность.

Кто-то сказал: теперь, когда мои данные собраны, могу ли я попросить компанию заплатить мне?

Что касается камер, используемых на предприятиях, некоторые люди в области комментариев поделились своим опытом——

«Я работаю над внутренней системой видеонаблюдения на стадионе, и то, что мы публикуем, — это только 1/3 реальных данных».

«Это почти как в кино: введите свое лицо, и система распознает, где вы находитесь».

И чтобы сделать все это, вы просто берете любую камеру, устанавливаете программное обеспечение за 300 долларов и работаете, пока не закончится место на диске.

** За и против? **

В связи с этим своим мнением поделился эксперт по ИИ-консалтингу Диего Сан-Эстебан:

Он считает, что мониторинг ИИ, безусловно, имеет много преимуществ, таких как непрерывный мониторинг производительности и производительности сотрудников, что позволяет менеджерам лучше формулировать стратегии.

Кроме того, ИИ также может предоставлять объективные данные о производительности, чтобы избежать предвзятости человека при оценке.

Недостатков тоже много.Наиболее критикуемым из них является нарушение прав сотрудников на неприкосновенность частной жизни, а также это создаст атмосферу недоверия на предприятии, что повлияет на моральный дух и удовлетворенность работой.

ИИ также не может адекватно понимать контекст, в котором выполняется работа, и ему не хватает человеческого сочувствия.

И, вероятно, будет совершать ошибки из-за присущей обучающим данным предвзятости, что крайне несправедливо по отношению к сотрудникам.

Алгоритм обнаружения цели

На самом деле за этим спорным инцидентом стоит очень распространенная технология обнаружения целей ИИ.

Например, учитывая фотографию городской улицы, модель обнаружения объектов вернет список аннотаций или меток для всех различных объектов на изображении: светофоров, транспортных средств, дорожных знаков, зданий и т. д.

Эти метки будут содержать соответствующий класс для каждого объекта, например «человек», и «ограничивающую рамку» — прямоугольную область, полностью охватывающую объект.

### Промышленное применение

Обнаружение объектов является критически важной задачей для людей: при входе в новую комнату или сцену наш первый инстинкт — визуально оценить объекты и людей в ней, а затем понять их.

Подобно людям, обнаружение объектов играет решающую роль в том, чтобы позволить компьютерам понимать визуальный мир и взаимодействовать с ним, и широко используется во многих отраслях:

- Безопасность сайта:

Модели обнаружения объектов могут помочь повысить безопасность на рабочем месте. Например, они могут обнаруживать присутствие подозрительных лиц или транспортных средств в особо важных зонах. Еще более творчески он может обеспечить использование работниками средств индивидуальной защиты (СИЗ), таких как перчатки, каски или маски.

- социальные медиа:

Модели обнаружения объектов могут помочь определить присутствие определенного бренда, продукта, логотипа или человека на цифровых носителях. Рекламодатели могут использовать эту информацию для сбора данных и показа пользователям более релевантной рекламы. Это также помогает автоматизировать процесс обнаружения и пометки неприемлемого или запрещенного контента.

- КК:

Модели обнаружения объектов позволяют автоматически просматривать визуальные данные. Компьютеры и камеры могут анализировать данные в режиме реального времени, автоматически обнаруживая и обрабатывая визуальную информацию и понимая ее значение, уменьшая вмешательство человека в задачи, требующие постоянного визуального контроля. Это особенно полезно при контроле качества производства. Он не только повышает эффективность, но и может обнаруживать производственные аномалии, которые человеческий глаз может не заметить, предотвращая потенциальные сбои производства или отзыв продукции.

Впервые достигнуто 66 AP, в списке доминирует самый сильный алгоритм SOTA

В настоящее время, с точки зрения производительности алгоритма обнаружения целей, «DETRs with Collaborative Hybrid Assignments Training» от отечественной команды доминирует над COCO с оценкой 66 AP. Эта работа была принята ICCV 2023.

В статье авторы предлагают новую совместную схему обучения гибридному назначению — Co-DETR, которая может обучать более эффективные детекторы на основе DETR из различных назначений меток.

За счет обучения нескольких параллельных вспомогательных головок (контролируемых назначением меток «один ко многим», например, ATSS и Faster RCNN), новый Co-DETR может легко повысить обучаемость энкодера в сквозном детекторе.

Извлекая положительные координаты из этих вспомогательных головок для дополнительных настраиваемых положительных запросов, Co-DETR также может повысить эффективность обучения положительных образцов в декодере.

Более того, эти вспомогательные головки отбрасываются при инференсе, поэтому метод не вносит дополнительных параметров и вычислительных затрат в исходный детектор, а также не требует ручного немаксимального подавления (NMS).

Адрес бумаги:

адрес проекта:

- Оптимизация энкодера:

Схема обучения может легко повысить обучаемость энкодера в сквозном детекторе за счет обучения нескольких параллельных вспомогательных головок, контролируемых назначением меток «один ко многим».

- Оптимизация кодека:

Изучение внимания в декодере улучшается за счет извлечения положительных координат из этих вспомогательных головок для дополнительных пользовательских положительных запросов.

- Производительность SOTA:

Co-DETR, оснащенный ViT-L (параметры 304M), является первой моделью, достигшей 66,0% AP на тест-разработке COCO.

Экспериментальные результаты показывают, что на основе магистральной сети Swin-L метод Co-DETR может повысить производительность существующей модели SOTA DINO-Deformable-DETR с 58,5% до 59,5% (на проверочном наборе COCO).

При поддержке магистральной сети ViT-L Co-DETR достигает 66,0% AP на тест-разработке COCO и 67,9 % AP на проверочном наборе LVIS.

Кроме того, Co-DETR также обеспечивает лучшую производительность при меньшем размере модели, чем предыдущие методы.

Использованная литература: