У цій кав'ярні, як довго пробув клієнт і скільки чашок кави приготував продавець, добре видно під AI-камерою. Мільйони користувачів мережі дивилися і казали, що це жахливо, і Маск був шокований.
Ми живемо у світі, де приватності стає все менше.
Сьогодні це відео, яке потрапило в мережу, налякало багатьох.
У кав'ярні кожен клієнт залишався в магазині на кілька хвилин, а скільки чашок кави кожен офіціант приніс клієнту, все це наочно показано на відео!
Відео було опубліковано лише більше десяти годин, і його переглянули понад 1 мільйон користувачів мережі.
Користувач мережі, який опублікував відео, сказав: «Ця концепція показує, як кав’ярні використовують ШІ для аналізу бариста та клієнтів. Будь ласка, повною мірою "насолоджуйтеся" своїм приватним життям у кав'ярні. 😂
Інший користувач мережі сказав, що це не дивно. Як споживач, ви повинні знати, що багато магазинів знають про вас усе, щойно ви заходите.
«Інцидент Cambridge Analytica» блідне в порівнянні.
(У 2018 році Facebook визнав, що британська компанія з аналізу даних незаконно отримала інформацію про 50 мільйонів користувачів Facebook у 2016 році та використала цю інформацію для створення програмного забезпечення, яке передбачало та впливало на результати голосування та успішно допомогло Трампу виграти президентські вибори. вибори.)
Навіть сам Маск з'явився в зоні коментарів, залишивши два знаки оклику поспіль.
Якщо ви думаєте, що штучний інтелект, який стежить за персоналом і клієнтами в кав’ярні, досить страшний, реальність така, що, якщо вартість не є проблемою, у небі можуть бути тисячі дронів, які надсилають дані відстеження в режимі реального часу регуляторам, і все буде відслідковано та записано.
Вам навіть не потрібен професійний відділ, будь-хто може займатися стеженням на аматорському безпілотнику, тому що сучасна технологія виявлення об’єктів і розпізнавання зображень надто потужна.
Знаєте, кілька років тому під час потокової передачі 1080p на дискретній відеокарті максимальна ємність становила лише 6 об’єктів.
Всюдисущі "очі"
Реальність така, що наш нинішній світ сповнений камер.
Серед них багато компаній розгорнули дуже приховані стратегії відстеження споживачів, і все це робиться за допомогою штучного інтелекту та візуального розпізнавання у відеоканалах.
Наприклад, у розумній лабораторії роздрібної торгівлі Wal-Mart датчики IRL і камери дозволяють персоналу знати все в магазині.
Ресторани швидкого харчування також використовують технологію ШІ для нагляду за співробітниками. Встановлено, що працівники повинні бути в масках, якщо хтось зніме маску, керівник одразу про це дізнається.
Крім того, продаються наші мобільні дані про місцезнаходження.
Майже всі оператори мобільного зв’язку продають дані анонімно роздрібним магазинам, що, можна сказати, є частиною їх основного бізнесу.
Просто загугліть «ім’я оператора + аналіз натовпу», і результати вас здивують.
«Ви хочете знати, скільки людей проходить повз певне місце за певний період часу? Який їхній вік і статус доходів, і скільки з них можуть стати потенційними клієнтами?»
Звичайно, сервіс «crowd insight» підкреслить, що дані є анонімними, а спосіб збору квитанції не розкриває особистої конфіденційності.
Хтось сказав: тепер, коли мої дані зібрано, чи можу я попросити компанію заплатити мені?
Щодо камер, які використовуються на підприємствах, деякі люди в області коментарів показали власний досвід——
«Я працюю над внутрішньою системою відеоспостереження на стадіоні, і ми оприлюднюємо лише 1/3 фактичних даних».
«Це майже як у фільмі, введіть своє обличчя, і система розпізнає, де ви».
І щоб зробити все це, ви просто берете будь-яку камеру, встановлюєте програмне забезпечення вартістю 300 доларів і працюєте, доки не закінчиться місце на диску.
** Плюси і мінуси? **
З цього приводу експерт з консалтингу зі штучного інтелекту Дієго Сан Естебан поділився своїми думками:
Він вважає, що моніторинг штучного інтелекту, безумовно, має багато переваг, таких як постійний моніторинг ефективності та продуктивності співробітників, що дозволяє менеджерам краще формулювати стратегії.
Крім того, штучний інтелект також може надавати об’єктивні дані про ефективність, щоб уникнути людської упередженості в оцінці.
Також є багато недоліків, найбільше критикують порушення прав співробітників на конфіденційність, а також це створить атмосферу недовіри на підприємстві, що вплине на моральний стан і задоволеність роботою.
ШІ також не може адекватно зрозуміти контекст, у якому виконується робота, і йому бракує людського співчуття.
І, ймовірно, припустилися помилок, залежно від властивої упередженості даних навчання, що є надзвичайно несправедливим щодо працівників.
Алгоритм виявлення цілі
Насправді за цим суперечливим інцидентом стоїть дуже поширена технологія штучного інтелекту для виявлення цілей.
Наприклад, маючи фотографію міської вулиці, модель виявлення об’єктів поверне список анотацій або міток для всіх різних об’єктів на зображенні: світлофорів, транспортних засобів, дорожніх знаків, будівель тощо.
Ці мітки міститимуть відповідний клас для кожного об’єкта, наприклад «людина», і «обмежувальну рамку», прямокутну область, яка повністю охоплює об’єкт.
### Промислове застосування
Виявлення об’єктів є критично важливим завданням для людей: коли ми входимо в нову кімнату чи сцену, наш перший інстинкт – візуально оцінити об’єкти та людей у ній, а потім зрозуміти їх.
Подібно до людини, виявлення об’єктів відіграє вирішальну роль у тому, щоб комп’ютери могли розуміти візуальний світ і взаємодіяти з ним, і широко використовується в багатьох галузях промисловості:
- Безпека сайту:
Моделі виявлення об’єктів можуть допомогти підвищити безпеку на робочому місці. Наприклад, вони можуть виявити присутність підозрілих осіб або транспортних засобів у чутливих зонах. Ще більш креативно, він може забезпечити використання працівниками засобів індивідуального захисту (ЗІЗ), таких як рукавички, шоломи або маски.
- соц.медіа:
Моделі виявлення об’єктів можуть допомогти ідентифікувати присутність певного бренду, продукту, логотипу чи людини в цифрових носіях. Рекламодавці можуть використовувати цю інформацію для збору даних і показу користувачам більш релевантних оголошень. Це також допомагає автоматизувати процес виявлення та позначення невідповідного або забороненого вмісту.
- КЯ:
Моделі виявлення об’єктів дозволяють автоматизовано переглядати візуальні дані. Комп’ютери та камери можуть аналізувати дані в реальному часі, автоматично виявляючи та обробляючи візуальну інформацію та розуміючи її значення, зменшуючи втручання людини в завдання, які потребують постійного візуального перегляду. Це особливо корисно при контролі якості виробництва. Він не тільки покращує ефективність, але й може виявляти аномалії виробництва, які може пропустити людське око, запобігаючи потенційним збоям у виробництві чи відкликанню продукції.
Вперше досягнуто 66 AP, найсильніший алгоритм SOTA домінує в списку
Наразі, з точки зору ефективності алгоритму виявлення цілей, «DETRs with Collaborative Hybrid Assignments Training» від вітчизняної команди домінує над COCO з результатом 66 AP. Ця робота була прийнята ICCV 2023.
У статті автори пропонують нову гібридну навчальну схему спільного призначення – Co-DETR, яка може вивчати ефективніші та результативні детектори на основі DETR з різноманітних призначень міток.
Завдяки навчанню кількох паралельних допоміжних головок (під контролем призначення міток «один-до-багатьох», таких як ATSS і Faster RCNN), новий Co-DETR може легко підвищити здатність до навчання кодера в наскрізному детекторі.
Витягуючи позитивні координати з цих допоміжних головок для додаткових індивідуальних позитивних запитів, Co-DETR також може підвищити ефективність навчання позитивних зразків у декодері.
Крім того, ці допоміжні головки відкидаються під час висновку, тому метод не вводить додаткових параметрів і обчислювальних витрат на вихідний детектор, а також не вимагає ручного немаксимального придушення (NMS).
Адреса паперу:
адреса проекту:
- Оптимізація кодера:
Схема навчання може легко підвищити здатність до навчання кодера в наскрізному детекторі шляхом навчання кількох паралельних допоміжних головок під контролем призначення міток «один до багатьох».
- Оптимізація кодеків:
Вивчення уваги в декодері покращено шляхом вилучення позитивних координат із цих допоміжних головок для додаткових користувацьких позитивних запитів.
- Продуктивність SOTA:
Co-DETR, оснащений ViT-L (параметри 304M), є першою моделлю, яка досягла 66,0% AP на COCO test-dev.
Експериментальні результати показують, що на основі магістральної мережі Swin-L метод Co-DETR може покращити продуктивність існуючої моделі SOTA DINO-Deformable-DETR з 58,5% до 59,5% (за набором перевірки COCO).
Завдяки підтримці магістральної мережі ViT-L Co-DETR досягає 66,0% AP на COCO test-dev і 67,9% AP на перевірочному наборі LVIS.
Крім того, Co-DETR також досягає кращої продуктивності з меншим розміром моделі, ніж попередні методи.
Література:
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Мільйони людей спостерігали з моніторингу кав'ярні, а Маск вигукнув, що це жах! Ви п'єте каву кілька хвилин, ШІ все знає
Джерело статті: Xinzhiyuan
РЕДАГУВАТИ: Еней такий сонний
Ми живемо у світі, де приватності стає все менше.
Сьогодні це відео, яке потрапило в мережу, налякало багатьох.
У кав'ярні кожен клієнт залишався в магазині на кілька хвилин, а скільки чашок кави кожен офіціант приніс клієнту, все це наочно показано на відео!
«Інцидент Cambridge Analytica» блідне в порівнянні.
(У 2018 році Facebook визнав, що британська компанія з аналізу даних незаконно отримала інформацію про 50 мільйонів користувачів Facebook у 2016 році та використала цю інформацію для створення програмного забезпечення, яке передбачало та впливало на результати голосування та успішно допомогло Трампу виграти президентські вибори. вибори.)
Вам навіть не потрібен професійний відділ, будь-хто може займатися стеженням на аматорському безпілотнику, тому що сучасна технологія виявлення об’єктів і розпізнавання зображень надто потужна.
Всюдисущі "очі"
Реальність така, що наш нинішній світ сповнений камер.
Серед них багато компаній розгорнули дуже приховані стратегії відстеження споживачів, і все це робиться за допомогою штучного інтелекту та візуального розпізнавання у відеоканалах.
Наприклад, у розумній лабораторії роздрібної торгівлі Wal-Mart датчики IRL і камери дозволяють персоналу знати все в магазині.
«Ви хочете знати, скільки людей проходить повз певне місце за певний період часу? Який їхній вік і статус доходів, і скільки з них можуть стати потенційними клієнтами?»
Звичайно, сервіс «crowd insight» підкреслить, що дані є анонімними, а спосіб збору квитанції не розкриває особистої конфіденційності.
«Я працюю над внутрішньою системою відеоспостереження на стадіоні, і ми оприлюднюємо лише 1/3 фактичних даних».
** Плюси і мінуси? **
З цього приводу експерт з консалтингу зі штучного інтелекту Дієго Сан Естебан поділився своїми думками:
Крім того, штучний інтелект також може надавати об’єктивні дані про ефективність, щоб уникнути людської упередженості в оцінці.
Також є багато недоліків, найбільше критикують порушення прав співробітників на конфіденційність, а також це створить атмосферу недовіри на підприємстві, що вплине на моральний стан і задоволеність роботою.
ШІ також не може адекватно зрозуміти контекст, у якому виконується робота, і йому бракує людського співчуття.
І, ймовірно, припустилися помилок, залежно від властивої упередженості даних навчання, що є надзвичайно несправедливим щодо працівників.
Алгоритм виявлення цілі
Насправді за цим суперечливим інцидентом стоїть дуже поширена технологія штучного інтелекту для виявлення цілей.
Ці мітки міститимуть відповідний клас для кожного об’єкта, наприклад «людина», і «обмежувальну рамку», прямокутну область, яка повністю охоплює об’єкт.
Виявлення об’єктів є критично важливим завданням для людей: коли ми входимо в нову кімнату чи сцену, наш перший інстинкт – візуально оцінити об’єкти та людей у ній, а потім зрозуміти їх.
Подібно до людини, виявлення об’єктів відіграє вирішальну роль у тому, щоб комп’ютери могли розуміти візуальний світ і взаємодіяти з ним, і широко використовується в багатьох галузях промисловості:
Моделі виявлення об’єктів можуть допомогти підвищити безпеку на робочому місці. Наприклад, вони можуть виявити присутність підозрілих осіб або транспортних засобів у чутливих зонах. Ще більш креативно, він може забезпечити використання працівниками засобів індивідуального захисту (ЗІЗ), таких як рукавички, шоломи або маски.
- соц.медіа:
Моделі виявлення об’єктів можуть допомогти ідентифікувати присутність певного бренду, продукту, логотипу чи людини в цифрових носіях. Рекламодавці можуть використовувати цю інформацію для збору даних і показу користувачам більш релевантних оголошень. Це також допомагає автоматизувати процес виявлення та позначення невідповідного або забороненого вмісту.
- КЯ:
Моделі виявлення об’єктів дозволяють автоматизовано переглядати візуальні дані. Комп’ютери та камери можуть аналізувати дані в реальному часі, автоматично виявляючи та обробляючи візуальну інформацію та розуміючи її значення, зменшуючи втручання людини в завдання, які потребують постійного візуального перегляду. Це особливо корисно при контролі якості виробництва. Він не тільки покращує ефективність, але й може виявляти аномалії виробництва, які може пропустити людське око, запобігаючи потенційним збоям у виробництві чи відкликанню продукції.
Вперше досягнуто 66 AP, найсильніший алгоритм SOTA домінує в списку
Наразі, з точки зору ефективності алгоритму виявлення цілей, «DETRs with Collaborative Hybrid Assignments Training» від вітчизняної команди домінує над COCO з результатом 66 AP. Ця робота була прийнята ICCV 2023.
Завдяки навчанню кількох паралельних допоміжних головок (під контролем призначення міток «один-до-багатьох», таких як ATSS і Faster RCNN), новий Co-DETR може легко підвищити здатність до навчання кодера в наскрізному детекторі.
Витягуючи позитивні координати з цих допоміжних головок для додаткових індивідуальних позитивних запитів, Co-DETR також може підвищити ефективність навчання позитивних зразків у декодері.
Крім того, ці допоміжні головки відкидаються під час висновку, тому метод не вводить додаткових параметрів і обчислювальних витрат на вихідний детектор, а також не вимагає ручного немаксимального придушення (NMS).
адреса проекту:
- Оптимізація кодера:
Схема навчання може легко підвищити здатність до навчання кодера в наскрізному детекторі шляхом навчання кількох паралельних допоміжних головок під контролем призначення міток «один до багатьох».
- Оптимізація кодеків:
Вивчення уваги в декодері покращено шляхом вилучення позитивних координат із цих допоміжних головок для додаткових користувацьких позитивних запитів.
- Продуктивність SOTA:
Co-DETR, оснащений ViT-L (параметри 304M), є першою моделлю, яка досягла 66,0% AP на COCO test-dev.
Завдяки підтримці магістральної мережі ViT-L Co-DETR досягає 66,0% AP на COCO test-dev і 67,9% AP на перевірочному наборі LVIS.
Крім того, Co-DETR також досягає кращої продуктивності з меншим розміром моделі, ніж попередні методи.