CBPs Clearview-AI-Deal: Gesichtserkennung für taktische Zielverfolgung
Die US-amerikanische Zoll- und Grenzschutzbehörde (CBP) hat einen Vertrag über 225.000 Dollar mit Clearview AI abgeschlossen, der die Nutzung ihrer Gesichtserkennungstechnologie für 'taktische Zielverfolgung' und 'strategische Analyse von Netzwerken' ermöglicht. Das Tool von Clearview AI hat Zugriff auf über 60 Milliarden Bilder, die aus dem Internet gesammelt wurden, und verbessert die Fähigkeiten der Geheimdiensteinheiten des CBP, wie der Geheimdienstabteilung (INTEL) und des National Targeting Centers, zur Identifizierung von Sicherheitsbedrohungen.
Die Vereinbarung bedeutet, dass die Technologie von Clearview in die täglichen Aufgaben der Analysten integriert wird. Die Analysten werden voraussichtlich mit sensiblen personenbezogenen Daten umgehen, darunter biometrische Identifikatoren wie Gesichtsabbildungen, während sie an Vertraulichkeitsvereinbarungen gebunden sind. Allerdings spezifiziert der Vertrag nicht, welche Arten von Fotos hochgeladen werden, ob US-Bürger in die Suchen einbezogen werden, oder wie lange Bilder oder Suchergebnisse gespeichert werden.
Dieser Vertrag kommt zu einem Zeitpunkt, an dem die Nutzung der Gesichtserkennung durch Bundesbehörden jenseits der Grenzsicherheit zunehmend kritisch betrachtet wird, und besorgniserregende Tendenzen zur routinemäßigen Anwendung anstatt zu isolierten Ermittlungen aufwirft. Besonders Senator Ed Markey hat ein Gesetz vorgeschlagen, das ICE und CBP die Nutzung von Gesichtserkennungstechnologie verbieten würde, und damit die tiefere Integration biometrischer Überwachung ohne eindeutige Grenzen oder Transparenz anprangert.
Es wurde festgestellt, dass frühere Tests des National Institute of Standards and Technology (NIST) die Herausforderungen von Gesichtserkennungssystemen aufzeigten. Während sie in kontrollierten Umgebungen wie 'hochqualitativen visabildartigen Fotos' effektiv sind, haben diese Systeme in weniger kontrollierten Umgebungen Schwierigkeiten und zeigen Fehlerraten von über 20 % bei Bilder von niedrigerer Qualität. NIST betont, dass diese Systeme, wenn sie für Ermittlungen eingesetzt werden, eine nachrangige Liste potenzieller Übereinstimmungen für die menschliche Überprüfung bereitstellen sollten, anstatt eine einzige bestätigte Übereinstimmung zu liefern.
📖 Read the full source: HN AI Agents
👀 Siehe auch
Claude Max 100-Dollar-Abonnement-Nutzungsdaten für API-Erweiterungsaufgabe
Ein Claude Max-Abonnent für 100 US-Dollar berichtet, dass er 13 % einer 5-stündigen Sitzung verbraucht hat, um eine bestehende API mit Funktionen für bevorzugte Bibliotheken zu erweitern, wobei die Kontextnutzung bei 11 % lag und die wöchentliche Nutzung von 5 % auf 6 % gestiegen ist.
xAI verliert rechtliche Anfechtung gegen kalifornisches KI-Datenoffenlegungsgesetz
xAI hat seinen Versuch, das kalifornische KI-Daten-Offenlegungsgesetz zu blockieren, verloren. Dieses Gesetz verlangt von Unternehmen, die Quellen ihrer Trainingsdaten und andere Details über ihre KI-Systeme offenzulegen. Das Gerichtsurteil bedeutet, dass das Gesetz wie geplant in Kraft treten wird.
KI-Agenten benötigen Rollback-Primitive, nicht nur Autonomie
Ein Entwickler argumentiert, dass Agent-Frameworks Datenbankkonzepte wie ACID, Sagas und kompensierende Aktionen übernehmen müssen, um partielle Fehler zu behandeln, anstatt sich darauf zu verlassen, dass LLMs das „irgendwie regeln“.
SPLICE-Benchmark zeigt: Visuell-sprachliche Modelle haben Schwierigkeiten mit zeitlichem Denken und verlassen sich auf Sprach-Priors
Auf der EMNLP 2025 vorgestellte Forschung zeigt, dass Vision-Language-Modelle bei einer Videosequenzierungsaufgabe, bei der Menschen hervorragend abschneiden, schlecht abschneiden. Modelle wie Gemini 2.0 Flash erreichen eine Genauigkeit von 51 %, während die menschliche Leistung bei 85 % liegt. Die Modelle verlassen sich häufig auf visuelle Abkürzungen und Sprachbeschreibungen anstatt auf ein echtes visuelles Verständnis.