CBPs Clearview-AI-Deal: Gesichtserkennung für taktische Zielverfolgung

✍️ OpenClawRadar📅 Veröffentlicht: 13. Februar 2026🔗 Source
CBPs Clearview-AI-Deal: Gesichtserkennung für taktische Zielverfolgung
Ad

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.

Ad

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

Ad

👀 Siehe auch

Mutterplattenverkauf bricht um über 25% ein, da KI-Chip-Produktion PC-Komponenten für Verbraucher verdrängt
Nachrichten

Mutterplattenverkauf bricht um über 25% ein, da KI-Chip-Produktion PC-Komponenten für Verbraucher verdrängt

Asus, Gigabyte, MSI und ASRock senken alle ihre Motherboard-Lieferziele für 2026 um 22–37 %, da Chiphersteller die Produktion auf KI-Prozessoren konzentrieren, was zu Komponentenknappheit und Preissteigerungen führt.

OpenClawRadar
"Untersuchen, welche Dateien im Kontextfenster eines Telegram-Chats enthalten sind"
Nachrichten

"Untersuchen, welche Dateien im Kontextfenster eines Telegram-Chats enthalten sind"

Begleiten Sie uns, während wir das Verständnis dafür vertiefen, welche Dateien Teil des Kontextfensters eines Telegram-Chats sind und Ihr operatives Wissen erweitern.

OpenClawRadar
Claude Code v2.1.160: Sicherheitsabfragen für Shell-Konfiguration, Dateischutz durch acceptEdits und Dutzende von Fehlerbehebungen
Nachrichten

Claude Code v2.1.160: Sicherheitsabfragen für Shell-Konfiguration, Dateischutz durch acceptEdits und Dutzende von Fehlerbehebungen

Anthropic hat Claude Code v2.1.160 veröffentlicht, das Sicherheitsabfragen vor dem Schreiben in Shell-Startup-Dateien und Build-Tool-Konfigurationen im acceptEdits-Modus hinzufügt, die Windows-Zwischenablage verbessert und Verluste des Sitzungsverlaufs behebt.

OpenClawRadar
Wenn RLVR kleinen feinabgestimmten Modellen hilft: Eine Analyse mit 12 Datensätzen
Nachrichten

Wenn RLVR kleinen feinabgestimmten Modellen hilft: Eine Analyse mit 12 Datensätzen

Ein kontrolliertes Experiment testete das Hinzufügen von RLVR-Verstärkungslernen auf 1,7-Milliarden-Parameter-Modelle, die mit SFT feinabgestimmt wurden. Die Ergebnisse zeigen, dass Textgenerierungsaufgaben im Durchschnitt um +2,0 Prozentpunkte verbessert wurden, während strukturierte Aufgaben um -0,7 Prozentpunkte zurückgingen.

OpenClawRadar