AI कैमोफ्लाज झुंड निगरानी कैमरों को धोखा देता है

बिल स्वीयरिंगन कहते हैं कि उन्होंने आधुनिक निगरानी के स्वचालित नेत्रों से चीजों को छिपाने का एक सस्ता और प्रभावी तरीका खोज लिया है: एक एआई-उत्पन्न कैमोफ्लाज जो Flock जैसी प्रणालियों द्वारा उपयोग किए जाने वाले वस्तु-पहचान मॉडल को भ्रमित करता है। सेकके समूह के सह-संस्थापक और कैनसास सिटी के सुरक्षा शोधकर्ता स्वीयरिंगन ने पिछले वर्ष घर से एक ही प्रयोग को बार-बार दोहराया। लगभग 31 मिलियन परीक्षणों के बाद, उनका मानना है कि उनका प्रवर्धन-सीखने वाला मॉडल आवश्यकता के अनुसार पैटर्न उत्पन्न कर सकता है जो Flock के पहचान सॉफ़्टवेयर को पैटर्न द्वारा ढकी वस्तु को अनदेखा करने के लिए प्रेरित करता है। उन्होंने शुक्रवार को Def Con पर पहली बार सार्वजनिक रूप से इस तकनीक का प्रदर्शन किया, जहां उन्होंने Donut Media के साथ मिलकर 2009 की टोयोटा Yaris को अपने सबसे हालिया डिज़ाइन में से एक से ढका और इसे Flock कैमरे के पास से गुज़ारा। "हमने साबित कर दिया कि यह प्रभावी है," उन्होंने TechCrunch को बताया, हालांकि उन्होंने माना कि कार के पहिए समस्या पैदा करते हैं। Donut Media जल्द ही प्रदर्शन का वीडियो प्रकाशित करने की योजना बना रहा है। महत्वपूर्ण सावधानी: यह कवर कैमरे को अंधा नहीं करता। फुटेज अभी भी रिकॉर्ड होता है और वीडियो देखने वाला मनुष्य एक कार देखता है। पैटर्न का लक्ष्य मशीनी स्तर है—वह वस्तु-पहचान मॉडल, जो सामान्यतः "यह एक वाहन है" या "यह एक प्लेट है" कहता है और इसे पंजीकृत करता है। AI पहचानकर्ता को पर्याप्त मात्रा में, स्वयं के निर्णय सीमाओं के अनुकूल, दृश्य-अभिकल्पित "शोर" प्रदान करके, मॉडल सफलतापूर्वक वस्तु को पंजीकृत नहीं करता। संक्षेप में, प्रतिकूल मशीन सीखने से, दृश्यमान डिज़ाइन को सांख्यिकीय अदृश्यता में परिवर्तित किया जाता है। स्वीयरिंगन अपने प्रणाली—जिसे noRecognition कहते हैं—को "मॉडल को पेंट करना सिखाने" के रूप में वर्णित करते हैं। प्रवर्धन मॉडल प्रत्येक आउटपुट को लक्षित पहचानकर्ता के साथ मूल्यांकन करता है,और क्रमिक रूप से सुधारता है,अबलगभग प्रति मिनट 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2011 111111111111111111111111111111111111111111111111111111111111111111111111111111111111 Swearingen says he’s keeping the strongest patterns offline to prevent camera vendors from training their systems against them. “Privacy is a fundamental right,” he told reporters, framing the project as a way for people to opt out of ubiquitous tracking. He says the idea sprang from a personal worry: he wanted to attend a protest and feared being logged by nearby cameras. The noRecognition work sits in a longer history of low‑tech and high‑tech anti‑detection tactics. Protesters have used cones to confuse robotaxis, masks and hoods are common on protest lines, and commercially sold adversarial clothing and anti‑recognition glasses have appeared—though evidence of their real‑world effectiveness has been mixed. What sets Swearingen’s project apart is its explicit targeting of widely deployed commercial stacks, with Flock singled out. The company’s surveillance system has become controversial on Capitol Hill, and internal documents show it once pitched turning up to 350,000 Uber and Lyft dashcams into a rolling plate‑scanning fleet. Automated readers have already had dangerous real‑world consequences—mistaken matches have led to armed traffic stops—and critics warn immigrant communities and protesters can get swept up in automated enforcement. Lawmakers are also scrutinizing facial‑recognition features from other companies, like Meta’s smart glasses, meaning legal responses to automated detection are actively being explored. Swearingen has launched a crowdfunding campaign to finance early merchandise—T‑shirts and hoodies now, vehicle skins later—saying the goal is a pattern resolution that works at distance and a look people will actually wear. He notes legal gray areas: driving a wrapped car raises state‑by‑state questions about plate obstruction, and his patterns explicitly avoid covering license plates, focusing on bodywork only. “Every failure improves my model, and so [the patterns] keep getting better and better,” he said. The project raises sharper questions about the future of surveillance, the arms race between detection systems and evasive tech, and how society chooses to balance security, privacy, and civil liberties. Swearingen’s demonstration shows that, for now, a combination of clever machine learning and graphic design can make modern AI detectors look the other way.