Serigala Merah, Serigala Biru: Pengenalan Wajah Berbasis AI dan Pengawasan terhadap Palestina

Sedikit tempat di Bumi yang diawasi secara terus-menerus seperti wilayah Palestina yang diduduki.

Di jalan-jalan Hebron, di pos pemeriksaan yang sibuk di Yerusalem Timur, dan dalam kehidupan sehari-hari jutaan orang, sistem AI canggih sekarang bertindak sebagai penjaga dan pengawas.

Di balik kamera dan database ada dua alat yang sangat efisien — Serigala Merah dan Serigala Biru — sistem pengenalan wajah yang dirancang tidak untuk kenyamanan atau komersial, tetapi untuk kontrol.

Tugas mereka: memindai wajah, mencocokkan dengan database biometrik yang luas, dan memutuskan apakah seseorang dapat bergerak bebas atau harus dihentikan.

Apa yang membuat sistem ini sangat mengkhawatirkan bukan hanya teknologinya sendiri, tetapi cara mereka digunakan — menargetkan seluruh populasi berdasarkan etnis, mengumpulkan data tanpa persetujuan, dan mengintegrasikan algoritma ke dalam mesin pendudukan.

Dalam bagian selanjutnya, kita akan menjelajahi bagaimana sistem AI ini bekerja, di mana mereka diterapkan, penyalahgunaan yang mereka bantu, dan mengapa mereka penting jauh melampaui Palestina.

Bagaimana Serigala Merah dan Serigala Biru Bekerja

Serigala Biru adalah aplikasi mobile yang dibawa oleh tentara saat patroli. Sebuah foto cepat dari wajah seorang Palestina memicu pencocokan instan terhadap repositori biometrik yang luas yang sering disebut oleh pasukan sebagai Wolf Pack.

Responnya sangat sederhana: kode warna. Hijau menunjukkan lewat; kuning berarti hentikan dan tanyakan; merah menandakan tahan atau tolak masuk.

Serigala Biru bukan hanya alat pencarian. Ini mendaftar wajah baru. Ketika foto tidak cocok, gambar dan metadata dapat ditambahkan ke database, membuat atau memperluas profil. Unit-unit telah didorong untuk menangkap sebanyak mungkin wajah untuk “memperbaiki” sistem.

Serigala Merah memindahkan identifikasi ke pos pemeriksaan itu sendiri. Kamera tetap di pintu putar memindai setiap wajah yang memasuki kandang. Sistem membandingkan template wajah dengan profil yang terdaftar dan memancarkan warna triage yang sama di layar.

Jika sistem tidak mengenali Anda, Anda tidak lewat. Wajah Anda kemudian ditangkap dan didaftarkan untuk kali berikutnya.

AI dan Pembelajaran Mesin di Balik

Vendor dan arsitektur model yang tepat tidak dipublikasikan. Tetapi perilakunya sesuai dengan pipeline komputer-vision standar:

• Deteksi: Kamera atau sensor ponsel menemukan wajah dalam bingkai.
• Landmarking: Titik kunci (mata, hidung, sudut mulut) dipetakan untuk menormalkan pose dan pencahayaan.
• Penanaman: Jaringan neural dalam mengubah wajah menjadi vektor kompak (“sidik wajah”).
• Pencocokan: Vektor itu dibandingkan dengan penanaman yang disimpan menggunakan kesamaan kosinus atau pencarian tetangga terdekat.
• Keputusan: Jika kesamaan melebihi ambang, profil dikembalikan dengan status; jika tidak, profil baru mungkin dibuat.

Apa yang khas di sini adalah spesifisitas populasi. Data pelatihan dan referensi sebagian besar terdiri dari wajah Palestina. Itu mengkonsentrasikan kinerja model pada satu kelompok — dan mengkodekan bentuk profil digital dengan desain.

Pada skala besar, sistem ini kemungkinan menggunakan inferensi edge untuk kecepatan (ponsel dan unit pos pemeriksaan yang menjalankan model yang dioptimalkan) dengan sinkronisasi asinkron ke server pusat. Itu meminimalkan latensi di pintu putar sambil menjaga database pusat tetap segar.

Ambang dapat disesuaikan dalam perangkat lunak. Menaikkan ambang mengurangi positif palsu tetapi meningkatkan negatif palsu; menurunkan ambang melakukan sebaliknya. Dalam konteks pos pemeriksaan, insentif miring ke arah over-flagging, memindahkan beban kesalahan ke warga sipil.

Data, Label, dan Drift

Pengenalan wajah hanya sebaik data yang digunakannya.

Kampanye pengumpulan foto massal Serigala Biru bertindak sebagai akuisisi data. Wajah dipotret dalam pencahayaan dan sudut yang bervariasi, dengan label yang dilampirkan setelahnya: identitas, alamat, tautan keluarga, pekerjaan, dan peringkat keamanan.

Label-label itu bukan kebenaran dasar. Mereka adalah pernyataan administratif yang dapat ketinggalan zaman, bias, atau salah. Ketika label-label tersebut memberi makan pelatihan model ulang, kesalahan mengeras menjadi fitur.

Seiring waktu, drift dataset merayap. Anak-anak menjadi dewasa. Orang berubah penampilan. Kekurangan “contoh keras” (orang yang terlihat mirip, oklusi, masker) dapat mengembang tingkat kesalahan nyata. Jika pemantauan dan rebalancing lemah, sistem secara diam-diam memburuk — sambil mempertahankan aura kepastian yang sama di pos pemeriksaan.

Di Mana Ini Diterapkan dan Bagaimana Ini Berkembang

Sektor H2 Hebron adalah tempat uji coba. Puluhan pos pemeriksaan internal mengatur pergerakan melalui jalan-jalan Kota Tua dan ke rumah-rumah Palestina.

Serigala Merah dipasang di pintu putar tertentu, menciptakan koridor pendaftaran wajib. Serigala Biru mengikuti di kaki, memperluas cakupan ke pasar, jalan samping, dan ambang pintu pribadi.

Di Yerusalem Timur, otoritas telah melapisinya dengan CCTV yang mampu AI di sekitar lingkungan Palestina dan sekitar situs suci. Kamera mengidentifikasi dan melacak individu dari jarak jauh, memungkinkan penangkapan pasca-peristiwa dengan menjalankan video melalui pencarian wajah.

Kepadatan pengawasan penting. Semakin banyak kamera dan titik penangkapan, semakin lengkap grafik populasi: siapa yang tinggal di mana, siapa yang mengunjungi siapa, siapa yang menghadiri apa. Setelah didirikan, grafik itu memberi makan tidak hanya pengenalan tetapi juga analitik jaringan dan model pola kehidupan.

Hebron: Kota di Bawah Pengawasan Digital

Penduduk menggambarkan pos pemeriksaan yang terasa kurang seperti perbatasan dan lebih seperti gerbang otomatis. Layar merah dapat mengunci seseorang di luar jalan mereka sendiri sampai pengawasan manusia tiba — jika itu tiba sama sekali.

Di luar kontrol akses, jaringan kamera menguasai kehidupan sehari-hari. Lensa menonjol dari atap dan tiang lampu. Beberapa mengarah ke halaman dan jendela. Orang memendekkan kunjungan, mengubah rute berjalan, dan menghindari berlama-lama di luar.

Biaya sosialnya halus tetapi meresap: kurangnya pertemuan halaman, kurangnya percakapan kebetulan, kurangnya permainan jalan untuk anak-anak. Kota menjadi sunyi bukan karena aman tetapi karena diawasi.

Yerusalem Timur: Kamera di Setiap Sudut

Di Kota Tua Yerusalem Timur dan lingkungan sekitarnya, pengenalan wajah berjalan di atas backbone CCTV yang luas.

Footage dapat dicari. Wajah dari protes dapat dicocokkan hari-hari kemudian. Logikanya sederhana: Anda mungkin pergi hari ini, tetapi Anda tidak pergi dari database.

Penduduk berbicara tentang “indra keenam” yang Anda kembangkan — kesadaran akan setiap kubah tiang — dan sensor internal yang datang dengannya.

Krisis Hak Asasi Manusia

Beberapa garis merah dilintasi sekaligus:

• Kesetaraan: Hanya orang Palestina yang tunduk pada triage biometrik di pos pemeriksaan ini. Rute terpisah melindungi pemukim dari pemeriksaan yang sebanding.
• Persetujuan: Pendaftaran tidak sukarela. Menolak untuk dipindai berarti menolak untuk bergerak.
• Transparansi: Orang tidak bisa melihat, membantah, atau memperbaiki data yang mengatur mereka.
• Proporsionalitas: Jaringan biometrik yang rendah gesekan dan selalu aktif mengobati seluruh populasi sebagai tersangka secara default.

Pengenalan wajah juga salah mengidentifikasi — terutama dengan pencahayaan yang buruk, oklusi sebagian, atau perubahan usia. Dalam pengaturan ini, kesalahan pencocokan dapat berarti penahanan atau penolakan masuk; kesalahan pencocokan yang terlewatkan dapat membiarkan seseorang terdampar di pintu putar.

Biaya Psikologis

Hidup di bawah pengawasan AI yang terus-menerus mengajarkan kehati-hatian.

Orang menghindari pertemuan, mengubah rutinitas, dan mengawasi anak-anak lebih dekat. Kata-kata diukur di depan umum. Gerakan dihitung.

Banyak orang menggambarkan efek mematikan dari dikurangi menjadi hijau, kuning, atau merah kode. Penghakiman biner mesin menjadi fakta paling penting tentang hari Anda.

Pemerintahan, Hukum, dan Akuntabilitas

Di dalam Israel yang sebenarnya, pengenalan wajah telah menghadapi dorongan privasi. Di wilayah yang diduduki, rezim hukum yang berbeda berlaku, dan perintah militer mengesampingkan norma privasi sipil.

Kesenjangan kunci:

• Tidak ada pengawasan independen dengan kekuatan untuk memeriksa dataset, ambang, atau tingkat kesalahan.
• Tidak ada proses banding untuk individu yang salah ditandai atau didaftarkan.
• Retensi yang tidak ditentukan dan aturan berbagi untuk data biometrik dan profil yang dihasilkan.
• Resiko creep tujuan karena dataset dan alat digunakan kembali untuk target intelijen dan pengawasan jaringan.

Tanpa batasan yang mengikat, trajektori default adalah perluasan: lebih banyak kamera, daftar pengawasan yang lebih luas, integrasi yang lebih dalam dengan dataset lain (ponsel, kendaraan, utilitas).

Di Dalam Lingkaran Keputusan

Pengenalan wajah di sini tidak beroperasi dalam vakum. Ini difusi dengan:

• Daftar pengawasan: Daftar nama, alamat, dan “asosiasi” yang mengarahkan hasil kode warna.
• Aturan geofencing: Lokasi atau jendela waktu yang memicu pemeriksaan yang ditingkatkan.
• Antarmuka pengguna operator: Triage warna sederhana yang mendorong bias otomatisasi — penghakiman manusia terhadap output mesin.
• Dasbor perintah: Peta panas, peringatan, dan statistik yang dapat mengubah “lebih banyak henti” menjadi “kinerja yang lebih baik.”

Setelah metrik perintah menghargai volume — lebih banyak pemindaian, lebih banyak bendera, lebih banyak “temuan” — sistem bergeser ke arah memaksimalkan gesekan untuk populasi yang dikuasai.

Apa yang Membuatnya Berbeda dari Pengawasan Konvensional

Tiga fitur membedakan Serigala Merah/Serigala Biru:

1. Pengambilan wajib: Pergerakan sering memerlukan pemindaian. Opt-out sama dengan kunci keluar.
2. Spesifisitas populasi: Model dan database fokus pada satu kelompok etnis, memasak diskriminasi ke dalam pipeline.
3. Integrasi operasional: Keluaran langsung mengatur akses dan memicu penegakan, bukan hanya analisis pasca-fakta.

Elemen mengingatkan penerapan lain di seluruh dunia: jaringan kamera padat, pencarian wajah pada footage protes, kepolisian prediktif yang diberi makan label yang salah.

Tapi fusi pendudukan militer dan gerakan AI-berbasis membuatnya sangat jelas. Ini menunjukkan bagaimana visi komputer modern dapat memperkuat sistem segregasi — membuatnya lebih cepat, lebih sunyi, dan lebih sulit untuk dibantah.

Pejabat keamanan berargumen bahwa alat-alat ini mencegah kekerasan dan membuat penyaringan lebih efisien.

Para kritikus membantah bahwa “okupasi yang efisien” bukanlah peningkatan etis. Ini hanya industrialisasi kontrol — dan memindahkan biaya kesalahan ke warga sipil yang tidak memiliki hak apapun.

Apa yang Perlu Ditonton Selanjutnya

• Kemajuan model: Perluasan dari pengenalan wajah ke analitik perilaku, suara, dan analitik langkah.
• Pengaturan ambang: Perubahan kebijakan yang secara diam-diam menaikkan atau menurunkan batang pencocokan — dan beban warga sipil.
• Penggabungan data: Menghubungkan biometrik dengan metadata telekom, pembaca pelat nomor, pembayaran, dan utilitas.
• Ekspor: Adopsi sistem “teruji pertempuran” yang serupa oleh pemerintah lain, dipasarkan sebagai solusi keamanan kota pintar atau perbatasan.

Kesimpulan: Peringatan untuk Dunia

Di pintu putar Hebron atau gang Damaskus, AI telah menjadi pengambil keputusan yang berdiri sendiri atas pergerakan manusia.

Bahaya tidak hanya kamera itu sendiri. Ini adalah sistem: pendaftaran wajib, database yang tidak transparan, triage instan, dan vakum hukum yang mengobati seluruh orang sebagai tersangka abadi.

Apa yang dinormalkan adalah template — cara mengatur melalui algoritma. Pilihan yang dihadapi dunia yang lebih luas adalah untuk menerima template itu, atau menggambar garis keras sebelum kecurigaan otomatis menjadi pengaturan default kehidupan publik.