Emberek és robotok egyre több szektorban, például a gyártásban, a medicinában és a logisztikában dolgoznak együtt, osztják meg egymással a munkateret.

A közös munka alapja a biztonság. Eddig a gépek hatótávolság-érzékelői akadályozták meg a súlyos ütközéseket, ezek a szenzorok viszont nem működnek, ha a robotok az emberekhez túl közel tartózkodnak. Más megoldásra van szükség.

A Fraunhofer Intézet kutatói az ilyen szituációkra fejlesztették a biztonságos robottervezésben segítő, webalapú – ingyenes – Cobot Designer alkalmazást. (A collaborative robotot rövidítő cobot az egymás közvetlen közelében történő együttműködésre utal.)

A cobotokkal dolgozó cégeknek kötelező kockázatbecslést készíteniük, amelyben azonosítják a potenciális veszélyforrásokat, az alkalmazottak által várható hibákat. A biztonsági hitelesítésnél mérésekkel állapítják meg a gép engedélyezett maximális sebességét, az általa kifejtett nyomást stb. A nemzetközi szabványokban meghatározott korlátokon nem léphetnek túl.

Ezek a mérések drágák, komoly szakértelmet igényelnek, és általában késeiek is, mert a robotokat addigra megépítették, beprogramozták, megvásárolták. Kis cégeknek ez külön problémás.

Itt jön képbe az interaktív Cobot Designer, amelyet vállalatok már a gép megvásárlása előtt használhatnak. Az eszköz például megállapítja, hogy a robot megfelel-e az adott feladat kivitelezésénél meghatározott maximális sebesség kritériumának. Ha viszont csökkenteni kell a munkatempóján, már nem biztos, hogy megéri megvásárolni, tehát beszerzés előtt gazdasági megvalósíthatósági elemzés sem árt.

A tervezővel megelőzhetők a felesleges vásárlások, csökkenthető a későbbi alkalmazásokra fordított munka. Fejlesztői el akarják érni, hogy a jövőben inkább a Cobot Designer által is használt számítógépes szimulációt alkalmazzák, mert így kisebb a fizikai mérések iránti igény. A tervező minden böngészőn fut, a felhasználó megadja a robot paramétereit, a kockázati tényezőket, és hogy milyen szerszámmal dolgozik (például fogóval).

A Cobot Designer automatikusan kiszámolja a robot-ember érintkezés következményeit és a megengedett maximális sebességet is. Az eddigi tesztek eredményesek voltak.

Japán mérnökök a hihetetlennek tűnő másodpercenkénti 319 terabájt adattovábbítással (Tb/s) megdöntötték az internetgyorsaság világcsúcsát. A rekordot több mint háromezer kilométer hosszú üvegszálas (optikai szálas) vonalon érték el. Ez egyrészt azt jelenti, hogy kompatibilis a meglévő kábelinfrastruktúrákkal, másrészt, mindent megváltoztathat.

A sebességről rengeteget elárul, hogy az eddigi csúcs, a 2020-as 178 Tb/s közel duplája, és bő hétszerese az azt megelőző – kísérleti fotonikus chippel elért – 44,2 Tb/s-nek.

Összehasonlításként, a NASA például viszonylag „lassan”, másodpercenkénti 400 gigabájttal dolgozik, az átlagfogyasztó által otthon használt 10 Gb/s maximális otthoni sebesség pedig fényévekre van a 319 terától.

A japán kutatók a létező száloptikás infrastruktúrát csak néhány elemmel egészítették ki. Hagyományos szabvány magok helyett négy másikat, az adatokat továbbító szálon belüli üvegcsöveket használtak. A jeleket egyszerre továbbított több hullámhosszra osztották – ez a technika hullámhossz-osztás multiplexálás (wavelength-division multiplexing, WDM) néven ismert.

Több adat továbbításához egy ritkán alkalmazott harmadik „sávval”, optikai erősítő technológiákkal növelték a távolságot.

Az adattovábbítás folyamata sokcsatornás lézer változatos hullámhosszokon történő használatával kezdődik. Egyes hullámhosszok mások előtt haladva, többféle jelszekvencia generálódik, majd mindegyikük a négy mag valamelyikére irányul. A rendszeren továbbított adatok 70 kilométer hosszú optikai szálon mennek végig, amíg el nem jutnak a jelet a hosszú távolságra felturbózó optikai erősítőkig. A jel ezt követően további két erősítőn megy még át.   

Az új, négymagos fényvezető szál átmérője ugyanannyi, mint a klasszikus egymagosé. Ez azt jelenti, hogy a módszer jelenlegi infrastruktúrákba integrálása jóval egyszerűbb lesz, mint a széles körben használt infokommunikációs rendszerek más átalakításai.

A 2006-ban korábbi Microsoft-vezetők által alapított Zillow az amerikai ingatlanüzlet egyik meghatározó online piactere. A cég most a házak értékét felbecsülő mesterséges ideghálóval újított.

Az ideghálóra épülő rendszer egy százalékra csökkentette az első becslések és a tényleges eladási ár közti különbséget, és a hibaráta-átlag is nagyon alacsony. A felújított – egyébként 2006 óta használt – Zestimate hamarosan elérhető lesz online.

A korábbi változat közel ezer nem gépitanulás-alapú algoritmussal dolgozott. Az algoritmusok egymástól függetlenül, önállóan végezték a munkájukat, mindegyiket más helyi piacra alakították ki.

Az új hálózat országszerte 104 millió lakás értékét becsüli fel naponta, és a becsléseket minden nap frissítik.

Egy globális modell jobban teljesíthet, mint a lokális modellek együtt. Az egyik ok, hogy a lokális, egy-egy adott kisebb területen történő lakáseladások ritkábbak – jelentette ki a Zillow egyik képviselője.

A teljesen egymáshoz kapcsolt, több rétegből álló rendszer egyrészt megtanulja a helyi mintákat, másrészt nemzeti szinten is dolgozik velük. Inputként a telekméretet, négyzetmétereket, szobák számát, az épület korát, a környéket, adóhatósági adatokat, régebbi és napi piaci árakat, a szomszédos ingatlanok méretét, és ha aktuális, a vízparttól való távolságot használja.

A Zestimate-hez korábbi modellek, például az értéket növelő (márvány részeket, rozsdamentes acélból készült háztartási gépeket stb. ábrázoló) képeket elemző gépilátás-rendszer is tartozik.

A cég február óta mintegy 900 ezer lakáshoz használta az idegháló becsléseit. Mivel az új rendszer pontosabb, a szám minden bizonnyal folyamatosan emelkedni fog. Eladónak és vásárlónak is komoly segítségét nyújt, csomó papírmunkától kíméli meg őket.

A Zillow más mesterségesintelligencia-megoldásokkal is foglalkozik, például jogi dokumentumok elemzéséhez fejlesztenek természetesnyelv-alapú keresőrendszert.

Egyes mesterséges ideghálók nagyon jól megtanultak játszani, de például a Dota 2-t megerősítéses tanulással (reinforcement learning) közel kétezer évnek megfelelő (de azért tömörítéssel lényegesen rövidebb) ideig gyakorolták, hogy eredményeket érjenek el.

A Cambridge Egyetem kutatói új módszerrel kísérleteznek: az automatizált gamer nem játszik évezredekig, helyette napokon keresztül néz felvett játékmeneteket.

A modellt felügyelt tanulással (supervised learning) gyakoroltatták a Counter Strike: Global Offensive (CS:GO) elsőszemélyes lövöldözős játékon. Pixeleket elemezve jutott el a középhaladó szintig.

Megerősítéses tanulással programozói interfésszel rendelkező játékokban kiváló eredményt érhetnek el a mesterséges ideghálók. Mivel a játékmenet sokkal gyorsabb, mint valósidőben, az interfész teszi lehetővé az összes potenciális játékállapot kiaknázását.

A CS:GO-ban viszont nincs ilyen interfész. A viselkedésalapú klónozás néven ismert technika, a szakértői bemutatókból történő tanulás lehet az alternatíva. Nehéz ezeket a bemutatókat összegyűjteni, nyilvános közvetítések azonban szerencsére épp elég anyagot szolgáltatnak.

A rendszer konvolúciós ideghálóval minden egyes képkockáról megjelenítést generált, amelyeket több reprezentációval kombinálta, és meghatározta, hogy mit kell tenni képkockánként.

Előzetesen hetven órán, négymillió képkockán gyakoroltatták. A képkockákat a játékos lépéseire (előre, hátra halad, lő stb.) vonatkozó, manuálisan kidolgozott szabályokkal címkézték fel. Utána finomhangolták – négy óra, kétszázezer képkockányi játékmenet maradt. A munkában a világ tíz legjobb versenyzőjének egyike segédkezett.

Gyakorlás közben a rendszer megtanulta, hogyan minimalizálja az előrejelzett és a felvett lépések közötti különbséget. Következtetésnél a modell legnagyobb valószínűséget mutató előrejelzésével összhangban kell eldöntenie, merre mozgassa a karaktert és a karakter által látottakat kontrolláló kurzort. Akkor cselekszik (például lő), ha a cselekvés valószínűsége nagyobb, mint egy véletlenszerűen generált szám.

A játékba beépített, ember számára hozzáférhetetlen információkkal (az összes játékos pozíciója stb.) rendelkező, közepesen bonyolult ágenssel szemben sikeresen teljesített, percenként 2,67-szer ölt ellenséget, míg az ágens csak 1,97-szer. A legjobb tíz százalékba tartozó humán versenyzőkkel szemben már kevésbé volt sikeres, a percenkénti 4,27 levadászással szemben, a modell ezúttal csak 0,5 ellenséget likvidált 60 másodperc alatt.

A kutatás tanulsága, hogy a hozzáférhető szakértői bemutató mennyiségének függvényében, a viselkedésalapú-klónozás a megerősítéses tanulás alternatívája lehet.

A közlekedési torlódások, dugók globálisan többmilliárd dollár éves kárt okoznak. Visszavetik a termelékenységet, növelik a környezetszennyezést, aktívan hozzájárulnak a klímakatasztrófához.

A mesterséges intelligencia által végzett forgalomirányítással a probléma ugyan nem szűnik meg teljesen, a károk viszont jelentős mértékben csökkenthetők.

Több amerikai város teszteli egy izraeli startup a közlekedéssel eltöltött idő lerövidítésében és a károsanyag-kibocsátás csökkentésében aktív szerepet játszó No Traffic rendszerét, amelyet a cég elmondása alapján 2021 végéig 41 városban terveznek bevezetni.

A Nu Traffic mesterséges ideghálók és más technikák összekombinálásával optimalizálja a közlekedést az útkereszteződéseknél, koordinálja a forgalmat városszerte. A rendszerbe járdaérzékelőket és járművekhez kapcsolódó protokollokat is integráltak.

A kereszteződéseken telepített kamerákon a közeledő járműveket, kerékpárokat és bicikliket detektáló, osztályozó modellek futnak, és számolják ki a mozgó objektumok sebességét, térbeli pozícióját.

Az anonimizált adatfolyamot a közlekedési lámpákba integrált modulok irányítására használják. A modulok összesítik az érzékelők kimeneteit, és optimalizálják a lámpák működését. Például, ha egyik irányból sem jön autó, a pirosat zöldre, ha hirtelen mentőkocsi közeledik, a zöldet pirosra váltják.

Az adatokat a számítási felhőbe streamelik, ahol az optimalizálást nagyobb területekre terjesztik ki, majd visszaküldik a vezérlőmoduloknak, hogy átfogóbb közlekedési mintázatokat is figyelembe tudjon venni. A rendszer például több jelzőlámpa koordinálásával elterelheti a forgalmat baleset miatt lezárt utak közelében.

A kaliforniai Redlands-ben két hónapig tesztelték. A kereszteződések két százalékában telepítették, és a közlekedőket összesen 900 órányi káosztól mentette meg, amely bő 330 ezer dollár bevétellel növelte a város gazdaságát. A két hónap alatt tizenegy tonnával csökkent a károsanyag-kibocsátás. A startup becslése szerint, ha az Egyesült Államok összes forgalmi lámpáját ez a rendszer működtetné, húszmillió jármű „kipufogó-termésétől” kímélnék meg évente az országot.

A gépi tanulást a világ más pontjain is bevetik a forgalmi dugók ellen. Delhiben például szintén mesterségesintelligencia-alapú, indiai fejlesztésű rendszer ügyeli 7500-nál több jelzőlámpa tevékenységét. 23 kínai és malajziai városban az Alibaba CityBrain-je végzi ugyanezt a munkát.

GPS nélkül az önvezető rendszerek könnyen eltévednek. A Caltech (California Institute of Technology) kutatói viszont olyan algoritmust fejlesztettek, amellyel a járművek felismerik az adott terepet, környezetet. Teljesen mindegy, hogy tél vagy nyár van, a technológiát az évszakok okozta változások sem zavarják. Az új algoritmus abszolút úttörőnek számít.

A terepfüggő vizuális navigációként (visual terrain-relative navigation, VTRN) ismert folyamatot az 1960-as években dolgozták ki. A közeli környezetet nagyfelbontású műholdas képekkel összehasonlító autonóm rendszerek meg tudják határozni, hogy hol tartózkodnak.

Problémát jelent, hogy az újgenerációs VTRN csak az adatbázisbeli képekhez nagyon hasonló terepeket ismer fel. A legkisebb változások, takarások, például a hó, a lehullott falevelek már megzavarják, és a képek nem kapcsolódnak a látottakhoz, összezavarodik a rendszer.

Csak akkor működik (majdnem) tökéletesen, ha az adatbázisban lévő képek minden évszakban és a legváltozatosabb körülmények között ábrázolják az adott terepet. Ehhez viszont elképesztő képmennyiségre lenne szükség.

A kutatók mélytanulással (deep learning), mesterséges intelligenciával oldották meg a problémát, távolították el a VTRN rendszereket megbolondító évszaki elemeket, például a havat.

Mindkét képnek – a műholdasnak és az autonóm járműének – ugyanazt kell ábrázolnia. A rendszerek nagyjából csak annyi különbséget képesek kezelni, amekkorát egy Instagram-szűrő okoz. A valóságban viszont sokkal drasztikusabbak a változások, lényegében megváltozik az elvileg ugyanazt megjelenítő két kép tartalma.

A kutatók az úgynevezett részben felügyelt tanulással (self-supervised learning) dolgoztak. Ellentétben a rendszereket nagyon aktív emberi közreműködéssel betanító mai gépilátás-módszerekkel, a Caltech algoritmusa saját magát tanítja. Az ember által valószínűleg észrevétlen apró részletekben keres mintázatokat.

A mostani VTRN technológia és az algoritmus kombinációja nagyságrendekkel pontosabb lokalizálást eredményez. Nyári és téli képeket összevetve az eddigi technika 50, az új 92 százalékos pontossággal dolgozik.

Kínai kutatók új rekordot jelentettek be, állításuk szerint kvantumszámítógépük minden eddiginél, köztük a világvezető Google gépénél is nagyobb kapacitású. Elmondták, hogy komputerük 66 kvantumbitjéből (qubit) 56-ot használt egy probléma megoldásához.

A 66 qubit a kétdimenziós programozható gép maximális teljesítménye, tehát a kvantuminformáció, az egyedi elektron kvantumállapota ennyi biten keresztül kódolható.

A Google Sycamore processzora „csak” 54 qubittel dolgozik. A nagyvállalat 2019-ben érte el, hogy a gép másodpercek alatt megoldott egy, hagyományos komputernek tízezer év munkát jelentő feladatot. Ezzel valósult meg az úgynevezett kvantum-szupremácia, azaz egy kvantumgép gyorsabban elvégzi a számítást, mint egy klasszikus szuperszámítógép. Az ilyen számítások meghaladják a mostani computerek képességeit.

A kínai tudósok ennyire nem rohantak előre az időben. A kutatásokat ismertető tanulmányban elmagyarázzák, hogy a nevével a 429 és 500 között élt híres matematikus, Zu Chongzi (magyar átírásban Cu Csung-cse) előtt tisztelgő (és a képen látható) gép hetven perc alatt abszolvált a leggyorsabb szuperszámítógépnek nyolc évig tartó feladatot.

A szuperszámítógépek által megválaszolatlan, nagyon bonyolult kérdésre, véletlenszerű kvantum-áramkörök kimeneti eloszlására kellett megoldást találnia.  

A számítási költségek kétszer-háromszor voltak magasabbak, a feladat pedig legalább százszor bonyolultabbnak bizonyult, mint a Sycamore-é.

A bejelentés sokat elárul arról, hogy mire lehetnek képesek a kvantumszámítógépek. A tanulmány viszont még nem esett át az ilyenkor szokásos kollegiális lektoráláson (peer-review). Az összes többi kvantumgépre érvényes másik probléma, hogy maga a használati eset (use case) annyira szélsőségesen speciális, hogy a Zu Chongzi hiába oldotta meg briliáns módon, ezzel még nem fogja helyettesíteni a bináris processzorokat.

A mostani fejlesztőcsoport több tagja egy másik csapatban 76 fotonikus qubites kvantumszámítógépet mutatott be tavaly. Azok a qubitek a fotonok töltöttségi állapotáról tartalmaznak infókat. Magát a komputert viszont nem lehetett úgy programozni, mint az új világcsúcstartót, lényegében összehuzalozták, hogy elvégezze a célszámítást.

Egyre több amerikai kormányügynökség és magáncég alkalmaz robotokat a bűnözés elleni harcban. A gépek elsőszámú gyártója és a domináns piaci szereplő szilícium-völgyi Knightscope robotjai lakóépület-komplexumoktól kezdve nevadai kaszinókig, arizonai bevásárlóközpontokig, sok helyen vigyáznak a biztonságra.

A cég szerint kevés a bizonyíték arra, hogy a gépek valóban csökkentenék a bűnözést. Ilyen robot a kúpszerű, méretes – másfél méter magas – és mesterséges intelligenciával működő K5. Kb. ugyanolyan tempóban jár, mint az ember, négy belső kamerája folyamatosan 360 fokos képeket rögzít. Leszkennel rendszámtáblákat, tárolja az adatokat, „feljegyzi” a mobiltelefonok digitális azonosítóját.

Egyikük, Westy Las Vegas északnyugati határán, az ezerlakásos Liberty Village komplexumban, a város egyik legveszélyeztetettebb részén figyel, őrköd és járőrködik. Talán eredményesen, talán nem, a Knightscope mindenesetre azt állítja, hogy az autonóm szerkezet munkába állása óta kevesebben hívják a rendőrséget. Konkrét eseteket azonban nem említettek.     

Az ügyfelek és a lakók szintén nem tudják, hogy a biztonsági robotok mennyire segítenek, mennyire hatékonyak.

Pozitív hatásaikról egyelőre nincs konkrét bizonyíték, nem számolnak be például gépek által meghiúsított rablásokról, holott a gyártók – nemcsak a Knightscope – véleménye (és szlogenje), hogy a robotok előrejelzik és megelőzik a bűneseteket.

A kaliforniai Huntington Park rendőrsége két éve járőröztet egy K5 modellt az egyik helyi parkban. Cozme Lozano rendőrkapitány elmondta, hogy a két év alatt elsősorban a gép rongálására, a vele szembeni vandalizmusra vannak bizonyítékok.

Büntetés-végrehajtási és jogi szakértők szerint nagyon nehéz plasztikusan és meggyőzően szemléltetni, hogy egy technológia hogyan csökkenti a bűnözést.

A bűnüldöző robotok a biztonsági színház drága változatai” – jelentette ki lakonikusan Andrew Ferguson, az American University jogászprofesszora.

Az Intel egyik alapítójáról, Gordon E. Moore-ról elnevezett törvény – ma ismert formájában – kimondja, hogy az integrált áramkörök összetettsége, a bennük lévő tranzisztorok száma, a legolcsóbb ilyen alkatrészt figyelembe véve, tizennyolc havonta megduplázódik. A törvény feltételezi, hogy az alacsony árú, nagyteljesítményű chipek mindig rendelkezésre állnak.

Csakhogy, főként a pandémia, de geopolitikai és gazdasági okok hatására is, az ellátási láncok már nem úgy funkcionálnak, mint korábban. 2020 második felében beütött a máig tartó, az autóipartól az elektronikai termékekig, sok területet érintő chiphiány.

Két évtizede huszonöt cég gyártott modern chipeket, a mai csúcsminőséget viszont csak három, a tajvani TSMC, az Intel és a Samsung garantálja, de az Intel is több határidőt lépett már túl a legújabb generációival.

A chipkészítés 2018 óta elképzelhetetlen a 100 millió dollárnál többet érő „extrém ultraviola litográfiás” gépek nélkül. Ilyen gépeket egyedül az ASML gyárt Hollandiában. Ez azt is jelenti, hogy a chiptervezés sokkal bonyolultabbá, előállításuk jóval drágábbá vált, és a költségeket csak a prémiumkategóriás termékekben érintett cégek, mint az Apple, az AMD, a Qualcomm és az Nvidia engedhetik meg maguknak. Mások régebbi technológiákkal készült chipeket használnak, mert a legtöbb új elektronikai cikkhez egyszerűen nincs szükség a legmodernebbekre – nem kell a földkerekség összes PC-jébe vagy termométerébe az iPhone-hoz és az iPad-hez használt drága és energiapazarló A14-et tenni.

Míg a fogyasztók zömének gépei öregebb chipekkel is elboldogulnak, addig a TSMC, az Intel és a Samsung csillagászati összegekért építenek új gyártóközpontokat. Közben egyre kevesebben fejlesztenek gyártóeszközöket a régebbi technikával készülő félvezetőkhöz. A frissítések elmaradásával, az ellátási lánc akadozásával párhuzamosan minden szinten megugrottak az árak, és mindezekhez tegyük hozzá az 5G elterjedése miatt hamarosan szükséges változtatásokat is. Járművektől a pirítóssütőig egyre több félvezetőre van igény, és a világ félvezetőhiányban szenved.

Joe Biden 2021 elején a chipgyártás ellátási láncát, a félvezető-ipart és a kapcsolódó kutatásokat 50 milliárd dollárral segítő, mindkét párt által támogatott kormányrendeletet írt alá. Bizakodnak, hogy segítik vele a kereslet-kínálat felborult egyensúlyának helyreállítását, csakhogy 2019-ben a világ chipgyártásának 75 százaléka Kelet-Ázsiában volt (Tajvanban 55 százalék), míg az USA-ban mindössze 13 százalék, és a helyzet alig változott azóta.

Az Egyesült Államok és Kína közötti versengés miatt a távol-keleti országban egyre több üzemet létesítenek, technológiájuk viszont minimum öt-hat évvel le van maradva a legmodernebbektől, de ezzel együtt hozzájárulhatnak a régebbi chipek iránti kereslet valamilyen mértékű kielégítéséhez.

A válsággal az innováció üteme lassul, nem lesz már annyira egyértelmű az egyre gyorsabb, hatékonyabb és olcsóbb számítási kapacitás, a Moore-törvény ígérete.

Az Amazon megnyitotta első olyan nagyobb, több mint kétezer négyzetméteres szupermarketjét, amelyben kamerák figyelik, mit teszünk a bevásárlókocsiba, majd távozáskor sorbanállás nélkül, automatikusan fizetünk. A rendszer neve Just Walk Out (Csak sétálj ki).

A Washington állambeli Bellevue-ban lévő Amazon Fresh gépi látással felvértezett kamerái azonosítják a kosárban lévő termékeket, súlydetektáló szenzorok pedig figyelik a polcokról leemelt, vagy oda visszatett darabokat. Az árucikkek mozgását monitorozó rendszer a raktárkészletet is kezeli.

Az Amazonnál regisztrált vásárló, miután belépett a boltba, QR kód szkennelésével, hitelkártyával vagy manuálisan választhatja ki az automatizált kijelentkező rendszert.

Ha ugyanazt a megoldást alkalmazza a kijáratnál, a rendszer ráterheli a számlájára a vásárolt cikkeket. (A boltban természetesen – egyelőre legalábbis – hagyományos módon, sorban állva is lehet fizetni.)

A Just Walk Out rendszer iránt más cégek szintén érdeklődnek, többek között a Hudson Markets és az OTG Cibo Express fogja használni.

Eddig az Egyesült Államok és az Egyesült Királyság 26 kisboltjában, a bellevue-inél sokkal kisebb terekben alkalmazták a technológiát. Egyes üzletekben a cég speciális, a számlánkat automatikusan megterhelő bevásárlókocsiját (Dash cart) is alkalmazzák mellé. A fizetés automatizálását ebben az esetben a kocsiba kerülő és onnan kikerülő árucikkeket gondosan figyelő szenzorok teszik lehetővé.

Az Amazon vetélytársai (AiGi, Grabango, Standard Cognition) szintén próbálkoznak a bevásárlás automatizálásával, a pénztár nélküli fizetéssel.

Az új szupermarkettel biztossá vált, hogy az Amazon szerint a technológia nemcsak kisboltokban működik. A Dash bevásárlókocsi használata korábban többeket elbizonytalanított, mert azt hitték, hogy a rendszer csak korlátozott raktárkészlettel rendelkező üzletekben hatékony.

Tény, hogy keveseknek fog hiányozni a sorbanállás, viszont, ha a technológia elterjed, a kasszánál nem vásárolhatunk többé rágógumit, cukorkákat és hasonlókat, és a pénztárosok állása is megszűnik. Esetleg a rendszernek még azt is ellenőriznie kellene, hogy a vásárló számláján van-e elég fedezet.