监控视频须严加规范

简介:

我们需要一部专门规范管理监控视频的法律法规,以更好地明确各方的权利义务关系,并促进监控视频发挥其维护社会安全、公众权利的正能量。

为规范公共安全视频系统管理,广州市拟对《广州市公共安全视频系统管理规定》进行修改,较现行规定,修订草案的征求意见稿扩展了应当建设公共安全视频系统的场所涵盖范围,并且明确,碰上小孩老人走失等突发情况,个人也可查看公共安全视频系统。

应当说我们已经进入了“摄像头时代”。但目前除一些地方法规或规章外,尚无位阶较高、效力更强的法律法规对监控视频的安装及查看予以规范。笔者认为,广州的做法具有进步意义,并且有必要在进一步完善的基础上加以推广。

毋庸置疑,日益增多的监控视频能够有效震慑不法分子,降低破案难度,提升公众安全感。对于一些如普通交通事故等民事纠纷,还可借监控视频还原现场。但近年来,胡乱安装监控视频,泄露监控视频摄录的个人隐私,私自删除监控视频或拒绝权利人乃至执法机关查看监控的现象屡有发生。这些乱象如得不到遏制,无疑背离安装监控视频的初衷。

比较常见的是,除执法机关安装在公共道路、公共场所上的监控外,一些酒店、企业乃至行政机关安装的监控几乎处于监管之外。譬如,酒店大厅或走廊的监控显然能够摄录入住客人的隐私,导致该隐私可能被他人窥视、传播。另一方面,该监控属于酒店所有,一旦有人因权利受损需查看监控,所有人是否应予配合,配合到何种程度尚无明文规定。司法机关调查取证时,监控所有者删除于己不利的视频后以“监控坏掉”或“没有拍到”为由不予配合的现象也有发生。由此,以立法文件对监控视频加以规范不仅具有正当性,而且具有紧迫性。

首先应明确安装监控摄像的条件与程序。即哪些场所应当安装,哪些场所可以安装,哪些场所不能安装。如重要部位的监控须由主管部门安装或经其批准,其他场所则需将拟安装监控的参数、配置等向监管部门备案,以免出现侵犯公众合法权益的“黑监控”。

其次应对监控所有人加以管理义务。凡是安装的监控视频涉及到公共场所、特定场所或公共利益的,均应要求所有人尽到管理职责。一是应该做好日常维护,确保不出现“断片”或关键时刻坏掉等现象,并至少保存30天以上。二应注重权利保护,不得随意泄露监控视频,不得买卖、非法查看、复制、获取、传播、使用监控视频系统获取的信息。三应限制摄录范围,仅能摄录与其工作有关的信息,不得摄录其他信息,如金融机构的监控不得采集、存储客户密码。

还应明确细化监控视频查看权。如按照广州市修改意见稿,对于小孩走失、人身财产权遭遇侵害且情况紧急的,应允许权利人查看相关信息。需强调的是,对于执法机关依法调取的,相关人必须积极配合,及时提供监控视频信息,否则应追究法律责任。

我们需要一部专门规范管理监控视频的法律法规,以更好地明确各方的权利义务关系,并促进监控视频发挥其维护社会安全、公众权利的正能量,使其成为提升社会治理水平的重要工具。

本文转自d1net(转载)

相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
305 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
318 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
873 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
258 113

热门文章

最新文章