等价物，但是借记卡在线、实时
性质提供
绝佳数据收集机会。银行在ATM机和借记卡上损失是在信用卡上损失三十分之
到二十分之。
这个过程下步目前正在讨论中。所涉及技术是“智能”卡，如此命名是因为除记录信息（记录在磁条或机载计算机存储器上）能力以外，这张卡还具备处理能力，可以更新存储信息并进行实时计算。最近提出几项提案，要围绕这种智能卡建立全国性识别系统。
在这些系统中，每个人都被要求携带张可能包含大量个人信息卡片，这些信息包括持有者健康状况、财务状况、身体状况、住所，等等。此外，卡片内存可以用来保存最近交易信息，比如最近N次购买或N笔银行交易。这张卡还可以通过编程来实时识别持有者，用某种生物特征分析，比如用语音识别或指纹识别，来代替个人识别号码。
值得注意是，在各种情况下，提案制定都是针对个假定问题：非法移民、福利“欺骗”、国家驾驶执照、紧急情况下个人医疗信息获取。解决方案总是要求
们放弃更多隐私和个人信息。全景分类操作者不解决系统性原因，也不理性地看这些“疗法”是否比它们能解决问题更糟糕，而只是利用广告和与社会弊病相关恐惧来扩大他们影响。理性观察者会想知道自己身份证信息会提供给谁，以及卡上还存储着哪些自己不知道信息。
分类是“基于识别信息，将个体分配给概念上群组”。从根本上来讲，分类是控制。因为获取每个人完整详细信息是不可能，公司会使用越来越小“桶”或组群来对人们进行分类。人们主张是，某些可辨别信息，如收入、子女数量、婚姻状况等可以对人们进行分类，例如，“年轻、处于事业上升期”人（最初分类导致“雅皮士”[50]这个词成公共话语）。旦人们被分配到这样组群中，他们行为就可以通过适用于整个组群统计技术预测。
也就是说，如果们可以满怀信心地说，所有雅皮士都会这样做（例如，在未来三年内购买辆新车），然后们又把你划分到这样个类别，那
们就可以推断出你可能会在三年内买辆车。尽管专业统计学家告诫人们不要把这些预测从般水平延伸到具体水平，但是这些预测技术仍被广泛使用。
任何个对付过顽固官僚机构或不屈服于企业“服务”人都解，这过程有多不人道。分类基于特定测量，未测量差异（如个体差异）并不存在于全景分类目中。在个体层面上，们可能会认为，无论有关任意群人预测统计数据准确性如何，它们都没有考虑到们个人行为。但是旦这些小组分类完成，们就不再被当作个体对待。相反，们变成“福利母亲[51]”或“老年研究生”，并被期望与这种类型相符。有趣是，人们似乎渴望把这些标签分配给自己，也许这是他们种社群意识——要成为可识别组织部分。许多组织使用这种自认同来重新获得种历史感（例如，美国黑人经历）或维护对术语控制权（例如，同性恋者重拾“que
请关闭浏览器阅读模式后查看本章节，否则可能部分章节内容会丢失。
