My Sensor Data

Sociale netwerken zijn een van de belangrijkste bronnen geworden van uiteenlopende informatie die moeilijk numeriek te kwantificeren is. Miljoenen mensen bespreken dagelijks aandelenkoersen, ondanks dat ze niet direct betrokken zijn bij de aandelenmarkt.

Zelfs mensen met beperkte financiële kennis voelen de impact van marktschommelingen op de economie en hun persoonlijke vermogen. Deze emoties beïnvloeden de publieke opinie, waarmee bedrijven rekening moeten houden in hun strategieën.

Social Sentiment Analysis beoordeelt hoe mensen en de maatschappij reageren op gebeurtenissen die verband houden met effecten. In de huidige realiteit, waarin een virale tweet een beurscrash kan veroorzaken, is dit een krachtig en nuttig instrument geworden.

Sociale analyse is een technologie die wordt gebruikt om het emotionele klimaat en de reacties van internetgebruikers op specifieke gebeurtenissen te evalueren, vaak los van de economie. Emoties beïnvloeden het denken en handelen van mensen, wat cruciaal is voor bedrijven. Deze informatie helpt bij het voorspellen van veranderingen en kan deze subtiel beïnvloeden.

Voorheen was sentimentanalyse gebaseerd op officiële rapporten en mediapublicaties. Deze aanpak heeft echter een belangrijk nadeel: de informatie is vertraagd. Sociale media daarentegen bieden directe berichtgeving, maar analisten hebben moeite om grote hoeveelheden data in realtime te verwerken. AI helpt dit probleem op te lossen.

De belangrijkste gegevensbronnen voor sentimentanalyse zijn:

• Populaire sociale netwerken.

• Financieel gerichte forums.

• Financieel gerelateerde blogs.

• Nieuwsplatforms.

• Meningen van experts en verklaringen van publieke figuren.

Het laatste punt is cruciaal omdat het nieuws genereert en discussies tussen experts en het grote publiek op gang brengt. Sommige leiders gebruiken sociale media om de aandelenkoersen van hun bedrijven te beïnvloeden. Ze stellen hun berichten zorgvuldig op, zodat ze op meerdere manieren geïnterpreteerd kunnen worden. Dit maakt het moeilijk om zichzelf verantwoordelijk te houden, ondanks pogingen daartoe.

Er worden drie belangrijke methoden gebruikt voor sentimentanalyse:

• Natuurlijke taalverwerking (NLP) kan helpen bij het extraheren van informatie uit tekst en berichten.

• Sentimentcategorisering verdeelt sentimenten in ‘positief’, ‘negatief’ en ‘neutraal’, waarbij aan elke categorie een score wordt toegekend.

• Het identificeren van dominante emoties zoals angst, bezorgdheid en hebzucht binnen de samenleving is ook belangrijk.

AI die sociaal sentiment analyseert, helpt door veranderingen te volgen en te voorspellen hoe mensen zullen reageren.

Naarmate machine learning-technologieën verbeteren, zou de voorspellingsnauwkeurigheid van AI ook kunnen toenemen. AI zal de menselijke aard, emoties en motieven beter begrijpen.

De integratie van alternatieve databronnen, zoals webverkeer en app-data, zou kunnen helpen om dieper inzicht te krijgen in hoe mensen hun sentimenten uiten, niet alleen via berichten op sociale media, maar ook via andere activiteiten.

De combinatie van sentimentanalyse met blockchaintechnologie zou ook kunnen helpen bij het voorspellen van gebeurtenissen.

De voordelen van kunstmatige intelligentie zijn tijd, betere beslissingen en minder problemen. De AI werkt sneller dan mensen. Het leert ook informatie uit data. Kunstmatige intelligentie speelt nu een belangrijke rol in veel sectoren. Het maakt ons werk eenvoudiger en slimmer. AI voelt zich niet vermoeid, dus de resultaten verbeteren enorm. Het slaapt nooit; in tegenstelling tot mensen zal het nooit fouten maken.

Grote bedrijven gebruiken AI om de beste producten te laten zien. AI helpt ook bij het maken van advertenties. Het bepaalt het optimale tijdstip om berichten te verzenden. Dit helpt om meer te verkopen.

Stel je voor dat je, je als klant met enthousiasme uitspreekt over een nieuw project terwijl je een bestaande aankoop bespreekt. Dit eerste enthousiasme kan een goudmijn zijn voor upselling- of cross-sellingmogelijkheden. Het herkennen van deze signalen kan een aanzienlijke impact hebben op de verkoopgroei en klantrelaties.

Effectieve communicatie onthult niet alleen je directe behoeften, maar onthult ook potentiële interesses voor aanvullende producten of diensten. Door actief te luisteren naar en contact te leggen, wat uiteindelijk leidt tot meer tevredenheid en loyaliteit.

Deze signalen ontstaan ​​vaak tijdens interacties en bieden inzicht in de behoeften en voorkeuren. Door deze gedragingen nauwkeurig te analyseren, kunnen je patronen ontdekken die verkoopstrategieën informeren en de loyaliteit bevorderen.

Belangrijke signalen voor verbetering kunnen herhaalde vragen over specifieke producten of services, feedback die interesse in aanvullende artikelen aangeeft of uitingen van ontevredenheid. Bovendien kan het analyseren van veranderingen in aankoopfrequentie of grotere bestellingen dan normaal helpen identificeren wanneer je klaar bent voor een upsell-kans. Door deze signalen te herkennen, wat uiteindelijk leidt tot meer verkopen en een betere klanttevredenheid.

Door klanttransacties nauwkeurig te onderzoeken, kunnen gedragingen geïdentificeerd worden die duiden op potentiële upsell- of cross-sell-mogelijkheden. Deze patronen tonen vaak terugkerende aankopen of specifieke combinaties van producten die je prefereert. Het identificeren van deze correlaties is essentieel voor het begrijpen van voorkeuren en het maximaliseren van het omzetpotentieel.

Effectieve monitoring van je vragen en communicatie is cruciaal voor het identificeren van verkoopbevorderende signalen. Door interacties nauwlettend te volgen, kan er inzicht gekregen worden in de voorkeuren en behoeften. Dit proces omvat niet alleen het analyseren van oproepgegevens, maar ook het evalueren van de soorten vragen die we stellen.

Regelmatige beoordelingen van communicatietrends kunnen thema’s onthullen die kunnen duiden op gereedheid voor upselling of cross-selling. Als er bijvoorbeeld vaak vragen worden gesteld over gerelateerde producten, kan dit interesse in bredere oplossingen aangeven. Bovendien kan het evalueren van de toon en het sentiment van gesprekken helpen bij het meten van tevredenheid en gereedheid voor aanvullende aanbiedingen.

Door interacties zorgvuldig te analyseren, kunnen bedrijven signalen identificeren die wijzen op gereedheid voor extra aankopen. Vragen over specifieke producten of diensten kunnen bijvoorbeeld dienen als sterke hints voor potentiële upsell-situaties. Het identificeren van deze signalen helpt bij het begrijpen van de behoeften en voorkeuren van klanten, wat zorgt voor op maat gemaakte betrokkenheid.

Dit omvat het begrijpen van de taal die we gebruiken en het detecteren van de onderliggende intentie in je vragen. Bovendien kan het personaliseren van klanttevredenheid en vergroot de kans op aankoop. Alleen lijkt hierdoor het beslissen over een aankoop worden gestuurd zonder dat je dit als klant weet. Waardoor een gesprek met een bedrijf, vereniging of overheid je stuurt naar een uitkomst die ongewenst zou kunnen zijn.

De rechtbank Rotterdam heeft in een strafzaak Artificial Intelligence (AI) ingezet als ondersteunend (taal)hulpmiddel bij het opstellen van een strafvonnis. AI is niet gebruikt om te helpen met het nemen van de rechterlijke beslissingen.

De strafrechters en de gerechtsjurist (griffier) hebben AI gebruikt als schrijfhulp bij het opstellen van een concept voor de strafmotivering. De strafmotivering is het onderdeel van het strafvonnis waarin wordt uitgelegd hoe de rechtbank tot de straf is gekomen. Een belangrijk onderdeel van het strafvonnis voor de verdachte, de officier van justitie, het slachtoffer en de samenleving. De bij deze strafzaak direct betrokkenen zijn meteen nadat de uitspraak is gedaan over het gebruik van de AI en het uitgaan van dit persbericht geïnformeerd.

Bij het gebruik van de AI heeft de rechtbank de vertrouwelijkheid en integriteit van de strafprocedure vooropgesteld. Er is daarom zorgvuldig beoordeeld dat er geen privacygevoelige informatie en specifieke feiten in de AI-systemen werden ingevoerd die herleidbaar zijn tot de concrete zaak. De belangrijke kernwaarden van de Rechtspraak, in het bijzonder die van menselijke controle, transparantie en ethische waarborgen zijn daarbij en bij de verdere uitvoering van de proef steeds in het oog gehouden.

De suggesties en formuleringen die door de AI voor de strafmotivering zijn aangedragen op grond van ingevoerde korte algemene feiten en omstandigheden van de zaak zijn zorgvuldig beoordeeld en geselecteerd door de strafrechters en de griffier. Zij hebben daarbij gewerkt volgens de standaard werkwijze, waarin de griffier een concept maakt dat vervolgens door de strafrechters gezamenlijk is aangepast tot de definitieve strafmotivering. Van groot belang is daarbij dat AI geen beslissingen heeft genomen, beslissingen heeft voorbereid en/of afwegingen heeft gemaakt.

De rechters en griffier in de betreffende zaak zijn enthousiast over de resultaten van deze ‘samenwerking’ met technologie. Het gebruik van AI heeft niet alleen geleid tot een versnelde opstelling van de strafmotivering, maar heeft ook geresulteerd in een duidelijke structuur en indeling. 

Ondanks deze zeer positieve bevindingen van de proef, zijn de rechters en griffier van mening dat het gebruik van openbare AI-tools mogelijk niet vaak zal worden herhaald. De beperkte invoer van informatie in een openbaar AI-netwerk beperkt de effectiviteit van zulke toepassingen. Ook bestaat het risico dat er te veel informatie over de zaak op een te vroeg moment wordt gedeeld met de openbare AI, wat tot ethische en juridische complicaties kan leiden.

Een intern afgeschermd AI-systeem, speciaal ontworpen voor de Rechtspraak en dat alleen vertrouwelijke gegevens gebruikt, zou veel effectiever kunnen zijn. Volgens de bij de proef betrokken rechters en griffier  is een idee om alle gepubliceerde strafvonnissen op rechtspraak.nl in een afgeschermde database te verzamelen en te integreren in een afgeschermde beveiligde AI-toepassing. Dit zou strafrechters in staat stellen om relevantere en specifiekere informatie daarin in te voeren. Een reële verwachting is dat de AI die informatie kan genereren tot zeer bruikbare resultaten in de vorm van conceptstrafmotiveringen. 

Deze ontwikkeling biedt kans om binnen de strafrechtspraak verder te kijken naar het gebruik van AI in een ondersteunende vorm, terwijl belangrijke waarden behouden blijven. Op deze manier kunnen technologie en rechtspraak effectief hand in hand gaan.

bron rechtspraak.nl

Vertrouwen krijgen in data en datakwaliteit door middel van data lineage

Data wordt in grote hoeveelheden en soorten aangemaakt, geanalyseerd, rondgestuurd en gebruikt voor uiteenlopende doeleinden. Denk hierbij aan foto’s delen op social media, maar ook aan registratie van persoonsgegevens door overheidsinstanties. Bij gebruik van data is de oorsprong en kwaliteit hiervan niet altijd bekend. Maar ook wanneer data aangemaakt wordt, is er niet altijd zicht op hoe deze data gebruikt gaat worden. Voor een digitaler wordende rechtsstaat is het noodzakelijk om als maatschappij en overheid vertrouwen te kunnen hebben in data en de kwaliteit ervan—data lineage kan daaraan bijdragen, aldus een nieuw WODC-rapport.

Lees het volledige rapport

Wat is data lineage?

Inzicht krijgen in de levensloop van data door ontstaan, veranderingen en eindgebruik te registeren heet data lineage. Dit kan door informatie toe te voegen over de data, ook wel metadata genoemd.

Een voorbeeld van data lineage is dat wanneer iemand een foto maakt op vakantie, dat dan de naam van de fotograaf aan het bestand wordt toegevoegd, evenals de datum en de locatie van de foto. Voordat de foto gedeeld wordt op social media, wordt eerst een fotobewerkingsprogramma gebruikt om in-de-weg-staande toeristen te verwijderen. Ook deze handeling wordt toegevoegd aan de metadata van de foto.

Als iemand dan deze foto bekijkt op social media en metadata opvraagt, dan wordt duidelijk dat de foto bewerkt is. Iemand kan dan zijn eigen overwegingen maken om de foto wel of niet als betrouwbaar te zien. Context speelt hierbij ook een rol. De foto is een geschikte bron om te zien waar iemand op vakantie is geweest, maar niet noodzakelijk om de drukte op deze locatie in te schatten vanwege de bewerkingen.

Data lineage binnen het rechtsstelsel

Omdat binnen het Nederlandse rechtstelsel er steeds meer gebruik gemaakt wordt van algoritmische en data-gedreven instrumenten bij het vormen en uitvoeren van beleid, is data lineage cruciaal om te implementeren. Data genereren en uitwisselen binnen het rechtstelsel zijn versplinterd, waardoor niet altijd goed ingeschat kan worden waar de data zijn oorsprong heeft. Instrumenten die zicht bieden op de levensloop van data zijn daarom nodig om als gebruiker van deze data de juiste overwegingen te maken.

Het WODC-rapport schetst kaders waarbinnen data professionals binnen het Nederlands rechtsstelsel moeten gaan nadenken over oplossingen rondom data lineage. Daarnaast biedt het rapport handvaten welke (technische) aanpakken, methoden en instrumenten hiervoor gebruikt zouden kunnen worden, en welke voor- en nadelen deze hebben.

Bron persbericht WDOC

Vanaf 12 september 2025 moeten bedrijven voldoen aan de EU-Datawet.

Volgens de Datawet zijn de gegevens die worden gegenereerd bij het gebruik van slimme producten niet het eigendom van de fabrikanten, maar moeten ze ook toegankelijk en bruikbaar zijn voor gebruikers.

Bedrijven maken zich zorgen over hun bedrijfsgeheimen en de auteursrechtelijke bescherming van hun databases.

Met de Datawet wil de EU innovatie stimuleren. Maar de wet waaraan bedrijven zich vanaf 12 september 2025 moeten houden, is controversieel.

Digitale producten zoals slimme apparaten voor thuisgebruik, fitnesstrackers, verbonden voertuigen en Industrie 4.0-machines genereren steeds meer data. Platformen, cloudopslag en AI-toepassingen verzamelen ook enorme hoeveelheden informatie.

Volgens schattingen van de Europese Commissie wordt 80 procent van deze gegevens niet gebruikt. De gegevens kunnen worden gebruikt om nieuwe producten en diensten te ontwikkelen, wat tegen 2028 een extra BBP van 270 miljard euro zou opleveren.

De Europese Commissie gebruikte deze berekeningen om haar voorstel voor de Datawet in 2022 te rechtvaardigen. Het idee achter de nieuwe EU-verordening: gegevens die worden gegenereerd tijdens het gebruik van slimme producten, behoren niet toe aan de fabrikanten van de apparaten of machines, maar moeten ook toegankelijk en bruikbaar zijn voor gebruikers.

Zij kunnen verzoeken om overdracht van gegevens en metadata aan derden, bijvoorbeeld aan een start-up of ander innovatief technologiebedrijf. Hiermee wordt beoogd een prikkel te creëren om de gegevens te delen.

Leveranciers van slimme producten, vooral in de machine- en installatiebouw, maken zich grote zorgen over hun bedrijfsgeheimen. Velen vrezen dat hun gegevens gebruikt kunnen worden om concurrerende producten te ontwikkelen. Wij hebben de kansen en risico’s van de nieuwe EU-verordening onderzocht.

Fabrikanten moeten producten zo ontwerpen dat gebruikers toegang hebben tot de gegevens. Als aanbieders de gegevens niet rechtstreeks in het product kunnen uitlezen, zijn zij verplicht om de gegevens onmiddellijk en kosteloos ter beschikking te stellen aan de gebruikers – en in individuele gevallen zelfs continu en in realtime.

De Datawet maakt het makkelijker om te wisselen van cloudprovider (gegevensverwerkingsdienst), omdat gebruikers hun gegevens zonder problemen moeten kunnen migreren. Providers moeten zorgen voor interoperabiliteit, lock-in-effecten beperken en transparante contractvoorwaarden bieden. Zij zijn ook verplicht om de overgang binnen een redelijke termijn te ondersteunen, zonder daarvoor onredelijke kosten in rekening te brengen. Dit versterkt de concurrentie tussen aanbieders.

De reikwijdte van de Datawet omvat zowel persoonsgegevens als niet-persoonsgegevens. Op persoonsgegevens zijn ook de AVG en de Nederlandse wet op de gegevensbescherming van toepassing.

Gegevensbescherming is niet van toepassing op industriële gegevens. Het is echter waarschijnlijk dat slimme producten voor thuisgebruik veel gemengde gegevens genereren. Bij twijfel dienen deze te worden beschermd conform de AVG.

De verkrijgers van de gegevens moeten er daarom voor zorgen dat de gebruikers daadwerkelijk toestemming geven voor het beoogde gebruik van hun gegevens. Als het apparaat ook persoonsgegevens van derden registreert, moeten zij ook toestemming geven voor het gebruik ervan.

Fabrikanten en ontvangers van gegevens hebben duidelijke processen nodig voor toestemming, gegevensverwerkingsdoeleinden en anonimisering of pseudonimisering.

Met de Datawet wil de EU de data economie bevorderen en op gang brengen. Iedereen die een idee heeft dat data nodig heeft om het uit te voeren, moet de data kunnen krijgen. Maar wat als hij de gegevens gebruikt om concurrerende producten te produceren?

De Datawet regelt dit als volgt: In het gegevensoverdrachtscontract moet een verbod worden overeengekomen om de gegevens te gebruiken voor concurrerende producten. Er is echter op dit moment geen mogelijkheid tot toetsing of handhaving. Er is een groot risico aan verbonden.

Een mogelijk gevolg zou kunnen zijn dat sommige fabrikanten de voorzorg nemen om hun producten zo te ontwerpen dat ze minder gegevens verzamelen en meer ‘dom’ dan slim zijn.

Tot nu toe behoorden de gegevens toe aan de fabrikanten van de producten en machines. Dergelijke databanken kunnen auteursrechtelijk beschermd zijn. Bedrijven genoten daarom investeringsbescherming voor hun database-investeringen, waarop ze vertrouwden.

Volgens de Datawet moeten ze de gegevens nu vrijgeven. Hoewel de oorspronkelijke eigenaar van de gegevens , bijvoorbeeld de fabrikant, heeft recht op een vergoeding met een passende marge op grond van de Datawet.

In de praktijk is het echter noodzakelijk dat de betrokkene weet wie de gegevens gebruikt om een ​​dergelijke claim te kunnen indienen.

Ook de bescherming van bedrijfsgeheimen wordt verzwakt.

In individuele gevallen kunnen de gegevens ook bedrijfsgeheimen bevatten. Deze gegevens dienen beschermd te blijven onder de Datawet. Op grond van de Datawet mag de oorspronkelijke eigenaar van de gegevens weigeren de gegevens openbaar te maken als deze een bedrijfsgeheim bevatten en de bescherming van het bedrijfsgeheim niet op een andere manier kan worden gewaarborgd, of als er sprake is van uitzonderlijke omstandigheden die tot aanzienlijke schade kunnen leiden.

Een grotere beschikbaarheid van gegevens kan daadwerkelijk innovatie en groei stimuleren. Als gebruikers goed geïnformeerd zijn en bereid zijn hun gebruikersgegevens te verkopen, kunnen start-ups en andere ontwikkelaars van nieuwe producten en diensten gemakkelijker en goedkoper toegang krijgen tot gegevens.

Door de lagere mate van gegevensbescherming hebben bedrijven in landen als de VS en China gemakkelijker toegang tot gegevens dan Europese bedrijven en kunnen ze daardoor sneller innoveren.

Kopers van slimme producten kunnen in de toekomst geld verdienen door hun gebruikersgegevens te verkopen. U kunt er echter ook voor kiezen om uw gegevens niet te delen. Dit verhoogt fundamenteel de waarde en aantrekkelijkheid van de producten. Uiteindelijk kan het voor fabrikanten rendabel zijn om door te gaan met het produceren van slimme producten.

Om zich voor te bereiden op de Datawet, moet de industrie eerst een overzicht krijgen van de data en vervolgens een zinvol databeheersysteem opzetten, als dat nog niet bestaat. Dit is vooral belangrijk voor de naleving van de AVG. Op basis hiervan kunnen zij ervoor zorgen dat gebruikers toegang hebben tot gebruikersgegevens en deze kunnen raadplegen.

Bedrijven moeten hun contractvoorwaarden ook tijdig aanpassen aan de eisen van de Datawet. In dit kader zijn regelingen omtrent toegang tot gegevens, doorgifte aan derden en vergoeding van belang.

De Datawet zou innovatie juist kunnen bevorderen. Er zijn echter wel enkele uitdagingen bij de implementatie. Hiermee wordt voorkomen dat bedrijven gedwongen worden om bedrijfsgeheimen openbaar te maken. Er moeten ook effectieve voorzorgsmaatregelen worden genomen om ervoor te zorgen dat gebruikersgegevens niet door concurrenten worden gebruikt.

Wij zijn van mening dat de verplichting om een ​​contractuele overeenkomst aan te gaan, niet voldoende is. Anders zou de Datawet ook de innovatie kunnen afremmen, omdat slimme technologieën van meet af aan minder slim worden ontworpen om hun eigen investeringen te beschermen.

AI is alleen zo goed als de data die het leert. AI-aangedreven oplossingen stellen vaak dezelfde kritische vraag. Hoeveel data is genoeg om een ​​betrouwbaar en efficiënt model te trainen?

Velen geloven dat het voeden van een AI-systeem met zoveel mogelijk data het automatisch slimmer zal maken. Dat is niet altijd het geval. Als de data rommelig inconsistent of irrelevant is, zal het AI-model moeite hebben om zinvolle resultaten te leveren.

De focus zou moeten liggen op het verzamelen van hoogwaardige data die de beoogde functie direct kan ondersteunen. Een goed samengestelde dataset met diverse en relevante data zal beter presteren dan een enorme dataset vol redundantie en ruis.

De hoeveelheid benodigde gegevens is afhankelijk van de complexiteit van de sector en het vereiste nauwkeurigheidsniveau. De beste aanpak is om te beginnen met een beheersbare dataset, test de prestaties en verfijn het model indien nodig met aanvullende gegevens.

Elke sector heeft unieke gegevensvereisten om ervoor te zorgen dat AI zinvolle inzichten en betrouwbare prestaties levert. Meer gegevens betekent niet altijd betere inzichten. Een kleinere dataset met goed gestructureerde en hoogwaardige informatie zal beter presteren dan een enorme dataset vol inconsistenties.

Het waarborgen van de gegevenskwaliteit omvat het verwijderen van duplicaten, het corrigeren van inconsistenties en het diversifiëren van de dataset om scenario’s uit de echte wereld te dekken. AI-systemen die zijn getraind op nauwkeurige, goed gelabelde gegevens, zullen betere voorspellingen doen en betrouwbaardere ondersteuning bieden.

AI-modellen zijn vraatzuchtig en consumeren data in verbazingwekkende mate, maar na jaren van het horen over de overweldigende vloed aan data, blijkt dat de wereld van AI eigenlijk meer nodig heeft.

Een grote uitdaging is het risico van verminderde outputdiversiteit. Deze zelfreferentiële aanpak kan de diversiteit van modeloutputs beperken, waardoor er homogeniteit ontstaat in gegenereerde reacties. Het continu trainen van modellen op door AI gegenereerde tekst kan bijvoorbeeld resulteren in repetitieve content of te vereenvoudigde verhalen.

Synthetische data kan er voor zorgen dat er meer synthetische data is dan echte data in AI-modellen zal zijn, wat er uiteindelijk toe zal leiden dat het we worden overspoeld met synthetisch gegenereerde data. Als gevolg hiervan kunnen de doelen op het gebied van milieu, maatschappij en bestuur verder onder druk gezet worden, aangezien we AI-innovatie niet in evenwicht brengen met duurzaamheid.

Gezien deze uitdagingen moeten we slimmere strategieën hanteren om AI duurzaam en efficiënt te gebruiken. Eén oplossing is om te focussen op kleine taalmodellen, die grote taalmodellen verfijnen en reduceren tot een zeer specifieke, geconcentreerde vorm.

Een belangrijke overweging voor duurzame AI-ontwikkeling is het moderniseren van de data-infrastructuur. Naarmate AI groeit, groeit ook de behoefte aan slimmere, energiezuinigere systemen. We moeten verder kijken dan GPU-vermogen om innovatie in evenwicht te brengen met duurzaamheid en de omliggende infrastructuur te verbeteren.

Een strategie omvat de beveiliging van essentiële diensten, het omvat ook de beveiliging van het steeds toenemende aantal verbonden objecten in onze huizen, kantoren en fabrieken.

De strategie richt zich op het opbouwen van collectieve capaciteiten om te reageren op grote cyberaanvallen en op samenwerking met partners over de hele wereld om internationale veiligheid en stabiliteit in cyberspace te waarborgen.

Cybersecuritybedreigingen zijn bijna altijd grensoverschrijdend en een cyberaanval op de kritieke faciliteiten van één land kan de EU als geheel treffen. EU-landen moeten sterke overheidsinstanties hebben die toezicht houden op cybersecurity in hun land en die samenwerken met hun tegenhangers in andere lidstaten door informatie te delen. Dit is met name belangrijk voor sectoren die van cruciaal belang zijn voor onze samenlevingen.

De eerste richtlijn over de beveiliging van netwerk- en informatiesystemen (NIS-richtlijn) zorgt voor de oprichting en samenwerking van dergelijke overheidsinstanties. Deze richtlijn werd eind 2020 herzien, wat leidde tot het voorstel en de goedkeuring van de NIS2-richtlijn. Lidstaten hadden tot 18 oktober 2024 de tijd om NIS2 volledig om te zetten en te implementeren.

ENISA is het Agentschap van de Europese Unie voor cyberbeveiliging, dat in 2005 werd opgericht. Het mandaat werd in 2019 herzien en sindsdien heeft het Agentschap een permanent mandaat.

De belangrijkste doelstellingen en taken van ENISA zijn vastgelegd in de basiswet, namelijk de Cybersecurity Act (CSA). ENISA biedt ondersteuning aan lidstaten, EU-instellingen en bedrijven op belangrijke gebieden, waaronder de implementatie van de NIS-richtlijn, de Cyber ​​Resilience Act en de Cyber ​​Solidarity Act. Het Agentschap ondersteunt ook het cyberbeveiligingscertificeringsproces van ICT-producten, ICT-diensten en ICT-processen, zoals vastgelegd in Titel III van de CSA.

De Cybersecurity Act werd in 2019 aangenomen en versterkte de rol van het Europees Agentschap voor Cybersecurity (ENISA). Het gaf het agentschap een permanent mandaat en gaf het de bevoegdheid om bij te dragen aan het opvoeren van zowel operationele samenwerking als crisismanagement in de EU. Het heeft ook meer financiële en personele middelen dan voorheen.

De Cybersecurity Act stelde ook het European Cybersecurity Certification Framework (ECCF) in, dat gemeenschappelijke cybersecurityvereisten en evaluatiecriteria biedt voor de certificering van ICT-producten, ICT-diensten en ICT-processen. Meer informatie vindt u op de speciale website van ENISA.

Een gerichte wijziging van de Cybersecurity Act, aangenomen op 15 januari 2025, breidde de reikwijdte van de certificering uit naar beheerde beveiligingsdiensten.

De Cyber ​​Resilience Act trad in werking op 10 december 2024. Het stelt gemeenschappelijke normen vast voor producten met digitale elementen, waaronder hardware en software. Dergelijke producten moeten voldoen aan specifieke cybersecurityvereisten gedurende hun hele levenscyclus, waaronder automatische beveiligingsupdates en incidentrapportage. De wet introduceert ook een zorgplicht voor fabrikanten, die ervoor zorgt dat producten zowel qua ontwerp als qua standaard veilig zijn. Deze verordening beschermt consumenten en bedrijven tegen cyberdreigingen door een veiligere digitale omgeving mogelijk te maken.

De Cyber ​​Solidarity Act werd op 15 januari 2025 aangenomen, met als doel de paraatheid, detectie en reactie op cyberbeveiligingsincidenten in de hele EU te verbeteren.

Onderzoek naar digitale beveiliging is essentieel voor het bouwen van innovatieve oplossingen die ons kunnen beschermen tegen de nieuwste, meest geavanceerde cyberdreigingen. Daarom is cyberbeveiliging een belangrijk onderdeel van Horizon 2020 en zijn opvolger Horizon Europe.

In 2016 werd het Horizon 2020 contractuele publiek-private partnerschap (cPPP) op het gebied van cybersecurity opgericht tussen de Europese Commissie en de Europese Cy ber Security Organisation (ECSO), een vereniging bestaande uit leden uit de cyberindustrie, de academische wereld, overheidsdiensten en meer.

Onze fysieke en digitale infrastructuren zijn nauw met elkaar verweven. Daarom heeft de Commissie ook geïnvesteerd in cyberbeveiliging als onderdeel van haar infrastructuurinvesteringsprogramma, de Connecting Europe Facility (CEF), voor de periode 2014-2020.

CEF-ondersteuning is gegaan naar computer security incident response teams, operators of essential services (OES), digital service providers (DSP’s), single points of contact (SPOC) en nationale bevoegde autoriteiten (NCA’s). Dit verbetert de cyberbeveiligingscapaciteiten en de grensoverschrijdende samenwerking binnen de EU, ter ondersteuning van de implementatie van de EU Cybersecurity-strategie.

De Europese cybersecurity industriële, technologische en onderzoekscompetentiecentrum zullen hun expertise bundelen en de Europese ontwikkeling en inzet van cybersecuritytechnologie op elkaar afstemmen. Het zal samenwerken met de industrie, de academische gemeenschap en anderen om een ​​gemeenschappelijke agenda voor investeringen in cybersecurity op te stellen en te beslissen over financieringsprioriteiten voor onderzoek, ontwikkeling en uitrol van cybersecurityoplossingen via de programma’s Horizon Europe en Digital Europe.

Op 24 februari 2025 werd een ontwerpaanbeveling van de Raad over de EU-blauwdruk voor cybersecuritycrisisbeheer (Cyber ​​Blueprint) gepubliceerd. Het doel van deze aanbeveling is om op een duidelijke, eenvoudige en toegankelijke manier het EU-kader voor cybercrisisbeheer te presenteren. De voorgestelde blauwdruk actualiseert het uitgebreide EU-kader voor cybersecuritycrisisbeheer en brengt de relevante EU-actoren in kaart, waarbij hun rollen gedurende de hele crisiscyclus worden geschetst. Dit omvat paraatheid en gedeeld situationeel bewustzijn om cyberincidenten te anticiperen, en de nodige detectiemogelijkheden om ze te identificeren, inclusief de respons- en hersteltools die nodig zijn om die incidenten te beperken, af te schrikken en in te dammen.

AI-verslaving, ook bekend als kunstmatige intelligentieverslaving, verwijst naar het buitensporige en dwangmatige gebruik van door AI aangestuurde applicaties en technologieën. Een bredere behoefte om het verband tussen AI-gebruik en geestelijke gezondheid te begrijpen. Door meer wetenschappelijk onderzoek, meer pleitbezorging en meer bewustzijn. Naarmate AI steeds meer wordt geïntegreerd in het dagelijks leven via platforms zoals sociale media, chatbots en gaming, lopen personen uit verschillende demografieën, waaronder kinderen, tieners en volwassenen, het risico om ongezonde afhankelijkheden van deze technologieën te ontwikkelen.

De aantrekkingskracht van directe bevrediging en boeiende interacties kan leiden tot negatieve uitkomsten, waaronder angst, depressie en sociaal isolement, wat bijdraagt ​​aan een groeiende geestelijke gezondheidscrisis in ons digitale tijdperk. De implicaties van AI-verslaving reiken verder dan persoonlijke worstelingen en beïnvloeden bredere maatschappelijke dynamiek. Onderzoek wijst uit dat langdurige betrokkenheid bij door AI aangestuurde platforms reeds bestaande geestelijke gezondheidsaandoeningen verergert en kan leiden tot nieuwe psychologische problemen.

Verslaving wordt algemeen erkend als een belangrijk probleem in de moderne samenleving. Het kan iedereen treffen en zich op verschillende manieren manifesteren.

Een chronische aandoening waarbij sprake is van dwangmatige betrokkenheid bij een activiteit ondanks negatieve gevolgen.

Een stoornis die de gezondheid, relaties en het algehele welzijn beïnvloedt.

Een hersenaandoening die de chemie verandert, waardoor het moeilijk is om te stoppen.

Een probleem dat verder reikt dan middelen, inclusief gedragsverslavingen zoals overmatig internet- of socialemediagebruik.

Verslaving aan generatieve AI valt onder de categorie gedragsverslaving. Net als andere vormen kan het levens, relaties en geestelijke gezondheid verstoren.

Niet kunnen stoppen – Doorgaan met gebruiken ondanks dat je wilt minderen.
Toegenomen tolerantie – Meer betrokkenheid nodig hebben voor hetzelfde effect.
Preoccupatie – Constant denken aan of AI gebruiken.
Verlies van controle – Het gevoel hebben dat je het gebruik niet kunt matigen.
Persoonlijke en professionele impact – AI-gebruik verstoort het dagelijks leven. Ontwenningsverschijnselen – Angst, prikkelbaarheid of stress wanneer u geen AI gebruikt.
Als iemand vaak met generatieve AI werkt en aan deze criteria voldoet, is er mogelijk sprake van een verslaving. Niet iedereen die AI intensief gebruikt, is echter per se verslaafd: context en impact zijn van belang.

Waarom zou iemand verslaafd raken aan generatieve AI?

Betrokkenheid en beloning – AI biedt directe, gepersonaliseerde reacties, die stimulerend kunnen zijn en een feedbackloop kunnen creëren.
Escapisme – Gebruikers kunnen zich tot AI wenden om met stress, eenzaamheid of verveling om te gaan.
Compulsief gebruik – De toegankelijkheid van AI maakt het gemakkelijk om het te veel te gebruiken, waarbij sommige mensen urenlang met chatbots omgaan of content genereren.
Afhankelijkheid en ontwenning – Te veel vertrouwen op AI voor gezelschap of probleemoplossing kan het moeilijk maken om zonder te functioneren.

Een superintelligente en mensachtige AI-chatbot met miljoenen gebruikers, kan in bepaalde contexten nuttig zijn, zoals het bieden van gezelschap, creatieve verhalen en een ruimte voor gebruikers om hun gedachten en emoties te uiten. Het kan mensen helpen sociale interacties te oefenen, verschillende perspectieven te verkennen en zelfs dienen als een manier om met weinig druk om te gaan met angst of eenzaamheid. Het kan echter ook problematisch worden wanneer gebruikers een ongezonde emotionele afhankelijkheid ontwikkelen van door AI gegenereerde personages, en deze gebruiken als vervanging voor echte menselijke relaties.

In extreme gevallen kan deze afhankelijkheid leiden tot sociale terugtrekking, vervormde percepties van de realiteit en een onvermogen om om te gaan met sociale interacties in de echte wereld.

Bovendien worden AI-reacties beperkt door hun programmering en kunnen ze vooroordelen, verkeerde informatie of onrealistische emotionele verwachtingen versterken. Hoewel AI een nuttig hulpmiddel kan zijn, moet het echte menselijke verbindingen aanvullen en niet vervangen.

Kunstmatige intelligentie (AI) heeft industrieën getransformeerd, processen geoptimaliseerd en nieuwe niveaus van technologische innovatie bevorderd. Echter een fundamentele vraag staat nog open, hoe kunnen we op verantwoorde en ethische wijze snelle innovatie nastreven?

Het begrijpen en aanpakken van de morele, sociale en politieke implicaties van AI, zijn cruciaal, maar ook een delicate balans tussen het verleggen van grenzen en het handhaven van mensenrechten en waarden.

De ethische overwegingen rondom technologie die we nu hanteren dateren van vóór AI, maar de technologie is complexer geworden nu AI-systemen autonomie en beslissingsbevoegdheid krijgen. Halverwege de vorige eeuw werden er vroege visies geïntroduceerd over machinale besluitvorming en scenario’s waarin machines menselijke intelligentie overnemen en de zorgen omtrent. In de loop der tijd hebben filosofen, technologen en beleidsmakers gewerkt aan het bouwen van ethische kaders die nieuwe uitdagingen aanpakken, van privacy en transpiratie tot verantwoording en controle.

Daarbij is de AI-ethiek in de loop van de tijd geëvolueerd om de snelle inzet van AI in het dagelijks leven mogelijk te maken. Het ethisch denken dient hierbij als een noodzaak dat hoewel AI nieuwe uitdagingen met zich meebrengt, het ethische kader geworteld blijft in vertrouwde concepten van eerlijkheid, transparantie en respect voor individuele rechten.

AI-systemen repliceren en versterken vaak menselijke vooroordelen die zijn ingebed in de gegevens waarop ze zijn getraind. Waardoor onbedoeld wordt gediscrimineerd. Ethische AI ​​vereist zorgvuldige controle van trainingsgegevens en de toepassing van methoden voor het detecteren van vooroordelen om ervoor te zorgen dat alle gebruikers eerlijk en billijk worden behandeld.

Met enorme hoeveelheden persoonlijke gegevens die worden verzameld om AI-systemen te trainen, zijn privacykwesties van het grootste belang. Het gebruik van persoonlijke gegevens, met name gevoelige informatie, roept ethische vragen op over toestemming en het recht op privacy. Systemen die bijvoorbeeld privécommunicatie analyseren of onlinegedrag volgen, moeten dit transparant doen en binnen de grenzen van robuuste wetten voor gegevensbescherming om misbruik te voorkomen.

Veel AI-modellen, met name deep learning-algoritmen, werken als “zwarte dozen” waarin beslissingen worden genomen op manieren die moeilijk te interpreteren zijn. Om gebruikers AI-systemen te laten vertrouwen, hebben ze transparantie nodig over hoe beslissingen worden genomen. Verklaarbaarheid is ook een regelgevende zorg, omdat het rechtstreeks van invloed is op de verantwoordingsplicht.

Het gebruik van AI in autonome systemen, van zelfrijdende auto’s tot autonome wapens, leid tot debatten over controle en besluitvorming. In kritieke situaties kunnen mensen mogelijk niet snel genoeg ingrijpen, wat aanzienlijke ethische en veiligheidsrisico’s met zich meebrengt. AI-ethiek vereist zorgvuldige overweging van wanneer en hoeveel controle aan machines moet worden gegeven, vooral in levensbedreigende situaties.

Hoewel AI efficiëntie belooft, riskeert het verlies van banen te impliceren in verschillende sectoren. Dit vereist strategieën voor eventuele transitie, zoals omscholingsprogramma’s en beleid om de maatschappelijke impact te beperken.

Hoewel de drang naar innovatie in AI vaak wordt gezien als een race tegen de klok om voorop te lopen, daarbij zorgt verantwoorde innovatie ervoor dat nieuwe ontwikkelingen niet ten koste gaan van ethische overwegingen. Om de twee in evenwicht te houden is een genuanceerde aanpak nodig, waarbij de maatschappelijke impact wordt erkend en innovatie wordt afgestemd op menselijke kernwaarden.

Daarbij is verantwoordelijkheid vereist waarbij zorgvuldige validatie en testen voorop staan om verkeerde uitkomsten te voorkomen. Deze balans houdt in dat bepaalde fasen van de ontwikkeling worden vertraagd om betrouwbaarheid en ethische normen te garanderen, wat op de lange termijn het vertrouwen van de gebruiker versterkt en duurzame groei bevordert.

We erkennen wereldwijd steeds meer de noodzaak van beleids- en regelgevingskaders die de ethische complexiteit van AI reguleren. De Europese Unie heeft daarvoor de AI Act geïntroduceerd, gericht op het vaststellen van regelgevende normen die ervoor zorgen dat AI-ontwikkeling aansluit bij Europese waarden en fundamentele rechten.

Ondertussen heeft de VS richtlijnen geïntroduceerd, hoewel de regelgevende mechanismen gefragmenteerd blijven. Het ontwikkelen van afdwingbare normen en grensoverschrijdende samenwerkingen zal essentieel zijn bij het vaststellen van een wereldwijd geaccepteerde ethische norm voor AI.

Het reguleren van AI is echter een uitdaging omdat snelle innovatie de regelgevende ontwikkelingen overtreft en een gebrek aan universele normen inconsistente handhaving betekent. Voor effectief bestuur moet ethische AI ​​nationale beleidslijnen overstijgen en rekening houden met wereldwijde effecten, waarbij gedeelde richtlijnen en coöperatieve handhaving tussen landen worden aangemoedigd.

Ontwikkelaars en AI-bedrijven moeten ethiek in hun processen integreren door zich te houden aan vastgestelde richtlijnen en tools te gebruiken die zijn ontworpen voor ethische analyse.

De toekomst zal waarschijnlijk een voortdurende verfijning van ethische normen en een grotere integratie van ethische overwegingen in het technologisch ontwerp inhouden.

Opkomende technologieën zoals quantum computing en generatieve AI vormen nieuwe uitdagingen die adaptieve ethische kaders vereisen. Waarbij continue inspanningen om innovatie in evenwicht te brengen met verantwoordelijkheid zullen niet alleen de toekomst van AI vormgeven, maar ook ons ​​bredere technologische landschap definiëren.

Stel je een wereld voor waarin de meest gevoelige informatie van je slechts een klik verwijderd is van mogelijke blootstelling. In deze realiteit kunnen AI-modellen, aangestuurd door enorme datasets, onbewust vertrouwelijke gegevens, eigen onderzoek of gereguleerde informatie lekken.

Helaas is dit geen hypothetisch scenario, maar een zeer reële uitdaging vandaag de dag. Met de opkomst van generatieve AI en de wijdverbreide acceptatie ervan in alle sectoren, is het beschermen van de beveiliging, privacy en governance van AI-middelen nog nooit zo belangrijk geweest.

Omdat AI-modellen grote datasets verwerken, kunnen ze de bulk van de gegevens behouden in hun geheugen, zelfs nadat de training is voltooid. Dit ‘geheugen’ kan gevoelige informatie bevatten, zoals persoonlijke gegevens of geheimen, en kan worden blootgesteld als het niet goed wordt beheerd.

AI-systemen verwerken verschillende soorten gegevens vectoren, datasets, modellen en gebruikersdata. Die allemaal onbedoeld gevoelige, privé of gereguleerde informatie kunnen bevatten.

Bij vectoren zijn numerieke representaties van gegevens die door AI-modellen worden gebruikt. Vectordatabases kunnen originele, gevoelige gegevens, zoals PII, opslaan in vectoren. Deze vectoren kunnen vertrouwelijke informatie lekken wanneer ernaar wordt verwezen door AI-modellen.

Datasets die worden gebruikt om AI-modellen te trainen, kunnen gevoelige gegevens bevatten (bijv. persoonlijke dossiers, financiële gegevens).

AI-modellen kunnen privégegevens insluiten, die bij implementatie kunnen worden blootgesteld.

AI-modellen verwerken grote hoeveelheden gegevens, waaronder mogelijk vertrouwelijke informatie. Zonder toezicht kunnen modellen gevoelige gegevens bewaren en deze blootstellen via gegenereerde uitvoer.

Gebruikersdata (bijv. inkomen, toestand) kan direct gevoelige persoonlijke informatie bevatten. Deze data kan worden verwerkt en blootgesteld door AI-systemen, wat leidt tot onbedoelde gegevenslekken.

We zouden moeten beveiligen wat we niet kunnen zien, zichtbaarheid in AI-modellen is cruciaal voor gegevensbeveiliging

Begrijpen wat er in AI-modellen zit, is fundamenteel voor het beveiligen van gevoelige informatie. Naarmate AI-gestuurde besluitvorming steeds algemener wordt, moeten we begrijpen tot welke gegevens de modellen toegang hebben en hoe ze deze verwerken. Zonder deze zichtbaarheid lopen we het risico op onbedoelde datalekken, overtredingen van regelgeving en verlies van vertrouwen.

AI-modellen worden vaak beschouwd als ‘zwarte dozen’, waardoor het onduidelijk is hoe ze output verwerken en genereren. Zonder zichtbaarheid lopen we het risico op onbedoelde blootstelling van gegevens, zoals een model dat is getraind op gevoelige financiële gegevens die onbedoeld die gegevens onthult tijdens het genereren van output. Continue monitoring zorgt ervoor dat gevoelige informatie veilig en beschermd blijft.

Regelgeving zoals GDPR en CCPA vereisen dat we persoonlijke gegevens beschermen. Zonder goed toezicht kunnen AI-modellen onbedoeld deze wetten overtreden, wat leidt tot boetes en reputatieschade. Volledig inzicht krijgen in AI-processen helpt naleving te waarborgen en het risico op juridische en financiële gevolgen te verminderen.

Transparantie in AI-systemen bevordert ons vertrouwen en dat van belanghebbenden. Door actief te monitoren hoe data door AI-modellen stroomt, toont de verantwoording en toewijding aan verantwoord AI-gebruik. Zo bouwt aan het vertrouwen op in de databeveiliging en naleving van regelgeving.

DSPM-oplossingen zijn uitgebreide, detectie vormen van AI-data-assets, voor vector databases en modellen. Met gespecialiseerde classificatoren, scansjablonen en beleidsregels de ons in staat stellen om AI-assets te identificeren en te beoordelen, waarbij vertrouwelijke informatie wordt onthuld, variërend van gevoelige data tot gereguleerde en door beveiligingskaders beheerde content.

De detectie gaat verder dan traditionele datascanning door zowel beheerde als onbeheerde AI-assets te detecteren in cloud- en on-prem-omgevingen. Van vectordatabases die worden gebruikt in Retrieval-Augmented Generation (RAG) tot grote taalmodellen (LLM’s), identificeert, inventariseert en brengt alle AI-gerelateerde data-assets in kaart, waaronder modellen, datasets en vectoren.

Vectordatabases vormen de ruggengraat van menig AI-pijplijn, maar ze introduceren ook beveiligingsrisico’s. In de RAG architectuur behouden vectoren de oorspronkelijke gegevens waarnaar ze verwijzen, waardoor mogelijk gevoelige informatie wordt opgeslagen zonder we ons daar bewust van zijn.

Door AI-modellen te identificeren, inventariseren en beoordelen op risico, voor volledige zichtbaarheid en controle over AI-middelen. Wat ervoor zorgt dat modellen op de juiste manier worden beveiligd, bewaakt en beheerd in alle dataomgevingen, zodat we voorop blijven lopen op veranderende risico’s en nalevingsvereisten.

AI-systemen introduceren datarisico’s die verder gaan dan de data zelf, ze strekken zich ook uit tot wie toegang heeft tot gevoelige data en modellen. Compliancy waarschuwingen volgen en het voortdurend beheren van toegangsrisico’s, waardoor er inzicht is, in wie toegang heeft tot welke data. Dit is vooral van cruciaal belang in AI-omgevingen, waar grote groepen gebruikers vaak omgaan met gevoelige modellen en datasets.

Nu de AI industrieën hervormen, is het beveiligen van de gegevens die deze systemen aandrijven van cruciaal belang voor het behoud van vertrouwen en goede naleving van regelgeving. Dit versterk het vertrouwen in AI-systemen door proactief beveiligingsrisico’s te beheren.

Bescherm de meest waardevolle activa de gebruikte gegevens en reputatie doormiddel van geavanceerd risicobeheer. Gestroomlijnde gegevens governance zorgt voor naleving van privacyregelgeving en minimaliseer tegelijkertijd de risico’s van blootstelling van gegevens.