Nieuwe apps

Een hele golf nieuwe apps die uw gegevens kunnen opslaan. Aangezien er gemakkelijk inkomsten kunnen worden gegenereerd met gegevens, zijn deze apps meestal ‘gratis’ voor gebruikers – immers bedrijven betalen graag voor informatie. De nieuwe apps willen hiervoor een ​​echt alternatief bieden en ondersteunen de standaarden die we gebruiken om gegevens uit te wisselen, dit geeft de gebruiker, de mogelijkheid om te beslissen wie u toegang geeft, waartoe en voor hoelang.

Wat doen de apps en waarom

De Apps doen in principe drie dingen:

* ze ontvangen gegevens en slaan deze veilig op

* laat u de keuze deze gegevens bekijken, om ervan te leren, om uw activiteiten te volgen en conditie te verbeteren

* staat u toe om, 100% op uw voorwaarden, te delen, vrienden of zelfs overheid, bedrijven, instellingen en onderzoeksorganisaties.

Niemand kiest ervoor om gegevens te delen zonder dat hij of zij dit weet, dus niemand mag worden gediscrimineerd op basis van hun gegevens. Het streven zou moeten zijn dat iedereen weer controle te geven over zijn gegevens, in plaats van dat deze worden uitgebuit voor economisch gewin.

Persoonlijke gegevens worden nu vaak uitgebuit en gebruikt om mensen te discrimineren, waardoor hun vermogen om een ​​baan te vinden, verzekeringsdekking en economische stabiliteit worden verwoest. Overheden, fabrikanten van apparaten en softwarebedrijven delen uw gezondheidsgegevens uit zodat bedrijven deze kunnen exploiteren.

Veel apps hebben een verdienmodel dat is gebaseerd op het verkopen van de data aan verzekerings- en farmaceutische bedrijven en gebruikers worden niet expliciet bewust gemaakt van de gevolgen van het gebruik van deze apps.

Een betere wereld zou er een zijn waarin gebruikers bepalen waar hun gegevens zijn en wie er zelf toegang toe heeft, in plaats van deze zonder hun medeweten te laten verkopen.

Gebruikers kunnen hun data gebruiken om inzicht te krijgen in hun eigen leven. En een verscheidenheid aan gegevens opnemen en volgen, en zelfs  bekijken. Op deze manier kan er worden gewerkt aan verbeteringen, vooral op gebieden die niet goed in beeld zijn zonder deze data.

Bedrijven, instellingen en overheden, verzamelen miljarden datapunten en genereren talloze beelden, maar dat omvat niet altijd alles wat belangrijk is voor uw als klant patiënt of burger. Fysieke activiteit, voedingsgegevens, mentale en emotionele gegevens zijn gegevens die de mogelijkheid gegevens om deze te verkennen en ervan te leren.

Op het meest basale niveau weet iedereen dat ze meer moeten bewegen, gezonder moeten eten, een goede nachtrust moeten krijgen en minder alcohol moeten consumeren. Mensen veranderen echter zelden alleen omdat ze weten dat ze dat moeten doen of als ze dat moeten doen. In plaats daarvan, wanneer mensen zelf het verband tussen fysieke activiteit, voeding en welzijn ervaren, zullen ze waarschijnlijk positieve gedragsveranderingen behouden. En met dit aanhoudende en gezondere gedrag heeft het menselijk lichaam een ​​ongelooflijk potentieel voor zelfgenezing.

Informatie in de vorm van data stelt mensen in staat om systematisch activiteit, slaap, gewicht, voeding, supplementen, vitale functies en gegevens over de mentale en emotionele toestanden te beheren. Visualisatietools stellen mensen in staat de relaties tussen de gegevens te begrijpen en hen aan te moedigen gezondere keuzes te maken.

Delen is de sleutel voor gegevens en ook u wilt misschien ook gegevens met anderen delen, op een veilige en zeer gecontroleerde manier. Beheren voor u eigen voordeel, of de samenleving als geheel! Gegevens veilig te delen, of het nu gaat om je vertrouwde vrienden en familie of als een anonieme deelnemer aan onderzoek. Dit stelt u in staat u eigen gegevens te gebruiken om uzelf of de samenleving in het algemeen ten goede te komen.

Door een geanonimiseerde versie van gegevens te delen met de onderzoeksgemeenschap, versnellen we innovatie. Bovendien de wetenschap dat we niet de enige zijn, maar een deel uitmaken van een grotere geheel wekt vertrouwen. Door een geanonimiseerde versie van gegevens te delen, kan er sneller vooruitgang worden geboekt.

Waar zit de waarde

Data heeft veel waarde, maar alleen als deze is opgeschoond om zo de informatie die ze bevat vrij te geven. Daarbij moeten we denken aan actiegerichte data en kunstmatige intelligentie (AI).

Edge-oplossingen werken dicht bij de plek waar de data wordt gegenereerd, met de mogelijkheid van lokale verwerking en analyse voordat het eventueel verder wordt verwerkt. Als zodanig profiteren we van een lagere latentie, snellere reacties bij veranderende condities en kunnen de kosten van verwerking en analyse worden verlaagd.

Een van de meest kritische functies van het genereren van data is het meta register, waarmee het platform kan begrijpen welke gegevens er worden verzameld. Het meta register verwijst naar een schema met daarin de gegevensbronnen en de gegevensuitwisseling die er plaatsvinden.

Het dataplatform moet data uit talloze databronnen, leveren aan applicaties  waarvoor we tot niet zolang terug datameren werden gebruikt.

Echter door het ontkoppelen van datastromen naar gedistribueerde fout toleranten stromen, zorgt ongelooflijk hoge prestaties, is extreem compact en kan eenvoudig worden geschaald door de toevoeging van hardware.

Gegevensverwerking kan batch- en stream verwerking omvatten. Batch verwerking verwerkt grote hoeveelheid transacties in één run, met meerdere bewerkingen bij zware gegevensbelastingen.

Stream processing houdt zich bezig met transformatie waarbij extreem snelle afhandeling vereist is, met minder data.

Hogere verwerkingssnelheden en configureerbare, automatische, op regels gebaseerde acties en een lagere latentie tussen een gebeurtenis en de daaropvolgende actie, waardoor er waarde wordt toegevoegd.

Gegevensverrijking is van onschatbare waarde. Het voegt gegevens van derden uit een externe bron samen met de bestaande database.

Een voorspellende analyse creëert vervolgens een datagestuurd model om de waarschijnlijkheid te berekenen, waarmee kan worden geanticipeerd.

Door te analyseren en patronen te leren om voorspellingen te doen een dataplatform dat dienovereenkomstig schaalt en dat de meest veelbelovende technieken zijn om verborgen inzichten en waarde uit data te halen.

‘Detectie’ van anomalieën om defecten te identificeren, behoeften te voorspellen en mogelijke problemen op te sporen. ‘Waarschijnlijkheid’ functies testen hoe veranderingen in specifieke variabelen de uitkomsten zullen beïnvloeden en ‘Optimalisatie’ kan vervolgens worden bereikt door de waarschijnlijkheid van verschillende uitkomsten te berekenen en de parameters dienovereenkomstig aan te passen.

Samenwerken

Naarmate kunstmatige systemen (AI) steeds complexer worden, worden ze gebruikt om voorspellingen te doen of liever voorspellende modelresultaten te genereren in steeds meer gebieden van ons leven.

Tegelijkertijd neemt de bezorgdheid toe over de betrouwbaarheid, temidden van toenemende foutmarges in uitgebreide AI-voorspellingen.

Menselijke intuïtie verslaat AI nog steeds zonder twijfel bij het maken van oordelen in een crisis. Mensen en vooral degenen die in hun ervarings- en expertisegebieden werken zijn gewoon betrouwbaarder.

Het ontwikkelen van het vermogen om fouten op te sporen, te beheersen, te herstellen, en improvisatieprobleemoplossing te oefenen lijken de weg vooruit.

Daarbij letten we constant op afwijkingen en behandelen die als symptomen van een mogelijke storingen in het systeem. Afwijkingen worden, in plaats van terzijde te worden geschoven, vervolgens onderzocht op mogelijke verklaringen.

Mensen brengen daarbij veel hogere niveaus van ‘situationeel bewustzijn’ met zich mee daarbij kunnen ze ook nog andere expertise inzetten.

Deze principes zijn handig bij het nadenken over hoe je een volledig autonoom en betrouwbaar AI-systeem kunt bouwen, of hoe je manieren kunt bedenken waarin mensen en AI-systemen kunnen samenwerken.

AI-systemen kunnen ook een hoog situationeel bewustzijn verwerven, dankzij hun vermogen om gegevens uit meerdere bronnen te integreren en de risico’s voortdurend opnieuw te beoordelen.

De huidige AI-systemen hebben dan wel een situationeel bewustzijn, maar anomaliedetectie voor het vermogen om afwijkingen te verklaren en oplossingen te improviseren lijkt daarbij te ontbreken.

Er is nog veel nodig voordat een AI-systeem op betrouwbare wijze bijna ongevallen kan identificeren en verklaren. Inmiddels kunnen systemen veel voorkomende storingen diagnosticeren, maar hoe diagnosticeren we onbekende storingen?

Wat zou het betekenen voor een AI-systeem om improviserende problemen op te lossen die op de een of andere manier de ruimte van mogelijkheden kunnen uitbreiden buiten het oorspronkelijke probleem waarvoor het systeem was ingericht? oplossen?

Waar AI-systemen en mensen samenwerken, is een gedeeld mentaal model nodig. AI mag zijn menselijke tegenhangers bijvoorbeeld niet bombarderen met irrelevante informatie, aangezien mensen zich bewust moeten zijn van de details, mogelijkheden en faalwijzen van het AI-systeem.

Een andere vorm van anomalie is een storing in het samenwerken tussen de mens en de AI of tussen verschillende mensen aan de menselijke kant van de organisatie. Bovendien mogen menselijke fouten niet buiten beschouwing worden gelaten.

AI-systemen moeten daarom ook het gedrag van mensen begrijpen en kunnen voorspellen. Een manier om machines te trainen om anomalieën te verklaren of om met spontaniteit om te gaan.

Een AI-systeem moet een model hebben van zijn eigen beperkingen en mogelijkheden en deze kunnen communiceren.

Een daarvan is een competentiemodel dat kwantielregressies kan berekenen om AI-gedrag te voorspellen, met behulp van de “conforme voorspelling” een methode om aanvullende correcties aan te brengen. Deze benadering vereist echter veel gegevens en blijft vatbaar voor verkeerde interpretaties.

De andere manier is om autonome systemen te laten omgaan met hun “onbekende onbekenden” via open detectie. Een zelfrijdende auto die op Europese wegen is gemodelleerd, zou bijvoorbeeld in Groot Brittannië aan de verkeerde kant van de weg kunnen rijden. Een afwijkingsdetector die niet gelabelde gegevens gebruikt, kan het AI-systeem helpen effectiever op veranderingen te reageren.

Vertrouwen en AI

Kunnen Europeanen vertrouwen op wat AI te bieden heeft. Evenredige en flexibele regels zullen de specifieke risico’s van KI-systemen aanpakken en de hoogste norm wereldwijd bepalen.  Om Europa’s leidende positie in de ontwikkeling van mensgerichte, duurzame, veilige, inclusieve en betrouwbare AI te versterken.

De Europese benadering van betrouwbare AI

De nieuwe regels worden in alle lidstaten op dezelfde manier toegepast, op basis van een toekomstbestendige definitie van AI. Daarbij wordt een risicogebaseerde benadering gevolgd:

Onaanvaardbaar risico: bedreigingen voor de veiligheid, het levensonderhoud en de rechten van mensen.

Daarbij worden toepassingen bedoeld die menselijk gedrag manipuleren om de vrije wil van gebruikers te omzeilen (bijv. Speelgoed dat spraakondersteuning gebruikt om gevaarlijk gedrag van minderjarigen aan te moedigen) en systemen die ‘sociale scores’ door overheden mogelijk maken.

Hoog risico: Zijn AI-technologieën die wordt gebruikt in:

Kritieke infrastructuren (bv. Vervoer) die het leven en de gezondheid van burgers in gevaar kunnen brengen;

Onderwijs- of beroepsopleiding, die de toegang tot onderwijs en de professionele loop van iemands leven kan bepalen (bijv. Het scoren van examens);

Veiligheidscomponenten van producten (bijv.KI-toepassing bij door robots ondersteunde chirurgie);

Tewerkstelling, personeelsbeheer en toegang tot zelfstandig ondernemerschap (bv. Cv-sorteersoftware voor wervingsprocedures);

Essentiële particuliere en openbare diensten (bijv. Kredietscore waardoor burgers de mogelijkheid worden ontzegd om een ​​lening te krijgen);

Wetshandhaving die inbreuk kan maken op de grondrechten van mensen (bv. Evaluatie van de betrouwbaarheid van bewijs);

Migratie-, asiel- en grenscontrolebeheer (bv. Verificatie van de authenticiteit van reisdocumenten);

Rechtsbedeling en democratische processen (bv. De wet toepassen op een concrete reeks feiten).

AI-systemen met een hoog risico zullen aan strikte verplichtingen worden onderworpen voordat ze op de markt kunnen worden gebracht:

Adequate risicobeoordeling en risicobeperkende systemen;

Hoge kwaliteit van de datasets die het systeem voeden om risico’s en discriminerende resultaten te minimaliseren;

Loggen van activiteiten om traceerbaarheid van resultaten te garanderen;

Gedetailleerde documentatie met alle informatie die nodig is over het systeem en het doel ervan zodat de autoriteiten de naleving ervan kunnen beoordelen;

Duidelijke en adequate informatie voor de gebruiker;

Passende maatregelen voor menselijk toezicht om risico’s te minimaliseren;

Hoge mate van robuustheid, veiligheid en nauwkeurigheid.

In het bijzonder worden alle biometrische identificatiesystemen op afstand als risicovol beschouwd en aan strenge eisen onderworpen. Het live gebruik ervan in openbaar toegankelijke ruimtes voor wetshandhavingsdoeleinden is in principe verboden. Beperkte uitzonderingen zijn strikt gedefinieerd en gereguleerd (zoals waar strikt noodzakelijk om naar een vermist kind te zoeken, om een ​​specifieke en onmiddellijke terroristische dreiging te voorkomen of om een ​​dader of verdachte van een ernstig strafbaar feit op te sporen, te lokaliseren, te identificeren of te vervolgen). Dergelijk gebruik is onderhevig aan toestemming van een gerechtelijke of andere onafhankelijke instantie en aan passende limieten in tijd, geografisch bereik en de doorzochte databases.

Beperkt risico, d.w.z. AI-systemen met specifieke transparantieverplichtingen: bij het gebruik van AI-systemen zoals chatbots moeten gebruikers zich ervan bewust zijn dat ze interactie hebben met een machine, zodat ze een weloverwogen beslissing kunnen nemen om door te gaan of een stap terug te doen.

Minimaal risico: het wetsvoorstel staat het gratis gebruik van applicaties toe, zoals AI-compatibele videogames of spamfilters. De overgrote meerderheid van AI-systemen valt in deze categorie. De ontwerpverordening komt hier niet tussen, aangezien deze KI-systemen slechts een minimaal of geen risico vormen voor de rechten of veiligheid van burgers.

Wat governance betreft, stelt de Commissie voor dat de nationale bevoegde markttoezichtautoriteiten toezicht houden op de nieuwe regels, terwijl de oprichting van een Europese Raad voor kunstmatige intelligentie de implementatie ervan zal vergemakkelijken en de ontwikkeling van normen voor AI zal stimuleren. Daarnaast worden vrijwillige gedragscodes voorgesteld voor niet-risicovolle AI, evenals regelgevende sandboxen om verantwoorde innovatie mogelijk te maken

Wat we willen

Freud vroeg zich al af: ‘wat willen vrouwen?’

Wat vragen bedrijven, organisaties en de overheid zich af: ‘wat willen mensen?’ In tegenstelling tot Freud denken ze echter vaak dat ze het antwoord weten.

De ontvangen wijsheid – heel vaak – is dat mensen “een overtuigend verhaal ” willen.

Keer op keer hoor je: als je een overtuigend verhaal hebt, vertrouwen mensen je meer. Dit is allemaal de taal van homo economicus – rationeel, lineair, deductief, op gegevens gebaseerd.

Slechts één probleem: het is aantoonbaar niet waar. Of, om preciezer te zijn, het verklaart veel minder het vertrouwen dat burgers in bedrijven, organisaties en de overheid hebben maar ze geloven het graag.

Wat vertellen de gegevens ons? Werkt een goed verhaal echt? Mooi verwoord: “Mensen geloven met hun hart – en rechtvaardigen het dan met hun brein.”

Samengevat: ‘Mensen geloven liever in wat ze nodig hebben van mensen die begrijpen wat dat is. zij willen.” Dat niet van degenen met een slecht verhaal.

Uitgaande van het feit dat 95% van onze beslissingen in het onderbewustzijn plaatsvinden. “Vertrouwen mensen niet om logische redenen, maar om emotionele redenen. “

Vertrouwen is niet gebaseerd op data, of rationele argumentatie, of iets dat lijkt op een ‘een goed verhaal’.

De term “een goed verhaal” in het dagelijkse gebruik erkent dit op gegevens gebaseerde feit eenvoudigweg niet.

Met andere woorden, wat mensen bijblijft en hen volgers maakt, zijn zaken als ‘betrouwbaarheid’, ‘geven om’, ’tijd besparen’, ‘slimmer maken’. Met andere woorden, de diepere, emotionele, vage dingen.

Waarom zou dit zijn? Is het onwetendheid? Ontkenning? Schizofrenie? Waarom zouden intelligente mensen vertrouwen stellen in logica, waarvan is bewezen dat logica – logischerwijs – faalt? Hoe kunnen we dit onlogische gedrag rechtvaardigen?

Wat betekent het verkopen van je ziel. Het betekent manipulatie.

En daarvoor worden geen morele principes opgeven, vaardig worden in de kunst van manipulatie, het bedriegen en geld aannemen van bedrijven, organisaties en overheden die je leuk vind? Allemaal voor een beleving, voedsel en een wrede wereld?

Of behouden we onze principes, en geven inkomen, loopbaanontwikkeling en succes op.

Volg je hart. Bouw de relatie op. Vertel de waarheid. Wees transparant. Bekijk transacties als tussenstops, niet als eindpunten. Doe het goede.

Op deze manier bekeken, is de juiste rol de hersenen te voeden met de rationalisatie die ze nodig hebben om het hart te dienen. De waarde die je dan krijgt is een vertrouwensrelatie.

Digitale tweeling

Digitale tweelingen in de echte wereld zijn nodig om het volledige potentieel te realiseren.

Het concept van een digitale tweeling bestaat al bijna twee decennia. Een digitale tweeling is per definitie een exacte weergave van een apparaat, object, gebouw, infrastructuur, bedrijf, overheid of personen in een digitale omgeving.

Meestal worden digitale tweelingen gebruikt voor kwaliteitscontrole, verbetering, systeemdiagnostiek, bewaking, optimalisatie en voorspelling van resultaten en prestaties. Het optimaliseren van digitale tweelingen vereist investeringen in hardware als in software die gegevens omzetten in bruikbare inzichten.

Inmiddels vertrouwen we erop dat al dan niet onder toezicht staande algoritmen voor machine learning zullen ontdekken hoe we kwaliteit kunnen verbeteren op basis van de terabytes aan gegevens die dagelijks worden gegenereerd.

Een digitale tweeling bestaat uit gegevens, computermodellen en interfaces, zoals een object in een objectgeoriënteerde programmeertaal die gegevens, methoden en interfaces nodig heeft.

Een digitale tweeling bevat gegevens over het werkelijkheid die de modellen nodig hebben om de toestanden en het gedrag weer te geven en te begrijpen. In veel gevallen kan het bestaan ​​uit gegevens over de volledige levenscyclus.

Een digitale tweeling bevat reken- of analytische modellen die nodig zijn om de toestand en het gedrag beschrijven, begrijpen en voorspellen, evenals modellen die worden gebruikt om acties te omschrijven op basis van logica en doelstellingen.

Deze modellen kunnen, modellen bevatten op basis van fysica- of scheikunde-, technische- of simulatiemodellen, datamodellen op basis van statistieken, machine learning en kunstmatige intelligentie (AI).

Door te vertrouwen op een digitale weergave die mogelijk wordt gemaakt door de digitale tweeling, kunnen we een groot aantal slimme toepassingen in de echte wereld laten werken, waardoor deze activiteiten optimaal worden verbeterd.

Het abstractieniveau van een digitale tweeling is zodanig dat het voldoende is, voor de vereisten van een specifieke toepassing of use case.

Een discrete digitale tweeling is een enkele entiteit die waarde biedt zonder verder te hoeven worden opgesplitst. Het samenstellen van discrete digitale tweelingen om een samengestelde digitale tweeling te creëren.

Een digitale tweeling is een oplossing voor het informatiesiloprobleem: de informatie over een entiteit is meestal verspreid over meerdere informatiebronnen, die worden ontwikkeld en onderhouden door verschillende organisaties.

Digitale tweelingen kunnen worden ingezet om het informatiesiloprobleem aan te pakken. De digitale tweeling is een middel en een interface om toegang te krijgen tot informatie.

Omdat informatie uit verschillende bronnen komt, op verschillende tijdstippen en in verschillende formaten, is het automatisch tot stand brengen van een interface, één van de grootste uitdagingen bij het ontwerpen van digitale tweelingen.

Eenmaal tot stand gebracht zal echter een digitale tweeling ontstaan die de standaard bepaald. Voor het verwerken en samenvoegen van gegevens tot een werkbaar model. Waaruit voorspellingen, berekeningen en optimalisaties ontstaan die een waardevolle toevoeging zijn aan bestaande processen en vraagstukken.

Datascience

Door de onbedoelde gevolgen van AI is de kans dat de massa er zich tegen keert. Al bijna een decennium zijn we geobsedeerd door het maximaliseren van voorspellende prestaties. Zeker gezien als we kijken naar het vermogen waarmee AI de prestaties op menselijk niveau bij sommige taken kan benaderen.

Er zijn steeds meer voorbeelden van onbedoelde gevolgen, zo kennen we het  toeslagen schandaal van de belastingdienst, het algoritme van sociale zaken, het discrimineren van vrouwelijke kandidaten tot het geven van prioriteit aan blanke sollicitanten boven allochtonen sollicitanten. Op de Mensgerichte AI gericht op privacy, ethiek en transparantie moet voorrang krijgen op winst in voorspellende kracht.

In data science zijn deze definities belangrijk. Er is nog steeds geen unanieme overeenstemming over wat het betekent om een ​​ethische datawetenschapspraktijk op te bouwen. Dit begint bij de ethische datawetenschap met eerlijkheid en waardeert privacy, ethiek, transparantie en menselijk welzijn boven voorspellende kracht.

Er zijn veel briljante geesten die aan deze uitdagingen werken. Zelfs Facebook, Google en Microsoft hebben “Responsible AI” -teams opgericht om deze problemen aan te pakken, maar met beperkt succes. Ook de Europesche gemeenschap kent een dergelijk programma. Waarbij er buiten dergelijke initiatieven weinig tot geen investeringen worden gedaan in ethische datawetenschap buiten deze beperkte groep bedrijven.

De kernprincipe van ethische datawetenschap, moeten we gaan begrijpen en waarom dit zo complex is. Hoewel er meer vragen dan antwoorden zijn, moeten inzichten worden gedeeld uit de lessen die gaandeweg worden geleerd.

Wat is eerlijkheid eigenlijk?

We kunnen geen ethische gegevenswetenschap hebben zonder eerst aandacht te besteden aan eerlijkheid. In grote lijnen betekent eerlijkheid dat verschillende individuen gelijk worden behandeld onder dezelfde omstandigheden.

Laten we zeggen dat we proberen een bruikbaar model te bouwen dat geen rekening houd met etniciteit of geslacht en individuen aanbeveelt door rekening te houden met hun opleiding en werkervaring. In theorie zou dit de individuele vooroordelen die bij het nemen van beslissingen betrokken zijn, kunnen verminderen.

Laten we nu aannemen dat we een historische dataset van individuen kunnen vinden, compleet met educatieve geschiedenis, werkposities en de geaccepteerde salarissen. De kans is groot dat deze dataset enige vertekening bevat. Ook kunnen in veel gevallen ‘proxyvariabelen’ – factoren zoals postcode, persoonlijke interesses, winkeltransacties, onder andere – indirecte indicatoren zijn van beschermde statussen zoals leeftijd, geslacht en etniciteit.

Het is misschien onmogelijk om te voldoen aan zowel de criteria voor ‘statistische pariteit’ als ‘gelijke kansen’ definities van eerlijkheid.

Dit wordt snel ingewikkeld. In feite zijn er verschillende definities van eerlijkheid, waarbij er verschillende manieren zijn om eerlijkheid te definiëren die elkaar kunnen tegenspreken of niet tegelijkertijd waar kunnen zijn. De realiteit is dat er geen eenduidige definitie van eerlijk is. Datawetenschappers hebben de taak om belangrijke beslissingen te nemen over welke vragen ze moeten stellen en welke modellen ze moeten gebruiken. Hoewel veel goedbedoeld zijn, betekent dit dat het moeilijk kan zijn voor iemand die het juiste wil doen om te weten welke vereiste hij moet doen.

Als je bedenkt dat datawetenschap momenteel nog de laagste homogeniteit kent qua diversiteit in technische beroepen , wordt dit nog problematischer. Dus als de definitie van ‘eerlijk’ subjectief is aan de homogeniteit van de data teams, hoe kunnen we dan eerlijke beslissingen nemen en daarmee ethische datawetenschap beoefenen?

Wat wordt gemeten, wordt beheerd en wat wordt beheerd, wordt verbeterd

We worden geleefd door onze kernwaarden, evalueren en hebben onze doelen geïdentificeerd door collectief te zoeken. Navigeren door ethiek is een van onze kernwaarden, we erkennen dat er soms niet één juist antwoord is.

* Er zijn geen reguliere mogelijkheden om de nuances van ethische datawetenschap te bespreken.

* We bouwen geen oplossingen voor situaties van leven of dood.

* Ik heb niet genoeg vertrouwen in mijn vermogen om onbedoelde gevolgen te herkennen.

* Ik heb onvoldoende grip op rechtvaardigheid en eerlijkheid, vooral niet als het om verschillende groepen gaat.

Datawetenschap is niet nieuw, maar in de afgelopen 10 jaar zouden de meeste professionals het beschouwen als een opkomende discipline.

Hoewel datawetenschap nog grotendeels ongereguleerd is, groeit de consensus dat het noodzakelijk is. Dit is een vroeg teken van regelgeving die naar de data science-wereld komt.

Maar we bouwen data- en AI-systemen die mensen op verschillende manieren meten, beïnvloeden en ondersteunen. Maar wat als we elke oplossing die we hebben gebouwd door de lens van de impact op mensen zouden bekijken? Een standaard ethisch beoordelingsproces kan risico’s herkennen en bescherming te bieden tegen onbedoelde gevolgen.

Datalek

Wat gebeurt er als een bedrijf, organisatie of de overheid u een e-mail stuurt met een onderwerpregel die luidt “strikt privé en vertrouwelijk – kennisgeving van een databreuk”?

“U bent aangeslagen na het lezen van de e-mail: hoe ernstig is de datalek en welke actie wordt er ondernomen, of is het slechts een kleine inbreuk?”

Als er normaal een aan u geadresseerde brief aankomt met de aanduiding ‘privé en vertrouwelijk’, betekent dit dat niemand anders deze mag openen. Maar bij een e-mail is het onzinnig te denken dat u de enige bent die deze kan lezen. In feite staat er in de e-mail vertel het aan niemand, anders loopt u mogelijk juridisch gevaar.

“Het is duidelijk dat het proberen het datalek stil te houden niet echt kansrijk is”

Is het acceptabel om te vragen of een ​​melding van een datalek “strikt privé en vertrouwelijk” te noemen, aangezien dit kan worden uitgelegd als een ondeskundige poging om het incident te verzwijgen.

“De kennisgeving per e-mail is gemarkeerd als privé en vertrouwelijk vanwege de aard van de communicatie, die bedoeld is voor de betrokken personen. Gezien de inhoud van de e-mail wilde men dit duidelijk maken, daarom is de e-mail gemarkeerd als privé en vertrouwelijk.”

Dit slaat duidelijk nergens op. E-mails die naar een persoon worden gemaild, gaan naar die persoon. Als je niet wilt dat mensen de informatie delen, vraag het dan beleefd en vriendelijk – maar aangezien je de controle over je persoonlijke gegevens bent kwijtgeraakt, mag men niet verwachten dat je daar gelukkig van wordt.

Getroffen door een datalek criminelen kunnen je naam, e-mailadres, fysieke adres en de laatste vier cijfers van betaalkaarten, samen met de vervaldatum kunnen hebben buitgemaakt.

“betaalkaart informatie mag niet worden misbruikt voor frauduleuze transacties, dus u hoeft uw betaalkaart niet op deze basis te annuleren”

Ondanks de melding van een inbreuk, weet u niet of u op de een of andere manier een verhoogd risico loopt.

Op basis van de blootgestelde gegevens, loopt u het grootste op social engineering – bijvoorbeeld door gebeld te worden door een fraudeur die de gestolen informatie wil gebruiken om aanvullende details te achterhalen, zoals u volledige creditcardnummer.

Ook loopt u het risico lopen op identiteitsdiefstal doordat er dingen in u naam worden aangevraagd. Er zijn diensten die dit monitoren, “ze helpen u bijvoorbeeld bij het opsporen van mogelijk misbruik van uw persoonlijke gegevens, ook om redenen die verder gaan dan dit incident, en biedt u ondersteuning voor identiteitsbewaking, gericht op de identificatie en oplossing van identiteitsdiefstal.”

Wanneer bedrijven, organisaties of de overheid een datalek melden staan ze met een nul achter. Omdat ze vertrouwd waren u privé-informatie en de opdracht hadden deze te beschermen, en dat hebben niet gedaan. Daarom is het een goed uitgangspunt dat ze elke mogelijke stap moeten nemen om de gevolgen te beheersen. Iets doen dat eruitziet alsof je het probeert je fouten te verzwijgen, is dan een nee-nee.

“De prioriteit is dan om duidelijk te identificeren wie (en niet) betrokken zijn bij een incident en om precies te bepalen om welke informatie het gaat, zodat ze u kunnen uitleggen wat er is gebeurd en u laten weten wat u kunt doen als reactie op dit incident”

Data

Heb je vandaag het internet gebruikt? Facebook bezocht? Iets online gekocht? Naar het weer op je smartphone gekeken? Online een video bekeken? Een ritje geboekt? Verbinden aangegaan op een online platform? Uw collega een sms gestuurd? Met al deze activiteiten, genereert u data. En u bent slechts een van de miljarden mensen die ook gegevens genereren. In feite genereren gebruikers van het internet nu elke dag 2,5 quintillion bytes aan gegevens, en 90 procent van de gegevens die vandaag beschikbaar zijn, is pas in de afgelopen twee jaar gegenereerd.

Voor bedrijven en organisaties die kunnen leren en profileren met deze data, lijkt de exponentiële groei een droom die uitkomt. Die gegevens zijn zinloos zonder manieren om ze te verzamelen en analyseren, maar een feit is dat de er een steeds grotere vraag data ontstaat.

En de bijbehorende termen zoals datawetenschap, Big Data, R-programmeren, Python en SAS, en een carrière in de datawetenschap wordt gezien als de meest sexy baan van de 21e eeuw.

Het potentieel klinkt zeker veelbelovend, maar je vraagt ​​je misschien af: wat doet je met al die verzamelde data?

Er is geen typische dag waarop data wordt verzameld.

Allereerst een disclaimer het idee van ’typisch’ en data gaan niet samen. Data is flexibel als je flexibel bent, afwisselend als je van afwisseling houdt, atypische maar prima passend. En hoewel de dagen vol beweging zijn, blijven sommige aspecten van de dag hetzelfde: verzamelen van data, werken met en kennis op doen om bij te blijven.

Werken met data, data is overal

Ons dagelijks leven draait steeds meer om data, wat aanziens de mogelijkheden geen verrassing is. Wetenschappers besteden een groot deel van hun tijd aan het verzamelen van gegevens, het bekijken van die gegevens, het verwerken van gegevens, maar op veel verschillende manieren en om veel verschillende redenen:

Gegevens ophalen,

samenvoegen,

analyseren.

Zoeken naar patronen of trends

Algoritmen ontwikkelen en testen

Problemen vereenvoudigen

Voorspellende modellen

Datavisualisaties

Resultaten schrijven en delen

Bewijs van werkzaamheid

Alles ondergeschikt aan in de eerste plaats het vermogen om problemen op te lossen. Werken met gegevens betekent proberen te bepalen welke vragen beantwoord moeten worden, en vervolgens met verschillende benaderingen komen tot een uitkomst om probleem op te lossen.

Dit lijkt misschien een ondergeschikte rol, maar het tegenovergestelde is waar, want uiteindelijk is het de manier om problemen op te lossen.

Edge beloften

De focus voor het gebruik van computers verandert voortdurend, van mainframes tot desktops tot de cloud en nu Edge. Die de manier waarop we werken, leven en spelen zal veranderen.

Met 6,8 miljard mensen en 20 miljard verbonden sensoren en apparaten hebben we een nieuwe wereld van gedecentraliseerde intelligentie gecreëerd. Met nieuwe mogelijkheden die een revolutie zal ontketenen door alle nieuwe mogelijkheden zoals gezondheidszorg op afstand, nieuw gedrag en nieuwe vormen van verstoring. Edge computing versnelt het vermogen om bionisch te worden door toegang tot enorme datasets, waarvan vele betrekking hebben op menselijke activiteit, en de middelen om deze informatie op nieuwe manieren te begrijpen door middel van kunstmatige intelligentie.

Edge zal net als eerdere verschuivingen, winnaars en verliezers kennen. En genereert in vergelijking met cloud computing complexere vaardigheden en mogelijkheden, waardoor de winnaars van vandaag misschien niet die, van morgen.

Edge computing heeft de afgelopen jaren veel aan terrein gewonnen, maar het idee om verwerking en intelligentie dichter bij de gebruiker te brengen, is al een paar decennia oud. Rond de eeuwwisseling begonnen bijvoorbeeld contentdistributienetwerken (CDN’s) rekenkracht en opslag dichter bij de gebruiker te brengen, waarbij regionale datacenters het Wereld Weide Web zich kon versnellen.

De connectiviteit en gegevensstromen die edge computing tot leven brengen, zijn gebaseerd op de hardware en infrastructuur die de edge met de cloud verbinden.

Wanneer we gegevens aan de uiterste rand van het netwerk worden verwerkt, worden de latentie- en bandbreedtekosten drastisch verminderd, zonder concessies te doen aan de mogelijkheid om data centraal te verwerken.

De verzamelde data zal naar verwachting sterk blijven groeien, verdubbelen en een aanzienlijke groei stimuleren. Naarmate er meer gebruikersscenario’s en nieuwe technologieën opduiken, is de verwachting dat de hoeveelheid data jaarlijks zal toenemen.

De meeste huidige gebruikersscenario’s zijn afhankelijk van reken- en opslagmogelijkheden in of nabij het apparaat die de snelheid verhogen of de afhankelijkheid van connectiviteit verminderen. Dienovereenkomstig vormen de smartphones interessante hubs bij decentraal verwerken van data, terwijl 5G en andere geavanceerde netwerken worden uit gerold, wat de groei van de Edge nog meer zal versnellen.

Daarbij heeft Edge computing het voordeel van een lage latentie, betere betrouwbaarheid, mogelijk betere beveiliging, tegen lagere kosten en meer gemak.

Een smartgrid met privévoertuigen, openbaar vervoer, vrachtwagens en het delen van fietsen en scooters. Bewaking en onderhoud op afstand. Met geavanceerde automatisering en baanbrekende Edge-architecturen gebouwd met real-time algoritmen en machine learning. De basis voor snelle groei.

Deze ambities zijn gebaseerd op de sterke indicatoren en het bouwen aan nieuwe mogelijkheden. Die benadering is gericht op het lokaal verwerken van gegevens om een ecosysteem op te bouwen, met de edge mogelijkheid om hardware, software en connectiviteit te combineren die normaal moeilijk samen te brengen onder een gemene deler.

De Edge is een natuurlijke uitbreiding en combineert rekenkracht en opslagcapaciteit van de hardware en de connectiviteit. Om zo ecosystemen te creëren en te profiteren van de schaal en horizontale expansie.

Het is belangrijk om evenwicht te vinden voor applicaties en platforms om zo end-to-end-oplossingen te bouwen.

De uitrol van 5G zal extra mogelijkheden creëren voor het bieden van lokale verwerking van data, ecosystemen waarbinnen data wordt verwerkt op je eigen smartphone.

Betrouwbare communicatie met lage latentie om Edge-ecosystemen te creëren.