Ερώτηση προς τον εμπειρογνώμονα: Είναι αλήθεια ότι τα κοινωνικά δίκτυα μας παρακολουθούν

Ντμίτρι Κουρκίν

ΑΠΑΝΤΗΣΕΙΣ ΣΤΗΝ ΜΕΓΙΣΤΗ ΤΩΝ ΕΡΩΤΗΣΕΩΝ ΤΩΝ ΗΠΑ χρησιμοποιήσαμε την αναζήτηση στο διαδίκτυο. Στη νέα σειρά υλικών θέτουμε τέτοιες ερωτήσεις: καύση, απροσδόκητη ή ευρέως διαδεδομένη - σε επαγγελματίες σε διάφορους τομείς.

Ο 10χρονος φλας, που ξεκίνησε στα κοινωνικά δίκτυα στις αρχές του έτους, όχι μόνο δημιούργησε θεωρίες συνωμοσίας ότι ο στόχος της καμπάνιας ήταν η συλλογή φωτογραφιών χρηστών και η εκπαίδευση τους για να αναγνωρίσουν το σύστημα αναγνώρισης προσώπων, αλλά και πάλι τους έκανε να σκεφτούν πόσα γνωρίζουν. κοινωνικά δίκτυα και τρίτα μέρη που εργάζονται μαζί τους (από εμπορικές εταιρείες σε κυβερνητικές υπηρεσίες).

Το γεγονός ότι οι τεχνολογικοί γίγαντες συλλέγουν και αναλύουν τα λεγόμενα ψηφιακά ίχνη που αφήνονται καθημερινά από δισεκατομμύρια χρήστες δεν αποτελεί μυστικό για κανέναν. Και η συνειδητοποίηση αυτού δημιουργεί ένα νέο είδος φόβου του «μεγάλου αδελφού»: τα κοινωνικά δίκτυα γνωρίζουν πολλά για εμάς, αλλά τι εάν γνωρίζουν πάρα πολλά για εμάς; Μπορούν να χρησιμοποιηθούν μεγάλα δεδομένα για να ανακαλύψουν όλες τις συνδέσεις, τις προτιμήσεις, τις συνήθειες ενός προσώπου, το παρελθόν και το παρόν του; Και αν ναι, ποια βλάβη μπορεί να προκαλέσει η επιθυμία μας να κοινωνικοποιήσουμε στο διαδίκτυο, για την οποία μοιραζόμαστε εθελοντικά πληροφορίες για τον εαυτό μας;

Ζητήσαμε εμπειρογνώμονες για το πώς επεξεργάζονται δεδομένα χρηστών από μεγάλες εταιρείες και πόσο μεγάλο είναι ο κίνδυνος να κληρονομήσουν τα κοινωνικά δίκτυα.

Liliya Zemnukhova

Ερευνητής στο Κέντρο Έρευνας Επιστήμης και Τεχνολογίας στο Ευρωπαϊκό Πανεπιστήμιο της Αγίας Πετρούπολης

Ένα ψηφιακό αποτύπωμα περιέχει όλους τους τύπους δεδομένων - κείμενα, εικόνες, εγγραφές ήχου και εικόνας, γεωγραφική κατανομή και πολλά μεταδεδομένα (για παράδειγμα, μοντέλο gadget, φορέας εκμετάλλευσης κινητού τηλεφώνου, λειτουργικό σύστημα, δυναμική και διάρκεια επισκέψεων κ.λπ.). Και δεν είναι μόνο εμείς οι οποίοι αναπληρώνουν το ψηφιακό μας αποτύπωμα. Τα κοινωνικά δίκτυα μας διαμορφώνουν ως χρήστες με τη βοήθεια τριών πηγών δεδομένων: το γεγονός ότι εμείς οι ίδιοι αναφέρουμε τον εαυτό μας. ότι οι άλλοι αναφέρουν σχετικά με εμάς. και τι συμβαίνει συχνότερα χωρίς τη γνώση μας. Ιδιαίτερα αδιαφανές τελευταίο. Εμείς, κατά κανόνα, δεν διαβάζουμε συμφωνίες και πολιτικές χρηστών για τη συλλογή και χρήση των προσωπικών δεδομένων. Σημειώνουμε μόνο ότι αυτό το "μαύρο κουτί" επηρεάζει κάπως την εμπειρία των χρηστών μας: στοχοθετημένη διαφήμιση, προτάσεις από φίλους, προτάσεις για μουσική, διαδικασία για την προώθηση ειδήσεων ... Κατασκευάζουμε ένα μικρό κομμάτι αυτής της εμπειρίας, όταν χτίζουμε με χέρι τη ροή ειδήσεων, εκτελέστε τις λειτουργίες που είναι ενσωματωμένες στα προεπιλεγμένα προφίλ. Γι 'αυτό δεν θα ξεφορτωθούμε ποτέ τη συμφραζόμενη διαφήμιση ή τις παρεμβατικές προτάσεις ομάδων ή (όχι) φίλων. Τα κοινωνικά δίκτυα ως εταιρίες χρησιμοποιούν δεδομένα για τους χρήστες τους για εμπορικούς σκοπούς, προσφέροντας την πλατφόρμα τους για την πώληση στοχοθετημένου περιεχομένου. Και συνεχίζουμε να συλλέγουμε δεδομένα σχετικά με εμάς: για παράδειγμα, αν έχετε πληρώσει για διαφήμιση τουλάχιστον μία φορά, τότε τα στοιχεία της τράπεζας και της συναλλαγής παραμένουν επίσης στην εταιρεία. Τα δεδομένα μπορούν επίσης να παρέχονται σε κυβερνητικές υπηρεσίες όταν υπάρχει μεγάλη ανάγκη: για παράδειγμα, το Facebook συνεργάζεται τακτικά με αμερικανικές κυβερνητικές υπηρεσίες, σύμφωνα με την πολιτική διαφάνειας.

Εκτός από την εσωτερική πολιτική των κοινωνικών δικτύων, υπάρχει μια πιο σημαντική λεπτομέρεια: οι λογαριασμοί μπορούν να συνδεθούν με εκατοντάδες χιλιάδες άλλες εφαρμογές και λειτουργίες. Αυτό, για παράδειγμα, ήταν ο λόγος για μεγάλες συζητήσεις πέρυσι σχετικά με την πρόσβαση τρίτων στα δεδομένα χρηστών. Μια σημαντική προσπάθεια ρύθμισης της ελευθερίας των προγραμματιστών έγινε στην Ευρωπαϊκή Ένωση - οι κανονισμοί γενικής προστασίας δεδομένων (GDPR) τέθηκαν σε ισχύ πέρυσι. Αποφάσισε να μην μεταφέρει προβλήματα δεδομένων, αλλά επέστησε την προσοχή των χρηστών σε αυτή την ερώτηση. Αυτό δεν μας υποχρεώνει να διαβάσουμε όλες τις συμφωνίες χρηστών, αλλά μας κάνει να σκεφτούμε και τουλάχιστον να είμαστε πιο υπεύθυνοι για τα ψηφιακά μας αποτυπώματα και να ακολουθήσουμε τους στοιχειώδεις κανόνες ψηφιακής υγιεινής.

Valeria Karavaeva

επιστήμονας δεδομένων στο Spiking

Μερικές φορές δεν σκεφτόμαστε πόσες διαδρομές αφήνουμε στον ιστό και πόσο αργότερα βοηθά τις εταιρείες, όχι μόνο τα κοινωνικά δίκτυα - παρά τα κοινωνικά δίκτυα. Τα κοινωνικά δίκτυα συλλέγουν δεδομένα όχι μόνο για τον εαυτό τους, μπορούν να τα πουλήσουν - το ξέρω γι 'αυτό, επειδή εργάστηκα σε ένα διαφημιστικό πρακτορείο και αγοράσαμε δεδομένα από το Facebook. Και πιο συχνά, εμείς, οι χρήστες, δώσουμε τη συγκατάθεσή μας χωρίς να το παρατηρήσουμε. Οι άνθρωποι ξοδεύουν το ήμισυ της ζωής τους στα κοινωνικά δίκτυα και δίνουν πολλές πληροφορίες για τον εαυτό τους.

Αλλά ήταν δυνατή η συλλογή δεδομένων πριν - γιατί γιατί αρχίσατε να μιλάτε για μεγάλα δεδομένα μόνο πρόσφατα; Πρώτα απ 'όλα, επειδή η υπολογιστική ισχύς αυξάνεται και, κατά συνέπεια, γίνεται φθηνότερη. Το κύριο θέμα των μεγάλων δεδομένων δεν είναι ο τρόπος συλλογής δεδομένων - κατ 'αρχήν, κάθε ένας από εμάς σήμερα μπορεί να συλλέξει και να αποθηκεύσει terabyte πληροφοριών - αλλά πώς να συνεργαστεί μαζί τους. Τα περισσότερα από τα δεδομένα που προέρχονται από κοινωνικά δίκτυα (κείμενο, φωνή, εικόνες, βίντεο) δεν είναι δομημένα με κανέναν τρόπο, επομένως χωρίς μηχανική μάθηση μεγάλα δεδομένα είναι άχρηστα. Τώρα, λόγω του γεγονότος ότι η δύναμη και η μνήμη έχουν γίνει φθηνότερα, η ζήτηση για νευρωνικά δίκτυα και βαθιά μάθηση έχει αυξηθεί - μάθαμε τελικά να επεξεργαστούμε μεγάλες σειρές δεδομένων.

Πάρτε, για παράδειγμα, εικόνες - και αυτό είναι πραγματικά μεγάλα δεδομένα, μπορούν να δώσουν πολλές πληροφορίες. Υπάρχουν εκατομμύρια εικόνων, αλλά τι να κάνετε μαζί τους; Ποια οφέλη μπορούν να αντληθούν από αυτά; Ποια μοτίβα σας ενημερώνουν; Η μηχανική μάθηση, στην πραγματικότητα, δεν έχει πάει τόσο πολύ. Αυτή δεν είναι μια τόσο απλή διαδικασία όπως φαίνεται: δεν υπάρχει τέτοιο πράγμα που πατάτε ένα κουμπί και σε μια εβδομάδα λαμβάνετε πλήρεις υπολογισμούς.

Απευθείας μηχανική μάθηση προηγείται από πιο πολύπλοκα καθήκοντα. Οι ίδιες εικόνες πρέπει πρώτα να επεξεργαστούν σωστά (για παράδειγμα, περικοπή, κεντροθετημένες φωτογραφίες, αυτό είναι σημαντικό για τη μάθηση) - αυτό είναι το πρώτο στάδιο, το οποίο συνήθως διαρκεί πολύ. Το δεύτερο στάδιο είναι να επιλέξετε μια αρχιτεκτονική δικτύου κατάλληλη για την επίλυση του προβλήματος. Σε γενικές γραμμές, κατασκευάζετε δέκα διαφορετικά νευρικά δίκτυα και δίνουν δέκα διαφορετικά αποτελέσματα. Τότε πρέπει να αξιολογήσετε με κάποιο τρόπο τα αποτελέσματα. Και στη συνέχεια, εσείς, με μεγάλη πιθανότητα, επιστρέψετε στο πρώτο στάδιο. Είναι αδύνατο να δημιουργηθεί ένα καθολικό δίκτυο για οποιαδήποτε εργασία: είτε το χτίζετε από το μηδέν είτε τροποποιείτε ένα υπάρχον. Η αναγνώριση προσώπου είναι μία εργασία, η αναγνώριση των γάτων είναι άλλη.

Στη διαδικασία της μηχανικής μάθησης, συμμετέχουμε επίσης, χωρίς να το γνωρίζουμε. Για παράδειγμα, να εισαγάγετε captcha σε ιστότοπους: χρησιμοποιώντας το captcha, τα εκπαιδευμένα νευρωνικά δίκτυα της Google ψηφιοποιούν βιβλία.

Πρέπει να καταλάβουμε ότι εταιρείες που συλλέγουν μεγάλα δεδομένα δεν ενδιαφέρονται για τα προσωπικά μας προφίλ. Χρειάζονται στοιχεία για πολλούς διαφορετικούς ανθρώπους που ενδιαφέρονται για κάτι συγκεκριμένο. Όσον αφορά τις ειδικές υπηρεσίες, νομίζω ότι μπορούν να συλλέγουν δεδομένα χωρίς να καταφεύγουν σε κοινωνικά δίκτυα. Νομίζω ότι οι φόβοι μας ότι παρακολουθούμε σύντομα θα περάσουν. Αυτός είναι ο νέος κόσμος: είναι πιθανό να μην κληρονομήσει τον ιστό, αλλά είναι δύσκολο. Είναι ευκολότερο να μην εμφανίζεται καθόλου στον ιστό.

ΦΩΤΟΓΡΑΦΙΕΣ: antonsov85 - stock.adobe.com