cities

De toekomst van steden

IBM

Grabble.com is er al klaar voor!

privacy

‘Nieuw Europees privacykader hindert big data innovatie’

 

Het voorstel voor de nieuwe privacyverordening in de Europese Unie biedt consumenten meer recht op informatie en toestemming ter bescherming van hun privacy, zodat ze betere keuzes kunnen maken. Maar volgens Lokke Moerel, hoogleraar Global ICT Law, zullen deze rechten niet tot meer bescherming leiden. Het voorstel belemmert bovendien innovaties met big data, terwijl deze van groot maatschappelijk nut kunnen zijn.
Moerel pleit voor een meer Amerikaanse ‘harm based’ benadering, waarbij pas als een verwerking schadelijk is voor burgers toestemming hoeft te worden gevraagd. Dat zal uiteindelijk tot betere bescherming van de burger leiden, betoogde ze vrijdag 14 februari in haar inaugurele rede aan Tilburg University. Moerel is hoogleraar Global ICT Law aan Tilburg Law School en is partner bij De Brauw Blackstone Westbroek. Ze aanvaardde haar leerstoel met de rede Big data protection. How to make the draft EU regulation on data protection future proof.
De Europese Unie kent alomvattende ‘rights-based’ privacy wetgeving, waarbij databescherming een fundamenteel recht is. Maar het is volgens Moerel een publiek geheim dat die wetgeving weliswaar goede rechten biedt, maar weinig naleving krijgt in de praktijk. In de Verenigde Staten zijn alleen bepaalde sectoren die met gevoelige gegevens werken gereguleerd. Als daarbuiten een roep om regulering ontstaat, gebeurt dat alleen bij een misstand waardoor consumenten schade leiden (harm-basedwetgeving). Dat lijkt de consument minder bescherming te bieden, maar in sommige gevallen is het tegendeel het geval, aldus Moerel. De Federal Trade Commission treedt met harde hand op tegen bedrijven die in hun online privacy policies consumenten misleiden.

 

Inhoudsloze informatie- en instemmingsrechten

Moerel noemt als voorbeeld de Europese cookieregels, waarbij bedrijven hun websitebezoekers moeten informeren over de cookies die ze plaatsen en per soort cookie toestemming vragen (rights-based). De meeste websites plaatsen echter wel 10-20 cookies. Bezoekers van websites zien door alle cookie informatie en de opt-ins voor de verschillende cookies door de bomen het bos niet meer en accepteren blind alle cookies, ook schadelijke ‘tracking cookies’ die hen op andere websites volgen om ze te voorzien van op hen afgestemde advertenties. In de VS is het voorstel om websiteaanbieders te verplichten een ‘do-not-track’ button op hun website te plaatsen, waardoor schadelijke tracking cookies worden uitgeschakeld. De kans is groot dat consumenten deze button wel begrijpen en aanklikken. Deze harm-based benadering kan dus een stuk effectiever voor consumenten uitpakken dan alle toegekende opt-in rechten in Europa. Volgens Moerel behoort de beslissing welke cookies of gegevensverwerkingen nu wel of niet sociaal wenselijk zijn door beleidsmakers te worden genomen. Zij zouden de hete aardappel niet moeten doorgegeven aan consumenten door hun inhoudsloze informatie- en instemmingsrechten toe te kennen. Moerel bepleit daarom een bredere toepassing van de grondslag “gerechtvaardigd belang”, waarbij pas bij bepaalde gegevensverwerkingen die schadelijk zijn voor de burger toestemming hoeft te worden gevraagd (harm-based).

 

Belemmering big data innovatie

De nieuwe Europese privacy verordening belemmert bovendien big data toepassingen waarbij een bedrijf zelfstandig gegevens verzamelt om deze vervolgens te analyseren om te beoordelen of hiermee een nieuwe toepassing of dienst mogelijk is. Voor de verzameling van die gegevens moet er onder de nieuwe verordening een wettelijke grondslag zijn. Dat betekent in de meeste gevallen dat burgers ‘geïnformeerde toestemming’ moeten geven. Maar hoe vraag je die als je nog niet weet waar je de data voor gaat gebruiken?
Verder geldt onder de verordening het beginsel van ‘doelbinding’ en ‘dataminimalisatie’. Dat betekent dat het doel van de verwerking vooraf moet vaststaan en dat er zo min mogelijk gegevens mogen worden verzameld als nodig voor dit doel. Maar bij big data is vaak het doel vooraf niet bekend en worden juist zo veel mogelijk data verzameld om die vervolgens te analyseren om te kijken of er een bepaalde toepassing of dienst mee te verzinnen is. Mits de data voor de analyse goed worden ‘gepseudonimiseerd’ en dus worden omgezet naar een niet tot de oorspronkelijke persoon herleidbare unieke code (en de sleutel achter slot en grendel zit) heeft dit geen materiële impact op de privacy van burgers en zou dataverzameling dus moeten zijn toegestaan.
De vereisten van doelbinding, geïnformeerde toestemming en dataminimalisatie zijn dan ook gedateerde begrippen die zo niet thuishoren in de verordening. Ook hier geldt dat het veel beter zou zijn om de grondslag ‘gerechtvaardigd belang’ meer gewicht te geven, waarbij afhankelijk van de context, dataminimalisatie wel of niet een rol heeft en pas bij bepaalde toepassingen die schadelijk zijn voor burgers toestemming hoeft te worden gevraagd.

 

bron: www.accountancynieuws.nl

werkgever app

De werk-Gever app matched mij met een vacature wat totaal niet bij mij past..

 

De apps vliegen je tegenwoordig om de oren. Je kunt het zo gek niet bedenken of er is wel een app voor. Nou heeft Timing wel een hele bijzonder app. De zogenaamde werk-Gever app. Deze app gaat mij helpen de juiste vacature te vinden, zo lees ik op hun website. Uiteraard ben ik erg nieuwsgierig geworden en ben ik gelijk gaan testen. Volgens de beschrijving worden mijn facebookprofiel en mijn likes gelinked aan deze app. Nu loop ik al gelijk tegen een probleem aan, want ik heb maar weinig likes. Ik like wel, maar meer via via en ik heb begrepen dat die likes niet meetellen. Ik moet dus eerst even mijn profiel wat oppimpen oftewel meer likes toevoegen, want met zo’n mager profiel kan er natuurlijk nooit een goede match gevonden worden. Aan de likes die ik op facebook in de werk-Gever ingeef, worden kenmerken gekoppeld die een beeld geven van mij als persoon lees ik verder in de beschrijving. Eens kijken of het een beetje klopt. In mijn geval komen er de volgende kenmerken uit; sociaal, spontaan, mensenkennis, creativiteit, verantwoordelijk, detailgericht, zelfverzekerd en nauwkeurig. Ik moet zeggen het klopt wel aardig, al zou ik van sommige kenmerken zeggen dat ik daar wat minder in uitblink. Gelukkig hebben ze daar bij Timing ook aan gedacht, want je kan het blokje groter en kleiner maken. Er zit als het ware een in- en uitzoomfunctie op. Kijk dat is handig. Ze gaan zelfs nog een stapje verder want, als je het met sommige kenmerken helemaal niet eens bent, kun je deze ook vervangen met welke meer bij jou past. Het lijkt erop dat Timing overal aan gedacht heeft. Nu eens kijken wat voor vacatures eruit rollen. Ik heb de kenmerken sociaal, spontaan, mensenkennis uitvergroot en creativiteit, verantwoordelijk, detailgericht, zelfverzekerd en nauwkeurig kleiner gemaakt. Dan zou je zeggen dat er een vacature uitrolt wat aansluit bij de kenmerken die mij Mij maken, een meer sociale functie dus, maar wat schetst mijn verbazing, ik word gematched met een technische vacature. Als er iets niet bij mij past dan is dat het wel. Hoe is dat mogelijk? Navraag bij Timing leert, dat de app een inschatting heeft gemaakt hoe vacatures gematched kunnen worden aan jou als persoon. Het is dus maar een inschatting. Voor een breder beeld heeft de organisatie feedback nodig. Met deze feedback kan de app alleen nog maar slimmer worden. De organisatie gaat daarom vanaf de dag van de lancering meten en analyseren hoe men de werk-Gever gebruikt. Met het verzamelen van deze gegevens, kan de app alleen nog maar slimmer worden zodat er betere en passende vacatures aangeboden kunnen worden. Een winwin-situatie dus. Ik zeg DOEN!

Presentatie Big Data & zelfredzaamheid

Presentatie Big Data en zelfredzaamheid

 

Ik heb een softwareoplossing ontwikkeld wat op basis van Big Data de zelfredzaamheid in een wijk kan monitoren. Het systeem kan tevens met behulp van intelligente machine learning methodes voorspellen hoe de zelfredzaamheid zich in een wijk zal gaan ontwikkelen. Het systeem geeft aanbevelingen over mogelijke interventies om de zelfredzaamheid in de wijk te verbeteren.


Ik heb deze oplossing gepresenteerd als één van de finalisten van Come Together namens TSN Thuiszorg. Onder het motto van Come Together hebben ActiZ, PGGM en Microsoft het initiatief genomen om krachtenbundeling en samenwerking tussen bedrijven en branches te bevorderen. Dit was een voorronde van TedxBinnenhof en de ideeën die hier gepitched werden moesten dan ook bijdragen aan ‘Ideas Worth Spreading’ en dienden tevens een rol te vervullen bij de aanpak van grote maatschappelijke problemen.

regenwolk

Zie je de bui al hangen?

 

Stel je voor dat elke Tweet een heel klein druppeltje is in een enorme regenbui. En je weet dat die flinke bui wordt voorspeld in jouw regio. Dan neem je op tijd maatregelen om te voorkomen dat je doorweekt raakt, toch? Hoeveel nattigheid zouden overheden kunnen voorkomen door met de Big Data-aanpak nauwkeurig voorspellingen te doen? Op het gebied van veiligheid valt hiermee een hoop te winnen. Zelfs als je uitsluitend social media data als input gebruikt.

 

Twitcident
Neem nou Twitcident: dit detecteert, filtert en analyseert berichtgeving via Twitter tijdens grote evenementen [http://www.youtube.com/watch?v=u4iyflqPjPw]. Een grote berg actuele, ongestructureerde data op Twitter wordt via slimme filters gepresenteerd. Deze snelle én betrouwbare informatie geeft een overzicht van de situatie, hoe burgers deze beleven en welke informatiebehoefte bestaat.

 

Crowd control
Twitcident routeert deze gegevens via het politieservicecentrum naar verschillende medewerkers. Handig voor hulpverleners. Maar ook voor gemeente- en politievoorlichters: zij kunnen met hun berichtgeving inspelen op de informatiebehoefte. De recherche-informatieafdeling van de politie kan de gegevens gebruiken in analyses. En ook de Crowd Control Room is uitgerust met Twitcident.

 

Predictive policing
Bovenstaande oplossingen maken nog niet echt gebruik van Big Data. Er wordt hier namelijk gebruik gemaakt van één databron. Ook ontbreekt een voorspellend karakter. Hoe je daarentegen succesvol Big Data inzet bij het voorspellen en voorkomen van criminaliteit, bewijst ‘predictive policing’ door de politiedivisie Foothill in Los Angeles. Met de tool van leverancier PredPol wordt hier voorspeld in welke wijk criminaliteit gaat plaatsvinden. PredPol maakt zijn voorspellingen slimmer: het kijkt terug én vergroot de waarschijnlijkheid van de uitkomsten van de analyse. Dit doet het door het algoritmiseren van sociale wetenschappen, zoals de theorie van ‘near repeats’.

 

Criminaliteit gedaald
In het werkgebied van politiedivisie Foothill is door ‘predictive policing’ in een halfjaar tijd de criminaliteit gedaald met 12%. Bij de andere divisies in de stad steeg de criminaliteit in diezelfde periode. ‘Predictive policing’ is geen vervanging van de huidige kennis, ervaring en vaardigheden, maar een efficiëntere en effectievere werkwijze. Zoals Los Angeles Police Chief Charlie Beck het zo treffend verwoordt [http://www.cbsnews.com/video/watch/?id=7404996n%E2%80%A8%3E]: “I’m not going to get more money. I’m not going to get more cops. I have to be better at using what I have, and that’s what predictive policing is about.”

 

Fraude
Met minder budgetten moeten overheden steeds meer doen. En de huidige manier van werken? Die voldoet niet meer. Gelukkig biedt Big Data een nieuw vooruitzicht. Zo werk ik nu aan een model om Big Data in te zetten bij verschillende vormen van fraude. Wat zou het opleveren als gemeenten hiermee veel nauwkeuriger huishoudens kunnen benaderen? Hoe mooi zou het zijn als je veel minder huishoudens onterecht lastig hoeft te vallen en zo minder inbreuk op privacy maakt? In mijn volgende blog meer over dit zonnige perspectief.

3D

Big Data en de 3 decentralisaties – Think Big…

 

Jeugdzorg, AWBZ, Participatiewet: gemeenten krijgen er veel taken erbij. Want welke overheden staan er nou dichter bij bewoners dan zij, luidt het idee. Een goede, lokale uitvoering vraagt echter om samenwerking, ook met burgers zelf. Gemeenten moeten hiertoe meer zicht krijgen op de zelfredzaamheid van burgers. Want alleen dan kun je de juiste, aanvullende hulp bieden. Maar zelfredzaamheid van een individu kun of mag je niet altijd volledig in kaart brengen. Op maat bedienen is daardoor mission impossible. Hoe krijg je als gemeente zelfredzaamheid toch goed in beeld, en kun je deze zelfs bevorderen? En hoe kan je als gemeente bepalen waar je welke resources toekent…

 

Welke wijk?
Het gebruik van Big Data biedt de oplossing. Kijk maar eens welke data voorhanden zijn. In Nederland is op het niveau van tien huishoudens in kaart gebracht hoe tevreden men is over de wijk, of de wijk leefbaar is, welke voorzieningen er zijn, enzovoorts. Gemeenten zitten op een schat aan data van onschatbare waarde. Combineer je deze data met social media en eerdere onderzoeken dan zijn er patronen te herkennen in buurten en wijken…

 

Voorspellingen
Wat is de mate van zelfredzaamheid op diverse domeinen in elk van deze wijken? Dit kun je vrij nauwkeurig definiëren met de Big Data-aanpak. Zo maakt de slimme infrastructuur Grabble met Big Data en via beproefde en eigen methodieken een voorspellende analyse van een wijk en zijn bewoners. Grabble is zelflerend en intelligent: het vergaart inzichten in de behoefte van een burger en de wijk. En doet op basis hiervan proactief aanbevelingen ter vergroting van de zelfredzaamheid in de wijk.

 

Real time monitoren
Met het real time monitoren van zelfredzaamheid van burgers in een wijk valt voor gemeenten een hoop te winnen. Je krijgt inzicht in de ontwikkeling van wijken en bewoners en kunt deze voorspellen. Daardoor kun je gedoseerd actie ondernemen en problemen voorkomen. Je merkt veranderingen in een wijk op tijd op en kunt op basis van volledige informatie snel ingrijpen en bijsturen. En daarmee bevorder je de zelfredzaamheid van bewoners. Hoeveel besparingen zouden gemeenten hiermee realiseren? Think Big…

big brother

Big Data, Big Brother?

 

“Facebook gaat met je gegevens aan de haal. Door dat elektronisch patiëntendossier liggen je gegevens op straat. Webshops gebruiken je gegevens om je van alles aan te smeren.” Je kent dit soort geluiden vast wel. Big Data brengt een groot vraagstuk met zich mee: privacy van data. Wat zijn deze persoonlijke data eigenlijk? En hoe ga je als overheidsorganisatie met dit vraagstuk om wanneer je Big Data-toepassingen wilt realiseren?

 

Zelf genereren

In mijn vorige blog [hyperlink Blog 1] beschreef ik hoe we met zijn allen enorme hoeveelheden data genereren. Alleen al vorig jaar was dat 2,8 zettabytes aan data. En dat zal verdubbelen in 2015, volgens IDC consultancy. Driekwart van alle data genereren wij zelf, als individuen. Data die zowel over als door mensen worden gecreëerd, noemen we persoonlijke data (World Economic Forum, 2010).

 

Persoonlijke data

Persoonlijke data kun je onderverdelen in drie categorieën. Allereerst de vrijwillige data, die we als individuen creëren en expliciet delen, bijvoorbeeld via social mediaprofielen. Ten tweede geobserveerde data: verkregen door het vastleggen van acties van individuen. Denk aan locatiegegevens als je je smartphone gebruikt. Ten derde levert ook analyse van vrijwillige en geobserveerde data weer data over individuen op.

 

Geweldige toepassingen

Deze door ons gegenereerde data worden opgeslagen. En door Big Data zijn hiermee geweldige toepassingen mogelijk. Zo kunnen we onze woonomgeving veiliger maken, de zorg verbeteren en de dienstverlening door overheden beter aansluiten op behoeften. Maar door bijvoorbeeld de beursgang van Facebook realiseren mensen zich hoe waardevol hun persoonlijke data zijn. Daarom is privacy van gegevens bij toepassingen met Big Data van meet af aan zo belangrijk.

 

‘Notice and consent’

Data moeten daartoe op een transparante manier en binnen de huidige regelgeving verkregen worden. Big Data zijn hierbij relevant op een geaggregeerd niveau: het gaat niet om het individu Piet Jansen, maar wel om het feit dat er 100.000 mensen zijn zoals Piet Jansen. Want met inzicht in patronen kun je mensen zoals Piet bijvoorbeeld proactief ondersteunen. Natuurlijk wil je wel dat Piet zelf kan kiezen of hij dat ook wil. Dit wordt ook wel ‘notice and consent’ genoemd.

 

Toestemming

Toestemming vragen voor het gebruik van persoonlijke gegevens voor toekomstige toepassingen van Big Data is echter niet zo makkelijk. Want waar vraag je individuen precies toestemming voor? Bovendien ondergaan persoonlijke gegevens bij Big Data veel en complexe computerverwerkingen. Toestemming vragen voor elk onderdeel van dit proces is onmogelijk en ongewenst.

 

Focus op gebruik

Als alternatief om privacy te verzekeren, is meer focus gewenst op het gebruik van persoonlijke data en het ontwikkelen van nieuwe, waardevolle toepassingen, in plaats van op het verkrijgen van data. Verantwoord en passend gebruik van data is in de meeste situaties praktisch, en maakt effectieve privacybescherming mogelijk. Dit doet een groot beroep op de ethiek en het gezonde verstand van blue-chip companies en overheden. Zij krijgen een belangrijke stem in de discussie over privacy en Big Data. Nu hierover knopen doorhakken, voorkomt dat we in modderige zandpaden vol regels belanden. De tijd dringt, big time.

film

Net als in de film

 

Voorspellen waar en wanneer criminaliteit gaat voorkomen: in de film Minority Report was het nog science fiction. Maar fictie is nu al realiteit, dankzij Big Data. Het lijkt een modewoord. Maar Big Data is een revolutie, die ook overheden ongekende mogelijkheden biedt. Want hoeveel veiliger zouden steden worden, als je kan voorspellen in welke wijk criminaliteit toeneemt en je hierop kan anticiperen? Wat zou het opleveren als je realtime inzicht hebt in de zelfredzaamheid van burgers? Hoeveel kosten zou je besparen, als ouderen langer zelfstandig kunnen wonen?

 

Big Data: hoeveel?!

Big Data maakt het mogelijk. Maar wat is Big Data nu eigenlijk? Elke dag creëren we met elkaar 2,5 triljoen (!) bytes aan data. Deze data komen overal vandaan. Denk aan sensors om het weer te analyseren, posts op social media, digitale foto’s en video’s op allerlei websites, aankooptransacties en smartphones die een gps-signaal afgeven. Maar liefst negentig procent van de beschikbare data in de wereld is de laatste twee jaar door ons gecreëerd. Door het combineren van diverse databronnen ontstaan enorme hoeveelheden uiteenlopende data: Big Data.

 

“New oil of the internet”

Hoe moet je deze grote, complexe en dynamische data opslaan, gebruiken en analyseren? Dat vraagt om speciale, technische tools waarbij API’s, open data en computational power centraal staan. Maar let op: Big Data is veel meer dan een ICT-feestje. Alleen als je Big Data onderdeel van je businessstrategie maakt, kun je de meerwaarde ervan realiseren. En die is ongekend. “Personal data is the new oil of the internet and the new currency of the digital world”, zo verwoordde Meglena Kuneva, Europees Comissionaris in 2009.

 

Beslissingen nemen

Big Data betekent een totaal andere manier waarop je naar zaken kijkt en beslissingen neemt. Je kunt verbanden leggen tussen data, realtime inzichten verkrijgen, vooruitkijken en voorspellingen doen. Bestaande, gestructureerde data combineer je met social media data. Big Data maakt het ook mogelijk om op basis van data beslissingen te nemen. En dat is heel iets anders dan eerst beslissingen nemen, en daarna data zoeken als ondersteunend ‘bewijs’.

 

Toepassingen

Welke positieve veranderingen kunnen overheden realiseren met Big Data? Binnenkort bespreek ik toepassingen op het gebied van zorg, veiligheid, duurzaamheid en zelfredzaamheid. Maar in het komend blog ga ik eerst in op een aspect waar overheden mee te maken krijgen bij het gebruik van Big Data: privacy van gegevens. Big Data, Big Brother?

socialmedia

The changing landscape of teens and social media

sm landscape

bus_wifi

Friese bussen krijgen draadloos internet

ns bussen
Mooi artikel op nu.nl en in de telegraaf over hoe de provincie Friesland jongeren betrekt bij de inrichting van nieuwe bussen.