Wij leven, wonen en werken in een data-gedreven tijdperk en onze samenleving wordt steeds meer beïnvloed door digitale informatietechnologie. Slimme sensoren en mobiele applicaties genereren steeds grotere en complexere datasets, ook wel big data genoemd. Tegelijkertijd, door verbonden apparaten en het ‘Internet of Things’ (IoT) worden diverse datasets toegankelijkere in ons dagelijkse leven. Big data analyse kan zorgen voor betere persoonlijke dienstverlening en het adresseren van actuele maatschappelijke uitdagingen. Bijvoorbeeld om persoonlijke geneesmiddelen tegen zeldzame ziektes te ontdekken door genoom data te analyseren. Of het besturen van drones om mensen sneller te redden na een lawine in moeilijk te bereiken gebieden.

Ondanks deze trends worden de kansen van big data nog niet optimaal benut. Voornamelijk omdat de data sets vaak complex zijn, uit verschillende bronnen komen en moeilijk te interpreteren zijn.

Tegelijkertijd zijn er privacy uitdagingen met big data. Een van de uitdagingen is om innovatieve big data toepassingen te ontwikkelen, zonder privacy tekort te doen en de regie over persoonlijke data te behouden. Data moet geanonimiseerd worden waar mogelijk. Waar dit niet mogelijk is willen en moeten mensen de regie krijgen en moet de meerwaarde duidelijk zijn voor de mensen.

Persoonlijke feedback en rol van kunstmatige intelligentie

Vaak vraagt de gebruiker zich niet alleen af ‘Waarom worden mijn gegevens verzameld?’, maar ook ‘Wat heb ik eraan?’ Eindgebruikers hebben behoefte niet alleen aan transparantie en controle, maar ook aan persoonlijke inzichten en concrete suggesties. Zoals een simpel bericht ‘De gegevens zijn succesvol verstuurd’ tot ‘jouw oma heeft al 7 dagen geen bezoek gehad, wil je haar misschien vanmiddag bezoeken?’

Zowel voor de privacy en kwaliteitswaarborging, als voor de acceptatie van big data en kunstmatige intelligentie toepassingen, moet de eindgebruiker meer centraal staan. Interactieve persoonlijke visualisaties geven niet alleen waardevolle inzichten in grote hoeveelheid data, maar creëren ook meerwaarde voor de gebruikers. Door persoonlijke feedback wordt de gebruiker meer bewust over hoe de slimme algoritmes werken en hoe een predictive data model redeneert over de besluiten. In plaats van het stellen van complexe consent vragen en verwachten dat de gebruiker zich verdiept in de werking van systemen, biedt persoonlijke feedback transparantie en ondersteuning aan mensen in het nemen van essentiële beslissingen.

 

Door slimme historische data analyse en real-time predictive modelling toe te passen kan voorspeld worden wanneer er bijvoorbeeld een calamiteit of epidemi verwacht wordt. Tijdige slimme signalering kan de volgende calamiteit vervolgens helpen voorkomen. Kunstmatige intelligentie methodes zoals machine learning en  deep learning maken het mogelijk om zulke nieuwe en levensreddende inzichten te ontdekken die voorheen niet mogelijk waren.

Aan de ene kant is het essentieel om heel bewust te zijn van de risico’s van het gebruik van persoonlijke data. Aan de andere kant, door de technologieën slimmer en persoonlijker te maken worden de big data toepassingen onmisbaar om de actuele maatschappelijke uitdagingen op te lossen zoals veilige digitale transformatie door real-time data analyse vanuit meerdere bronen te vertalen naar de optimale persoonlijke dienstverlening, voor de beste prijs, beste gebruikerservaring en beste kwaliteit.

Samenwerking zowel van verschillende disciplines, zoals data science, informatica, interactie ontwerp, ethiek, recht, als van individuele burgers met technologie ontwerpers, publieke en private organisaties is essentieel voor de transparante toepassing van slimme zelflerende algoritmes. Naast het belang van en recht op inzage in hoe de geautomatiseerde besluiten tot stand zijn gekomen, stelt de Algemene Verordening Gegevensbescherming (AVG) ook eisen aan de controleurs verantwoordelijk voor de kwaliteitsaudit van de data sets, met name op gerechtigheid, eerlijkheid en transparantie. Betrokkenheid van mensen in het geautomatiseerd besluitvorming proces blijft essentieel om de bias van algoritmes te voorkomen (artikel 22 AVG).

Tot slot, naast waardevolle inzichten bied persoonlijke feedback ook andere voordelen voor een duurzame en transparente toepassing van big data analyse. Met name, door (a) meer bewustwording creëren over hoe de AI algoritmes werken, (b) uitleggen hoe de predictive data modellen redeneren over de besluiten. Door het betrekken van gebruikers in het data analyse proces en interactieve weergave van data, kunnen de gebruikers ook feedback geven zodat de AI modellen iteratief verbeterd worden.