Prediktiv modellering Stanley Greenstein Stanley.Greenstein@juridicum.su.se Institutet för rättsinformatik 2017 10 06 Stanley Greenstein, LL.D. 2 1
Projekt arbete 2017 10 06 Stanley Greenstein, LL.D. 3 Predictive Modelling Länk: http://su.divaportal.org/smash/record.jsf?pid=diva2% 3A1088890&dswid= 1010 2017 10 06 Stanley Greenstein, LL.D. 4 2
Upplägg 1. Prediktiv modellering (tekniken) 2. Tillämpningar 3. Skador 4. Juridik 2017 10 06 Stanley Greenstein, LL.D. 5 1. Prediktiv modellering 2017 10 06 Stanley Greenstein, LL.D. 6 3
Prediktiv modellering Matematik, statistik, maskininlärning, AI Algoritmer identifierar mönster i data som människor inte kan se (indikatorer) Den kunskapen tillämpas i modeller som kontrollerar vår kontakt med den digitala miljön Modeller kan förutsäga mänskligt beteende Vilka snarare än varför I ökande grad i beslutsystem 2017 10 06 Stanley Greenstein, LL.D. 7 Prediktiv modellering Vem? Varför? Hur? 2017 10 06 Stanley Greenstein, LL.D. 8 4
Steven Finlay A predictive model captures the relationships between predictor data and behaviour, and is the output from the predictive analytics process. Once a model has been created, it can be used to make new predictions about people (or other entities) whose behaviour is unknown. Finlay, S, Predictive Analytics, Data Mining and Big Data, 2014 2017 10 06 Stanley Greenstein, LL.D. 9 Witten & Frank A scientist s job is to make sense of data, to discover the patterns that govern how the physical world works and encapsulate them in theories that can be used for predicting what will happen in new situations. The entrepreneur s job is to identify opportunities, that is patterns in behaviour that can be turned into a profitable business, and exploit them. Witten, I and Frank, E, Data Mining: Practical Machine Learning Tools and Techniques, 2005 2017 10 06 Stanley Greenstein, LL.D. 10 5
Netflix 2017 10 06 Stanley Greenstein, LL.D. 11 Netflix 2017 10 06 Stanley Greenstein, LL.D. 12 6
Kredit 2017 10 06 Stanley Greenstein, LL.D. 13 Kredit N 2017 10 06 Stanley Greenstein, LL.D. 14 7
2+2=3,9...and that s OK 2017 10 06 Stanley Greenstein, LL.D. 15 Brunnslock i NY Varje år exploderar flera hundra brunnslock i NY Con Edison (elleverantör) fick i uppgift att lösa problemet Inspektioner baserade på slumpen 152 000 km elledningar & 51 000 brunnslock Vilka inte varför Beslutade sig för att använda data Top 10 % på listan 44 % av brunnslock hade mycket alvarliga brister 106 indikatorer t.ex. ålder på elledningar, tidigare problem/brister Korrelation mellan indikatorer Mayer Schönberger and Cuckier, Big Data, 2013 2017 10 06 Stanley Greenstein, LL.D. 16 8
korrelationer 3 1 2 1 2 2017 10 06 Stanley Greenstein, LL.D. 17 Decision tree 2017 10 06 Stanley Greenstein, LL.D. 18 9
Neural network ( neuronnät ) 2017 10 06 Stanley Greenstein, LL.D. 19 Industrial design 2017 10 06 Stanley Greenstein, LL.D. 20 10
Industrial design 2017 10 06 Stanley Greenstein, LL.D. 21 BIG DATA 2017 10 06 Stanley Greenstein, LL.D. 22 11
Big Data Tre V ( Volume, Variety, Velocity ) Fem V ( Volume, Velocity, Variety, Validity, Volatility ) Bild, text, video, ljud m.m. Brus Sensorer Struktur? 2017 10 06 Stanley Greenstein, LL.D. 23 The Predictive Modelling process 2017 10 06 Stanley Greenstein, LL.D. 24 12
2. Tillämpningar 2017 10 06 Stanley Greenstein, LL.D. 25 Spotify https://qz.com/571007/the magic that makes spotifys discover weekly playlists so damn good/ 2017 10 06 Stanley Greenstein, LL.D. 26 13
Instagram https://www.theguardian.com/technology/2016/jun/07/new algorithm driven instagram feed rolled out to the dismay of users 2017 10 06 Stanley Greenstein, LL.D. 27 Partner https://www.theguardian.com/lifeandstyle/2014/feb/09/match eharmony algorithm internet dating 2017 10 06 Stanley Greenstein, LL.D. 28 14
Facebook http://www.slate.com/articles/technology/cover_story/2016/01/how_facebook_s_news_feed_algorithm_works.html 2017 10 06 Stanley Greenstein, LL.D. 29 Hälsa och skukvård http://medicalfuturist.com/can an algorithm diagnose better than a doctor/ 2017 10 06 Stanley Greenstein, LL.D. 30 15
Facebook https://www.theatlantic.com/technology/archiv e/2015/09/facebooks new patent and digitalredlining/407287/ 2017 10 06 Stanley Greenstein, LL.D. 31 Facebook 2017 10 06 Stanley Greenstein, LL.D. 32 16
Sanebox 2017 10 06 Stanley Greenstein, LL.D. 33 Kina https://kit.se/2015/09/25/ 11823/sa blir du enkinesiskmonstermedborgare/ 2017 10 06 Stanley Greenstein, LL.D. 34 17
Kina 2017 10 06 Stanley Greenstein, LL.D. 35 Kina 2017 10 06 Stanley Greenstein, LL.D. 36 18
Myndigheter 2017 10 06 Stanley Greenstein, LL.D. 37 Ansiktsigenkänning https://theintercept.com/2016/11/18/tr oubling study says artificial intelligencecan predict who will be criminals basedon facial features/ 2017 10 06 Stanley Greenstein, LL.D. 38 19
Ansiktsigenkänning the upper lip curvature is on average 23.4% larger for criminals than for noncriminals. the distance d between two eye inner corners for criminals is slightly shorter (5.6%) than for non criminals 2017 10 06 Stanley Greenstein, LL.D. 39 Ansiktsigenkänning https://www.theguardian.com/technology/ 2017/sep/07/new artificial intelligencecan tell whether youre gay or straightfrom a photograph 2017 10 06 Stanley Greenstein, LL.D. 40 20
Ansiktsigenkänning https://www.faception.com/ 2017 10 06 Stanley Greenstein, LL.D. 41 Brottsbekämpning http://edition.cnn.com/2012/07/09/tech/inn ovation/police tech/index.html http://www.predpol.com/ 2017 10 06 Stanley Greenstein, LL.D. 42 21
Brottsbekämpning 2017 10 06 Stanley Greenstein, LL.D. 43 3. Skador 2017 10 06 Stanley Greenstein, LL.D. 44 22
Juridiska konserkvenserna Privacy/Data protection (integritet/dataskydd) Reputation (rykte) Autonomy (självbestämmande, autonomi) Discrimination (diskriminering) Manipulation (manipulation) De individualization* Stereotyping* (stereotyper) Stigmatisation* (stigmatisering) Self censorship* (självcensur) 2017 10 06 Stanley Greenstein, LL.D. 45 Filterbubbla filter bubble 2017 10 06 Stanley Greenstein, LL.D. 46 23
The Daily Me https://www.ft.com/content/3 e2ee254 bf96 11dc 8052 0000779fd2ac?mhq5j=e5 2017 10 06 Stanley Greenstein, LL.D. 47 Juridik 2017 10 06 Stanley Greenstein, LL.D. 48 24
Juridik 2017 10 06 Stanley Greenstein, LL.D. 49 Juridik 2017 10 06 Stanley Greenstein, LL.D. 50 25
Juridik 2017 10 06 Stanley Greenstein, LL.D. 51 Juridik 2017 10 06 Stanley Greenstein, LL.D. 52 26
Juridik 2017 10 06 Stanley Greenstein, LL.D. 53 GDPR 2017 10 06 Stanley Greenstein, LL.D. 54 27
GDPR... bra, men... Komplex och vag Samma dataskyddsprinciper som Direktivet (DPD) Art. 22, skäl 63 GDPR Samtycke Effektivitet i förhållande till dagens teknologi? Täcker inte korrelationer mellan data 2017 10 06 Stanley Greenstein, LL.D. 55 Art. 22, GDPR 2017 10 06 Stanley Greenstein, LL.D. 56 28
Skäl 63, GDPR Alla registrerade bör därför ha rätt att få kännedom och underrättelse om bakomliggande logik i samband med automatisk behandling av personuppgifter och, åtminstone när behandlingen bygger på profilering, konsekvenserna av sådan behandling [d]enna rätt bör inte inverka menligt på andras rättigheter eller friheter, t.ex. affärshemligheter eller immateriell äganderätt och särskilt inte på upphovsrätt som skyddar programvaran. Resultatet av dessa överväganden bör dock inte bli att den registrerade förvägras all information. 2017 10 06 Stanley Greenstein, LL.D. 57 GDPR... bra, men... Komplex och vag Samma dataskyddsprinciper som Direktivet (DPD) Art. 22, skäl 63 GDPR Samtycke Effektivitet i förhållande till dagens teknologi? Täcker inte korrelationer mellan data 2017 10 06 Stanley Greenstein, LL.D. 58 29
Personuppgifter 2017 10 06 Stanley Greenstein, LL.D. 59 korrelationer 3 1 2 1 2 2017 10 06 Stanley Greenstein, LL.D. 60 30
Smarta miljöer 2017 10 06 Stanley Greenstein, LL.D. 61 Lösningar? 2017 10 06 Stanley Greenstein, LL.D. 62 31
Chatbott https://www.theguardian.com/technology/2016/jun /28/chatbot ai lawyer donotpay parking ticketslondon new york 2017 10 06 Stanley Greenstein, LL.D. 63 Juridikens roll? 2017 10 06 Stanley Greenstein, LL.D. 64 32
2017 10 06 Stanley Greenstein, LL.D. 65 33