Het mogelijk terugdraaien van Roe v. Wade zou criminalisering van abortus betekenen, met grote gevolgen voor vrouwen die ongewenst zwanger zijn. Anti-abortus-activisten verzamelen nu al persoonlijke data over mensen die een abortuskliniek bezoeken. De angst is dat zij deze informatie doorspelen aan “aggressive prosecutors in abortion-banned states”, schrijft Technology Review. Dat zou betekenen dat ook vrouwen die een legale abortus ondergaan in een staat waar toegang bestaat, toch vervolgd worden in hun huisstaat.

Het natrekken van kentekenplaten is nu al een gekende praktijk onder anti-abortus-activisten. Ze gebruiken die informatie dan bijvoorbeeld om mensen pro-life materiaal op te sturen en kliniekmedewerkers en -bezoekers lastig te vallen. Naast die werkwijze is het mogelijk dat zulke activisten beelden van gezichten sturen naar de politie, zodat die gezichtsherkenning kan gebruiken om mensen aan te klagen. Overigens kunnen burgers in Texas en Oklahoma op dit moment ook zelf iedereen aanklagen die helpt met het uitvoeren van abortus.

Het is natuurlijk hartstikke leuk om te zien hoe je er ouder uit zou zien, of als je een andere sekse zou hebben. Apps waarmee je je selfies kunt bewerken zijn daarom populair. De meest recente toevoeging is Voilà. Je uploadt een portret en de app maakt van een gezicht een Disney-achtige cartoon of renaissanceschilderij. Geinig om te delen op Instagram.

Zulke apps zijn doorgaans gratis en dat kan omdat je betaalt met je data. De bedrijven achter de apps zijn doorgaans niet transparant over welke data ze allemaal verzamelen en hoe lang ze die bewaren. Het gaat dan bijvoorbeeld om de foto’s die je uploadt, of toegang tot je gehele fotoalbum. Met jouw foto’s kan dan gezichtsherkennings-AI getraind worden. Daarnaast levert je telefoon ook allerlei andere data. Deskundigen waarschuwen al jaren voor zulke apps, zoals hier op CNN tegen Meitu (2017) of hier in de Washington Post tegen FaceApp (2019).

Naast onduidelijkheid over privacy kent Voilà ook nog eens een redelijk agressief in-app-verdienmodel. De pro-versie verwijdert reclame in ruil voor maar liefst $2 per week op Android en $3 per week op iOS. De betaalde versie biedt geen bescherming tegen de verkoop van je data: je zou dus kunnen zeggen dat je dubbel betaalt.

Weet je nog, dat mensen een verschil zagen tussen cyberspace en ‘de echte wereld’? Tegenwoordig zijn on- en offline zo met elkaar verweven dat het nauwelijks meer mogelijk is aan te geven hoeveel tijd je online doorbrengt. Dat overlopen van die twee werelden wordt ook bespoedigd door technologieën als augmented en virtual reality (VR), en door de toenemende inzet van spraakcomputers. Het Rathenau Instituut, dat onderzoek doet naar de impact van wetenschap, innovatie en technologie op de samenleving, stelde daarom een manifest op met tien “ontwerpeisen aan de digitale samenleving van morgen”.

AR, VR en spraak zijn zogeheten ‘immersieve technologieën’: ze dompelen ons onder in de digitale wereld. Het Rathenau in het manifest:

“Zo transporteert virtual reality ons naar een volledig kunstmatige wereld, waarin alle geluiden en beelden gecreëerd worden door computers. We kunnen nu soldaten trainen op een virtueel slagveld. Augmented reality voegt juist digitale lagen aan onze ervaring toe. Met een slimme bril ziet een automonteur handige informatie terwijl hij naar de motor kijkt. En via spraaktechnologie kunnen we met computers praten, en luisteren vele apparaten, zoals onze smartphones en slimme speakers, op steeds meer plekken met ons mee.”

Door het vervagen van die grenzen zijn volgens het Rathenau publieke waarden in het geding, zoals privacy, autonomie, waarachtigheid en gezondheid. Dat vraagt om waakzaamheid en een agenda. De ontwerpeisen zijn opgesteld op basis van diverse onderzoeken.

1. We willen de baas blijven over ons digitale lijf
Onze stem, onze gebaren en ons gezicht leveren data op, die intiem en gevoelig zijn. De bescherming daarvan dient juridisch beter geregeld te zijn.

2. We willen anoniem kunnen blijven
Onze identiteiten kunnen van afstand achterhaald worden door gezichts-, loopgedrag- of stemherkenning. Hierdoor kun je je niet meer anoniem door de publieke ruimte begeven. Toepassingen waarbij burgers in de publieke ruimte zijn te identificeren, moeten daarom worden verboden.

3. We willen controle over onze virtuele identiteit
Zoals je met kleding kunt laten zien wie je bent, kun je met avatars een digitale identiteit opbouwen. Dat kan ook misbruikt worden: het naakte lichaam van anderen kan digitaal getoond worden (DeepNudes) of veranderd. Burgers moeten beschermd worden tegen ongewenste digitale ingrepen op hun lichaam.

4. We willen duidelijkheid over nieuwe digitale eigendomskwesties
Van wie zijn data? En profielen? “Is ons eigendom geschonden als iemand in AR een scheldwoord op onze muur schildert?” Juridische kaders moeten verhelderd en geüpdatet worden, zodat offline regels ook online gelden.

5. We willen leven in een inclusieve digitale wereld
Stereotypes en uitsluiting worden uit de offline-wereld mee online genomen. Bij de ontwikkeling van nieuwe toepassingen moeten bedrijven inclusie centraal stellen.

6. We willen kunnen weten dat iets nep is
Immersieve technologieën kunnen verwarrend zijn. Ontwikkelaars moeten gebruikers vooraf informeren dat iets nep is.

7. We willen bescherming tegen manipulatie en beïnvloeding
Deze technologieën maken manipulatie en beïnvloeding makkelijker, omdat bedrijven zoals Google en Facebook allerlei informatie hebben over persoonlijkheid, gedrag en voorkeuren van hun gebruikers. Dat vraagt om “een samenlevingsbrede inzet nodig, met bijdragen van onafhankelijke journalistiek, investeringen in de mediavaardigheid van burgers en heldere afspraken over hoever beïnvloeding mag gaan”.

8. We willen dat onze gezondheid niet geschaad wordt
We moeten inzicht krijgen in mogelijk negatieve effecten van immersieve technologieën, bijvoorbeeld op ons gedrag (verslaving) en onze gezondheid (denk aan verkeersongelukken bij het spelen van Pokémon GO).

9. We willen een digitale markt met eerlijke machtsverhoudingen
Een klein aantal technologiebedrijven domineert de interneteconomie. Het is voor consumenten lastig om hen tot de orde te roepen. Hun marktmacht vertaalt zich in politieke macht. De overheid moet meer tegenwicht bieden en consumenten beter beschermen.

10. We willen dat publieke ruimtes publiek blijven
Met AR kan je de publieke ruimte anders bekijken (er bestaan apps die daklozen uit het straatbeeld halen). Bovendien kunnen apps de publieke ruimte kapen doordat gebruikers massaal naar één plek samenstromen. Dat vraagt om “een nieuwe sociale etiquette”.

Implicaties
Deze nieuwe technologieën vragen om discussie en dialoog, en uiteindelijk om duidelijke actie. Daarvoor is betrokkenheid van burgers nodig: kennis over en reflectie op deze ontwikkelingen. Het Rathenau doet daarom een oproep aan de burger: “laat je horen en spreek uit wat jij nodig hebt in de digitale wereld van morgen”. Ik zou daaraan toe willen voegen dat dit niet kan zonder hulp van journalisten en andere mediamakers om deze thematiek onder de aandacht te brengen. Ook het onderwijs en andere opvoeders zijn hierbij nodig. De tien eisen zijn uitstekende input voor discussie.

DeepNostalgia is een nieuwe tool waarmee je foto’s kunt animeren: je uploadt een statisch beeld, en de tool maakt er een kort bewegend filmpje van. De makers prijzen het aan als manier om te zien hoe je voorouders bewogen moeten hebben. De tool gebruikt kunstmatige intelligentie om na te gaan hoe iemand geknipperd en gelachen kan hebben.

Op de site staan een aantal voorbeelden die heel overtuigend zijn. Zeker als je de mensen uit de foto niet levend hebt meegemaakt, is het mooi om te zien hoe het had kunnen zijn. Maar als ik een foto van mezelf upload, valt de tool door de mand. Zo beweeg ik helemaal niet! Ook mijn gezicht lijkt wat vervormd.

De tool werd eind februari gelanceerd en was direct een hype. Naast je eigen familie kan je natuurlijk ook gewoon dode of niet-dode celebrities bekijken. Dit draagt allemaal bij aan de acceptatie en herkenning van deepfakes.

Over deepfakes bestaan voornamelijk zorgen: een namaakfilmpje van een politicus kan leiden tot onterecht negatieve opvattingen over die politicus bijvoorbeeld. Daarnaast zijn er zorgen over afpersing en oplichting: je bent te chanteren met pornobeelden die namaak zijn. Over dat laatste schreven we hier al eerder dat zulke nepvideo’s eerder privacy redden dan bedreigen. Het bestaan van deepfakes betekent immers dat je plausibel kunt ontkennen: jij was het niet, het is een deepfake. Dit wordt versterkt door het nieuws dat deekfakes gezichtsherkenningstools kunnen misleiden.

Koreaanse onderzoekers [open toegang] maakten 8119 deepfakes van celebrities en voerden die in in Microsofts Azure Cognitive Services en Amazon’s Rekognition. Die lieten zich inderdaad om de tuin leiden, Microsoft had het mis in 78 procent van de gevallen en Amazon in 69 procent. De onderzoekers zijn bezorgd dat deepfakes gebruikt worden om mensen te imiteren, bijvoorbeeld een student die wil frauderen tijdens een examen of bij phishing-aanvallen.

Phishing is inderdaad een zorgenpuntje: veel mensen trappen nu al in een hulpvraag via WhatsApp, en dat is alleen op basis van geschreven tekst. Het is belangrijk mensen hiervoor te blijven waarschuwen – met of zonder deepfake-technologie.

Het helpt daarbij als mensen bekend zijn met het bestaan van deepfaketechnologie en weten hoe het werkt. Gelukkig doen er al heel veel fake video’s de rondte. Dankzij Snapchat en Instagram zijn we allang gewend aan face swaps. Je kunt jouw gezicht met dat van een vriend verwisselen of zien hoe je eruit ziet als een ander geslacht. Mensen vinden het leuk om hun gezicht te swappen met een celebrity en dat door te sturen aan hun vrienden. Hoe meer van zulke filmpjes we zien, hoe meer we meer weten dat je beeld niet kunt vertrouwen.

Bovendien is het eerder goed nieuws dan slecht dat Microsoft en Amazon nu meer moeite hebben om onze gezichten te herkennen. Gezichtsherkenning maakt massasurveillance van personen in de publieke ruimte mogelijk: in China wordt gezichtsherkenning ingezet om de Oeigoeren te monitoren. Hoe minder goed deze technologie werkt, hoe beter dat is voor onze privacy.

Beeld: scenario’s gebruikt in het onderzoek

Geslacht is de basis tweedeling van onze maatschappij. Al voordat we geboren worden, worden ingedeeld in m/v. Vervolgens is het de bedoeling dat je je gedraagt naar je sekse. De meeste ouders geven daartoe een stevige voorzet: je krijgt een naam waaraan je geslacht af te leiden is (‘Linda’) en je krijgt kleren aan die daarmee overeenkomen (een rompertje met vlinders). Ouders vinden het vaak vervelend als hun kind ‘gemisgendered’ wordt: als vreemden hun baby of peuter aanzien voor een jongetje, terwijl het een meisje is.

Gezichtselementen
Kleine kinderen zijn op hun beurt ontzettend goed in het herkennen van geslacht. Al die subtiele aanwijzingen maken ze zich heel snel eigen. Misschien wel omdat het de basisindeling van de maatschappij is. Hoe dat leerproces verloopt, weten we niet precies. De opkomst van digitale gezichtsherkenning betekent dat we ook computers aanleren geslacht te herkennen. Daarbij kunnen we wel achterhalen hoe een computer dat heeft geleerd, of beter gezegd: welke elementen van een gezicht voor een computer doorslaggevend zijn in het vaststellen van iemands geslacht.

Pew Research heeft een interactieve tool waarmee je als gebruiker het de computer lastig probeert te maken om het geslacht van een geportretteerde te lezen. Het algoritme heeft dus eerder geleerd hoe het geslacht kan herkennen. Je kiest uit verschillende kleine delen van het gezicht. Als je het juiste deeltje kiest, maakt de computer een andere keuze. Probeer het hier.

Ik zat er zelf voortdurend naast. Ik dacht bijvoorbeeld dat kaaklijn heel bepalend was, maar dat bleek zelden het geval.

Wat zegt dit nou?
Pew geeft aan dat het belangrijk is om te begrijpen hoe algoritmen indelingen maken om vooroordelen van/in die algoritmen boven tafel te krijgen. Een tool als deze benadrukt hoe willekeurig die beslissingen soms lijken, en hoe lastig het is er een consistent patroon in te herkennen. Omdat beslissingen in de ‘echte’ wereld steeds vaker genomen worden door zulke algoritmen, is het cruciaal om de beperkingen ervan te doorzien.

Onderzoekers van MIT hebben in samenwerking met planologen onderzocht [abstract] hoe makkelijk geanonimiseerde data die steden verzamelen via camera’s, sensoren, enzovoorts, gebruikt kunnen worden om de personen toch te herkennen. De onderzoekers gebruikten twee geanonimiseerde datasets van Singapore: mobiele telefoon-bewegingen in de stad en informatie van het openbaar vervoer.

In beide gevallen wordt een locatie bewaard, terwijl de informatie verder anoniem was voor de onderzoekers. Door deze twee datasets te vergelijken via verschillende algoritmes, konden de onderzoekers binnen de week 17 procent van de gebruikers van het openbaar vervoer matchen met een telefoon. Na vier weken was dit 55 procent en na elf weken behaalde men 95 procent. Als ze de GPS-data van de smartphones gebruikten, slaagde men er in binnen de week al in de 95 procent-match te bereiken.

Voor alle duidelijkheid: op dat moment heb je nog niet de namen en gegevens van de personen in kwestie, maar de onderzoekers geven aan dat iemand met slechte bedoelingen hier al heel veel mee komt om vervolgens dit te koppelen aan wie wie is. De onderzoekers concluderen vooral dat geanonimiseerde data geen garantie is op privacy.

Dit stuk verscheen eerder op Pedro’s blog X, Y of Einstein. 

Een verontrustend bericht in het nieuws afgelopen week (oa The Guardian, De Morgen): kunstmatige intelligentie kan op basis van je gezichtskenmerken raden of je homo of hetero bent. De Chinese informaticus Yilun Wang en de Amerikaanse psycholoog Michal Kosinski deden hier onderzoek naar [preprint is vrij beschikbaar], of liever gezegd: hebben een Artifical Intelligence (AI) dit geleerd. De eerste vraag die daarbij opkomt is de waarom: waarom zou je een computer dit willen laten leren? De onderzoekers doen daar geen uitspraken over.

De gaydar van deze AI zou significant beter zijn dan die van mensen. Met die uitspraak ontstaat er een loskoppeling tussen de mens die de machine wat laat leren, en de machine die beter in staat zou zijn dan de mens een bepaalde werkelijkheid te vatten. The Guardian schrijft:

“Human judges performed much worse than the algorithm, accurately identifying orientation only 61% of the time for men and 54% for women. When the software reviewed five images per person, it was even more successful – 91% of the time with men and 83% with women. Broadly, that means “faces contain much more information about sexual orientation than can be perceived and interpreted by the human brain”, the authors wrote. The paper suggested that the findings provide “strong support” for the theory that sexual orientation stems from exposure to certain hormones before birth, meaning people are born gay and being queer is not a choice. The machine’s lower success rate for women also could support the notion that female sexual orientation is more fluid.”

Hier staat dat een computermodel aanleiding is om aan te nemen dat seksuele voorkeur vastligt in de biologie en dat er daarbij een biologisch verschil bestaat tussen mannen en vrouwen. Is het echter niet andersom? Heeft de AI niet geleerd om onze eigen, culturele ideeën over homoseksualiteit te reproduceren? Zo denkt de AI in termen van een dichotomie (he OF ho, zonder iets er tussenin) en zijn het de onderzoekers, en niet de computer, die speculeren over wat de resultaten nu precies betekenen.

Het paper
Op Facebook zag ik een reactie op het bericht van Mathijs Tratsaert, een Vlaamse dichter die ik verder niet ken. Hij had de moeite genomen het paper te lezen en hij constateert dat de nieuwsberichten onjuist zijn. De percentages uit bovenstaande quote kloppen niet volgens hem. Laten we dus het paper bekijken. Wat houdt de studie precies in?

De onderzoekers willen weten:

“whether an intimate psycho–demographic trait, sexual orientation, is displayed on human faces beyond what can be perceived by humans. We address this question using a data-driven approach” (p. 8).

Seksuele voorkeur wordt gezien als aangeboren kenmerk van de geest. Het paper begint bij de fysiognomie, de leer die stelt dat je iemands karakter kunt aflezen aan het gelaat. De onderzoekers gaan daarbij snel langs een aantal bezwaren op historische perspectieven hierop (Lombroso bijvoorbeeld), om vervolgens vrolijk te stellen dat zulke verbanden er wel degelijk zijn. Bijvoorbeeld: vrouwen die vroeg in het leven extravert waren, worden later mooier. De onderzoekers citeren allerlei onderzoek waar mensen aan gelaatstrekken kenmerken konden aflezen, zoals politieke voorkeur.

Op basis van prenatal hormone theory (PHT) veronderstellen de onderzoekers een verband tussen gezichtskenmerken en seksuele oriëntatie. Homomannen zouden volgens PHT meer vrouwelijke gelaatskenmerken hebben, terwijl lesbiennes meer mannelijk zouden zijn. Deze biologische kenmerken worden volgens de onderzoekers versterkt door cultuur: homomannen gaan hun haar op een bepaalde manier dragen bijvoorbeeld. Ook hier wordt veel onderzoek geciteerd, en het zijn deze studies die ‘gevoerd’ zijn aan de kunstmatige intelligentie.

Methode
De onderzoekers gebruikten foto’s van datingsites. Ze begonnen met 130.741 foto’s van 36.630 mannen en 170.360 foto’s van 38.593 vrouwen. Let op: de computer baseerde zich dus op meerdere foto’s van dezelfde persoon. De helft was op zoek naar een partner van hetzelfde geslacht en de andere helft zocht een partner van het andere geslacht. Er was dus een gelijke verdeling tussen homo en hetero (als in: wat deze mensen zochten op deze sites). Biseksualiteit wordt genegeerd. Een groot aantal foto’s werd ongeschikt bevonden, omdat er meerdere mensen op stonden of omdat de afstand tussen de ogen te klein was. Daarnaast werden alleen witte volwassenen toegelaten tot de uiteindelijke steekproef. De keuze hiervoor wordt niet beargumenteerd.

Een bestaand deep neural network genaamd VGG Face werd gebruikt. Deze AI ‘vertaalt’ een portretfoto in 4.096 scores, die verwijzen naar gezichtskenmerken (denk aan de vorm van de neus). De steekproef van foto’s werd in twintig delen opgehakt. Negentien ervan werden gebruikt om de AI te trainen, dus aan te leren welke personen op de foto’s homo en welke hetero waren. De laatste set werd gebruikt om te toetsen of de AI het goed had geleerd. De 4.096 gezichtsscores zijn dan de onafhankelijke variabele, en seksuele oriëntatie de afhankelijke variabele.

Resultaten
De accuraatheid van de AI wordt uitgedrukt met een coëfficiënt:

“Across this paper, the accuracy is expressed using the area under receiver operating characteristic curve (AUC) coefficient. AUC represents the likelihood of a classifier being correct when presented with the faces oft wo randomly selected participants—one gay and one heterosexual” (p. 15).

De AI beoordeelde dus een set van twee personen, een homo en een hetero, en moest dan aangeven wie de homo was. Dat is echt iets anders dan raden of een voorgelegde foto hoort bij een homo of hetero – zoals De Morgen stelde:

“Onderzoekers van de universiteit van Stanford ontwikkelden een computeralgoritme dat bij 81 procent van mannenfoto’s correct kon aangeven of ze homo waren of niet”.

Dat klopt niet. De AI kon bij 81 procent van de voorgelegde sets mannenfoto’s correct vaststellen wie de homo was. Dat gold voor 71 procent van de sets vrouwenfoto’s. Het gaat daarbij om een afweging tussen het aantal goed geclassificeerde homo’s en het werkelijk aantal homo’s in de steekproef. De AI was beter in herkennen wanneer er meerdere foto’s van dezelfde persoon werden voorgelegd. De onderzoekers plaatsen daar belangrijke kanttekening bij. In hun steekproef bestond de helft van de mensen uit homo’s en de andere helft uit hetero’s. Dat is niet geval in de Amerikaanse populatie, waar naar schatting 6-7 procent van de bevolking gay is. Toen de AI werd gevraagd een willekeurige steekproef van duizend mensen te beoordelen bleek de computer dat veel slechter te kunnen.

De onderzoekers voerden meerdere studies uit. In een daarvan moesten mensen op basis van de foto’s vaststellen wie van de twee voorgelegde personen homoseksueel was, in de andere ging het alleen om de AI. Welke gezichtskenmerken waren nu het meest veelzeggend voor de AI? Bij homomannen ging het om neus, ogen, wenkbrauwen, jukbeenderen, haarlijn en kin. Bij vrouwen om de neus, mondhoeken, haar en neklijn. Het gaat daarbij om kenmerken die ‘gender a-typical’ zijn: vrouwelijke gezichten voor de homomannen en mannelijke gezichten voor de lesbische vrouwen. Ook hier wordt een culturele bias gereproduceerd, namelijk dat homomannen verwijfd zijn en lesbiennes butch. Je zou de AI eens graag meenemen naar een gay bar. Let op: niet alle gezichtskenmerken zijn biologisch. De AI had geleerd dat lesbische vrouwen minder vaak make-up dragen en dat homomannen beter geschoren gezichten hebben. Bovendien lachen lesbiennes minder vaak op hun datingsiteprofielfoto’s.

Conclusie
De claims die gedaan worden in de nieuwsberichten over dit onderzoek kloppen niet. De journalisten hebben de studie niet goed gelezen of – waarschijnlijker – de fouten van hun collegajournalisten overgeschreven. De ontwikkelde AI kan redelijk goed vaststellen welke van twee personen homo is, als daadwerkelijk een van die twee homo is. De AI doet dat op basis van variabelen die door mensen zijn ingegeven en die culturele ideeën over homoseksualiteit weerspiegelen. Het is dus niet zo dat AI een biologische waarheid heeft ontdekt. De machine reproduceert gebrekkige, menselijke opvattingen en leert de wereld op die manier te zien.

De onderzoekers merken op dat technologie die seksuele voorkeur kan vaststellen levensbedreigend kan zijn. Gek genoeg zien zij dat als reden om precies die technologie te gaan ontwikkelen om, in hun woorden, beleidsmakers te waarschuwen over de accuraatheid van zulke intelligentie. Het is bijzonder bedenkelijk dat zulk onderzoek langs ethische commissies komt en het is gevaarlijk dat nieuwsmedia er niet in slagen correct verslag te doen van deze technologische ontwikkelingen.

Update: op Twitter wees @sebastiandraws mij op dit stuk met nog twee belangrijke bezwaren. 

Een van de redenen waarom Snapchat zo populair is de mogelijkheid filters te gebruiken. Niet alleen kan ik mezelf zien als hond of schattig konijn, ik krijg er ook gratis een make-up makeover bij. Je wimpers zijn ineens vol en je wangen hebben een fris blosje. Snapchat combineert hiervoor gezichtsherkenning met augmented reality. Hartstikke leuk, maar ook commercieel interessant.

Smashbox is een Amerikaans cosmeticamerk dat een zelfde soort feature aanbiedt. Je kiest voor een bepaalde kleur lippenstift of oogschaduw en ziet direct hoe het je staat. Superhandig. Smashbox buit de feature echter verder uit. De camera legt namelijk vast waar je naar kijkt op het scherm. Eye-tracking dus. Het bedrijf weet zo waar je ogen op blijven hangen en gaat ervan uit dat je extra geïnteresseerd bent in het product waarnaar je langer kijkt. De gebruiker krijgt dan een uitnodiging om meer details van dat product te bekijken.

Volgens Contagious Magazine heeft Smashbox zo een veel hogere conversierate weten te halen: maar liefst 27 procent meer mensen klikten door.

Gebruikers moeten – gelukkig – toestemming geven voor de eyetracking feature. Het is een goed voorbeeld van hoe personalisatie tegelijkertijd nuttig en een beetje creepy is. Er liggen hier veel kansen voor bedrijven, waardoor consumenten extra alert moeten blijven voor ongewenste tracking.

Luister ook de podcast van Onder Mediadoctoren over persoonstargeting. 

Deze week ging een nieuwe site van Microsoft viraal: how-old.net raadt je leeftijd. Hartstikke leuk, of de uitkomst nu te jong (pfff gelukkig), te oud (tssss nou ja zeg) of precies juist (wauw wat knap) is. Meestal zit de tool ernaast, wat gebruikers hilarisch vinden. Time noemde de site verslavend. Hartstikke leuk en volkomen onschuldig toch verder? Nee.

Met deze site oogst Microsoft allemaal metadata. In een klap gaven miljoenen internetters heel veel gegevens over zichzelf gratis weg. Tech blog Naked Security schrijft erover:

Yow! Machine learning can sure be fun, project cheerleaders Corom Thompson and Santosh Balasubramanian, Engineers in Microsoft’s Information Management and Machine Learning, said in a post.

It’s particularly fun for Microsoft itself when it gets to slurp up metadata without telling anybody what it’s going to do with it, or how long it will be retained.

Het is dus niet duidelijk wat Microsoft met deze data gaat doen en hoeveel (en waar) de gegevens bewaard blijven. De data die je over jezelf weggeeft zijn onder andere je leeftijd, geslacht, je locatie en meer. Dat is op zich niet erg, maar gebruikers zouden zich hier veel meer bewust van moeten zijn.

Gevonden via Gyurka Jansen.