Профилирование (информатика) - Profiling (information science) - Wikipedia

В информационная наука, профилирование относится к процессу построения и применения профили пользователей генерируется компьютеризированной анализ данных.

Это использование алгоритмов или других математических методов, которые позволяют открытие закономерностей или же корреляции в большом количестве данных, агрегированных в базы данных. Когда эти шаблоны или корреляции используются для идентификации или представления людей, их можно назвать профили. Помимо обсуждения профилирования технологии или же профилирование населения, понятие профилирования в этом смысле касается не только конструкции профилей, но и заявление из групповые профили физическим лицам, e. г., в случаях кредитный скоринг, ценовая дискриминация или выявление рисков безопасности (Хильдебрандт и Гутвирт 2008 ) (Элмер 2004 ).

Профилирование - это не просто компьютерное распознавание образов; это обеспечивает четкую ценовую дискриминацию, целевое обслуживание, Обнаружение мошенничества, и обширный социальная сортировка. Профилирование машин в реальном времени является предпосылкой для появления социально технический инфраструктуры, предусмотренные защитниками окружающий интеллект,^[1] автономные вычисления (Кефхарт и шахматы 2003 ) и повсеместные вычисления (Вайзер 1991 ).

Одна из самых сложных проблем информационное общество включает в себя работу с увеличивающейся перегрузкой данных. С оцифровка Из-за разного рода контента, а также улучшения и снижения стоимости технологий записи объем доступной информации стал огромным и растет в геометрической прогрессии. Таким образом, для компаний, правительств и частных лиц стало важным различать информация от шума, обнаруживая полезные или интересные данные. На этом фоне следует рассматривать развитие технологий профилирования.^{[нужна цитата ]} Эти технологии считаются^{[кем? ]} для эффективного сбора и анализа данных с целью поиска или проверки знаний в виде статистических закономерностей между данными. Этот процесс, называемый Открытие знаний в базах данных (KDD) (Файяд, Пятецкий-Шапиро и Смит 1996 ), предоставляет профилировщику наборы коррелированных данных, которые можно использовать как «профили».

Процесс профилирования

Технический процесс профилирования можно разделить на несколько этапов:

• Предварительное заземление: Процесс профилирования начинается с определения применимой проблемной области и определения целей анализа.
• Сбор информации: Целевой набор данных или база данных для анализа формируется путем выбора соответствующих данных в свете существующих знаний в предметной области и понимания данных.
• Подготовка данных: Данные предварительно обрабатываются для удаления шума и уменьшения сложности за счет устранения атрибутов.
• Сбор данных: Данные анализируются с помощью алгоритма или эвристики, разработанного для соответствия данным, модели и целям.
• Толкование: Найденные шаблоны оцениваются на предмет их релевантности и достоверности специалистами и / или профессионалами в прикладной области (например, исключая ложные корреляции).
• Заявление: Построенные профили применяются, например, категориям лиц, для тестирования и настройки алгоритмов.
• Институциональное решение: Учреждение решает, какие действия или политики применять к группам или отдельным лицам, данные которых соответствуют соответствующему профилю.

Сбор, подготовка и анализ данных - все это относится к этапу создания профиля. Однако профилирование также относится к применению профилей, то есть к использованию профилей для идентификации или категоризации групп или отдельных лиц. Как видно на шестом шаге (приложение), процесс является циклическим. Между созданием и применением профилей существует обратная связь. Интерпретация профилей может привести к повторяющейся - возможно, в реальном времени - точной настройке определенных предыдущих шагов в процессе профилирования. Применение профилей к людям, данные которых не использовались для построения профиля, основано на сопоставлении данных, которое предоставляет новые данные, позволяющие производить дальнейшие корректировки. Процесс профилирования является одновременно динамичным и адаптивным. Хорошей иллюстрацией динамического и адаптивного характера профилирования является межотраслевой стандартный процесс интеллектуального анализа данных (CRISP-DM ).

Типы практик профилирования

Чтобы прояснить природу технологий профилирования, необходимо провести некоторые важные различия между различными типами методов профилирования, помимо различия между конструкцией и применением профилей. Основные различия заключаются в различиях между профилированием снизу вверх и сверху вниз (или контролируемым и неконтролируемым обучением), а также между индивидуальным и групповым профилями.

Обучение с учителем и без учителя

Профили можно классифицировать по способу их создания (Файяд, Пятецкий-Шапиро и Смит 1996 ) (Зарский и 2002-3 ) ошибка harv: цель отсутствует: CITEREFZarsky2002-3 (помощь). С одной стороны, профили могут быть созданы путем проверки предполагаемой корреляции. Это называется профилированием сверху вниз или контролируемое обучение. Это похоже на методологию традиционных научных исследований в том, что они начинаются с гипотезы и заключаются в проверке ее достоверности. Результатом этого типа профилирования является проверка или опровержение гипотезы. Можно также говорить о дедуктивном профилировании. С другой стороны, профили можно создавать, исследуя базу данных, используя сбор данных процесс обнаружения шаблонов в базе данных, которые ранее не предполагались. В некотором смысле, это вопрос генерации гипотезы: нахождение корреляций, которых вы не ожидали или даже не думали. Как только паттерны будут добыты, они войдут в цикл, описанный выше, и будут протестированы с использованием новых данных. Это называется обучение без учителя.

В отношении этого различия важны две вещи. Во-первых, алгоритмы обучения без учителя, похоже, позволяют конструировать новый тип знаний, основанный не на гипотезе, разработанной исследователем, и не на причинно-следственных или мотивационных отношениях, а исключительно на основе стохастических корреляций. Во-вторых, алгоритмы обучения без учителя, таким образом, допускают индуктивный тип построения знаний, который не требует теоретического обоснования или причинного объяснения (Кастерс 2004 ).

Некоторые авторы утверждают, что если применение профилей, основанных на компьютеризованном распознавании стохастических образов, «работает», т.е. позволяет надежно предсказывать будущее поведение, теоретическое или причинное объяснение этих моделей больше не имеет значения (Андерсон 2008 ). Однако идея о том, что «слепые» алгоритмы предоставляют надежную информацию, не означает, что информация нейтральна. В процессе сбора и агрегирования данных в базу данных (первые три шага процесса построения профиля) выполняются переводы из реальных событий в машиночитаемые данные. Затем эти данные подготавливаются и очищаются для обеспечения начальной вычислимости. В этих точках, а также в выборе разрабатываемых алгоритмов необходимо будет обнаружить потенциальную предвзятость. Невозможно найти в базе данных все возможные линейные и нелинейные корреляции, а это означает, что математические методы, разработанные для поиска шаблонов, будут определять шаблоны, которые можно найти. В случае машинного профилирования потенциальная предвзятость определяется не предрассудками здравого смысла или тем, что психологи называют стереотипами, а компьютерными методами, используемыми на начальных этапах процесса. Эти методы в основном невидимы для тех, к кому применяются профили (потому что их данные совпадают с соответствующими профилями групп).

Индивидуальные и групповые профили

Профили также необходимо классифицировать по предмету, к которому они относятся. Этот субъект может быть отдельным человеком или группой людей. Когда профиль создается с данными одного человека, это называется индивидуальным профилированием (Jaquet-Chiffelle 2008 ). Этот вид профилирования используется для выявления конкретных характеристик определенного человека, чтобы обеспечить уникальную идентификацию или предоставление персонализированных услуг. Однако персонализированное обслуживание чаще всего также основывается на групповом профилировании, которое позволяет отнести человека к определенному типу лиц на основании того факта, что его профиль совпадает с профилем, созданным на основе огромных объемов данных о огромное количество других людей. Профиль группы может относиться к результату интеллектуального анализа данных в наборах данных, которые относятся к существующему сообществу, которое считает себя таковым, например, религиозной группе, теннисному клубу, университету, политической партии и т. Д. В этом случае он может описать ранее неизвестные модели поведения или другие характеристики такой группы (сообщества). Профиль группы также может относиться к категории людей, которые не образуют сообщество, но, как выяснилось, разделяют ранее неизвестные модели поведения или другие характеристики (Кастерс 2004 ). В этом случае профиль группы описывает конкретное поведение или другие характеристики определенной категории людей, например, женщин с голубыми глазами и рыжими волосами или взрослых с относительно короткими руками и ногами. Эти категории могут коррелировать с рисками для здоровья, заработной платой, уровнем смертности, кредитными рисками и т. Д.

Если индивидуальный профиль применяется к человеку, от которого он был добыт, то это прямое индивидуальное профилирование. Если профиль группы применяется к человеку, данные которого соответствуют профилю, то это косвенное индивидуальное профилирование, поскольку профиль был создан с использованием данных других людей. Точно так же, если профиль группы применяется к группе, из которой он был добыт, то это прямое профилирование группы (Jaquet-Chiffelle 2008 ). Однако, поскольку применение профиля группы к группе подразумевает применение профиля группы к отдельным членам группы, имеет смысл говорить о косвенном профилировании группы, особенно если профиль группы не является распределительным.

Распределительное и недистрибутивное профилирование

Профили групп также можно разделить по их распределительному характеру (Веддер 1999 ). Профиль группы является распределительным, если его свойства в равной степени применимы ко всем членам его группы: все холостяки не состоят в браке или все люди с определенным геном имеют 80% шанс заразиться определенной болезнью. Профиль не является распределительным, если профиль не обязательно применим ко всем членам группы: группа лиц с определенным почтовым индексом имеет средний доход XX, или категория лиц с голубыми глазами имеет средний шанс 37%, чтобы заразиться определенным заболеванием. Обратите внимание, что в этом случае вероятность того, что человек будет иметь определенную заработную плату или заразиться определенным заболеванием, будет зависеть от других факторов, например пол, возраст, происхождение родителей, предыдущее состояние здоровья, образование. Должно быть очевидно, что, за исключением тавтологических профилей, таких как профили бакалавров, большинство групповых профилей, созданных с помощью компьютерных технологий, не являются распределительными. Это имеет далеко идущие последствия для точности косвенного индивидуального профилирования, основанного на сопоставлении данных с недистрибутивными профилями групп. Помимо того факта, что использование точных профилей может быть несправедливым или вызывать чрезмерную стигматизацию, большинство профилей групп не будут точными.

Домены приложений

Технологии профилирования могут применяться в самых разных областях и для различных целей. Все эти методы профилирования будут иметь разный эффект и поднимать разные вопросы.

Недавно был опубликован обзор под названием «Социальное профилирование: обзор, таксономия и проблемы», в котором представлен подробный обзор приложений профилирования для извлечения атрибутов профиля пользователя, то есть личности, поведения, интересов и т. Д., А также источников данных, использованных в предыдущих исследованиях.^[2]

Знания о поведении и предпочтениях клиентов представляют большой интерес для коммерческого сектора. На основе технологий профилирования компании могут прогнозировать поведение разных типов клиентов. Затем маркетинговые стратегии могут быть адаптированы к людям, подходящим для этих типов. Примеры профилирования в маркетинге: клиенты карты лояльности, управление взаимоотношениями с клиентами в целом и персонализированная реклама.^[3][4][5]

В финансовом секторе учреждения используют технологии профилирования для предотвращение мошенничества и кредитный скоринг. Банки хотят минимизировать риски, связанные с кредитованием своих клиентов. На основе обширной группы профилирующим клиентам присваивается определенная оценка, которая указывает на их кредитоспособность. Финансовые учреждения, такие как банки и страховые компании, также используют профилирование групп для выявления мошенничества или отмывание денег. Поиск в базах данных с транзакциями выполняется с помощью алгоритмов для выявления поведения, которое отклоняется от стандарта и указывает на потенциально подозрительные транзакции.^[6]

В контексте занятости профили могут использоваться для отслеживания сотрудников мониторинг их поведения в сети, для обнаружения ими мошенничества и для использования человеческих ресурсов путем объединения и ранжирования их навыков. (Леопольд и Мейнтс 2008 )^[7]

Профилирование также можно использовать для поддержки людей на работе, а также для обучения, вмешиваясь в дизайн адаптивная гипермедиа системы персонализации взаимодействия. Например, это может быть полезно для поддержки управление вниманием (Набет 2008 ).

В Криминалистика существует возможность связать разные базы данных о делах и подозреваемых и найти в них общие шаблоны. Это может быть использовано для раскрытия существующих дел или с целью установления профилей риска потенциальных подозреваемых (Герадтс и Соммер 2008 ) (Харкорт 2006 ).

Риски и проблемы

Технологии профилирования подняли множество этических, юридических и других вопросов, в том числе: Конфиденциальность, равенство, из-за процесса, безопасность и обязанность. Многие авторы предостерегают от возможностей новой технологической инфраструктуры, которая может возникнуть на основе технологий полуавтономного профилирования (Лессиг 2006 ) (Соловье 2004 ) (Шварц 2000 ).

Конфиденциальность - одна из основных поднятых проблем. Технологии профилирования делают возможным всесторонний мониторинг поведения и предпочтений человека. Профили могут раскрывать личную или личную информацию о людях, о которой они даже не подозревают (Хильдебрандт и Гутвирт 2008 ).

Технологии профилирования по своей природе являются дискриминационными инструментами. Они допускают беспрецедентные виды социальной сортировки и сегментации, которые могут иметь несправедливые последствия. Возможно, профилируемым людям придется платить более высокие цены,^[8] они могут упустить важные предложения или возможности, и они могут подвергнуться повышенному риску, потому что удовлетворение их потребностей менее прибыльно (Лион 2003 ). В большинстве случаев они не будут знать об этом, поскольку методы профилирования в основном невидимы, а сами профили часто защищены интеллектуальной собственностью или коммерческой тайной. Это создает угрозу равенству и солидарности граждан. В более широком масштабе это может вызвать сегментацию общества.^[9]

Одна из проблем, лежащих в основе потенциальных нарушений конфиденциальности и недискриминация заключается в том, что процесс профилирования чаще всего незаметен для профилируемых лиц. Это создает трудности, поскольку становится трудно, а то и невозможно оспорить заявку на конкретный профиль группы. Это нарушает принципы надлежащей правовой процедуры: если у человека нет доступа к информации, на основании которой ему отказывают в выплатах или приписывают определенные риски, он не может оспаривать то, как с ним обращаются (Steinbock 2005 ).

Профили могут использоваться против людей, когда они попадают в руки людей, не имеющих права доступа к ним или их использования. Важным вопросом, связанным с этими нарушениями безопасности, является кража личных данных.

Когда применение профилей причиняет вред, необходимо определить ответственность за этот ущерб, кто должен быть привлечен к ответственности. Следует ли привлекать к ответственности программиста, поставщика услуг профилирования или профилированного пользователя? Этот вопрос ответственности особенно сложен в случае, если приложение и решения по профилям также стали автоматизированными, как в Автономные вычисления или же окружающий интеллект решения автоматизированных решений на основе профилирования.

Смотрите также

• Поведенческий таргетинг
• Сбор данных
• Демографическое профилирование
• Цифровая идентификация
• Цифровые следы
• Криминалистическое профилирование
• Идентификация (информация)
• Личность
• Маркировка
• Конфиденциальность
• Профилирование
• Профилирование преступников
• Социальное профилирование
• Стереотип
• Пользовательское моделирование
• Профиль пользователя

Рекомендации

• Андерсон, Крис (2008). «Конец теории: поток данных делает научный метод устаревшим». Проводной журнал. 16 (7).
• Custers, B.H.M. (2004). «Сила познания». Тилбург: Издательство Wolf Legal Publishers.
• Элмер, Г. (2004). «Профилирующие машины. Отображение персональной информационной экономики». MIT Press.
• Fayyad, U.M .; Пятецкий-Шапиро, Г .; Смит, П. (1996). «От интеллектуального анализа данных к открытию знаний в базах данных» (PDF). Журнал AI. 17 (3): 37–54. Архивировано из оригинал (PDF) на 2009-12-16. Получено 2009-02-09.
• Герадц, Зенон; Соммер, Питер (2008). «D6.7c: Криминалистическое профилирование» (PDF). Результаты FIDIS. 6 (7с).
• Харкорт, Б. Э. (2006). "Против прогнозов. Профилирование, полицейская деятельность и наказание в актуарную эпоху". Издательство Чикагского университета, Чикаго и Лондон.
• Хильдебрандт, Мирей; Гутвирт, Серж (2008). Профиль гражданина Европы. Междисциплинарные перспективы. Спрингер, Дордрехт. Дои:10.1007/978-1-4020-6914-7. ISBN  978-1-4020-6913-0.
• Jaquet-Chiffelle, Давид-Оливье (2008). "Ответ: прямое и косвенное профилирование в свете виртуальных личностей. Кому: Определение профилирования: новый тип знания?". В Хильдебрандте, Мирей; Гутвирт, Серж (ред.). Профилирование европейского гражданина. Springer Нидерланды. С. 17–45. Дои:10.1007/978-1-4020-6914-7_2.
• Kephart, J. O .; Шахматы, Д. М. (2003). "Видение автономных вычислений" (PDF). Компьютер. 36 (1 января): 96–104. CiteSeerX  10.1.1.70.613. Дои:10.1109 / MC.2003.1160055. Архивировано из оригинал (PDF) на 2014-08-10.
• Леопольд, Н .; Мейнц, М. (2008). «Профилирование при приеме на работу (мошенничество)». В Хильдебрандте, Мирей; Гутвирт, Серж (ред.). Профилирование европейского гражданина. Springer Нидерланды. С. 217–237. Дои:10.1007/978-1-4020-6914-7_12.
• Лессиг, Л. (2006). «Код 2.0». Основные книги, Нью-Йорк.
• Лион, Д. (2003). «Наблюдение как социальная сортировка: конфиденциальность, риск и цифровая дискриминация». Рутледж.
• Набет, Тьерри (2008). «Профилирование пользователей для поддержки внимания в школе и на работе». В Хильдебрандте, Мирей; Гутвирт, Серж (ред.). Профилирование европейского гражданина. Springer Нидерланды. С. 185–200. Дои:10.1007/978-1-4020-6914-7_10.
• Шварц, П. (2000). «Кодекс Beyond Lessig для конфиденциальности в Интернете: фильтры киберпространства, контроль конфиденциальности и добросовестная информационная практика». Обзор закона штата Висконсин. 743: 743–788.
• Соловье, Д.Дж. (2004). Цифровой человек. Технологии и конфиденциальность в век информации. Нью-Йорк, Издательство Нью-Йоркского университета.
• Стейнбок, Д. (2005). «Сопоставление данных, интеллектуальный анализ данных и надлежащая правовая процедура». Обзор законодательства Грузии. 40 (1): 1–84.
• Веддер, А. (1999). «KDD: вызов индивидуализму». Этика и информационные технологии. 1 (4): 275–281. Дои:10.1023 / А: 1010016102284. S2CID  10377988.
• Вайзер, М. (1991). «Компьютер XXI века». Scientific American. 265 (3): 94–104. Дои:10.1038 / scientificamerican0991-94.
• Зарский, Т. (2002). ""Разрабатывайте свой собственный бизнес! »: Аргументируйте последствия интеллектуального анализа данных или личной информации на форуме общественного мнения». Йельский журнал права и технологий. 5 (4): 17–47.

Примечания и другие ссылки

1. ISTAG (2001), Сценарии для окружающего интеллекта в 2010 году, Консультативная группа по технологиям информационного общества
2. Билал, Мухаммед; Гани, Абдулла; Лали, Мухаммад Икрам Уллах; Марджани, Мохсен; Малик, Надя (2019). «Социальное профилирование: обзор, таксономия и проблемы». Киберпсихология, поведение и социальные сети. 22 (7): 433–450. Дои:10.1089 / cyber.2018.0670. PMID  31074639.
3. Электронный информационный центр конфиденциальности. «EPIC - Конфиденциальность и профилирование потребителей». epic.org.
4. «Архивная копия». Архивировано из оригинал на 2009-04-08. Получено 2009-02-09.
5. «Архивная копия». Архивировано из оригинал на 2011-07-18. Получено 2009-02-09.
6. Канхото, А. (2007). «Профилирование поведения: социальное построение категорий при выявлении финансовых преступлений, диссертация в Лондонской школе экономики» (PDF). lse.ac.uk.
7. Электронный информационный центр конфиденциальности. «EPIC - Конфиденциальность на рабочем месте». epic.org.
8. Одлызко, А. (2003). «Конфиденциальность, экономика и ценовая дискриминация в Интернете, А. М. Одлызко. ICEC2003: Пятая международная конференция по электронной торговле, ред. Н. Саде, ACM, стр. 355–366». (PDF).
9. Ганди, О. (2002). «Интеллектуальный анализ данных и наблюдение в обстановке после 11 сентября, презентация в IAMCR, Барселона» (PDF). asc.upenn.edu.