
大数据时代我们的隐私真不重要吗?
想象一下有人在你背后谈论你。现在设想一下,这样的谈话就悄悄发生在你家客厅里,而你却无法听到。
这就是印度创业企业SilverPush的做法,该公司在电视广告里嵌入听不到的声音。广告播放时,会发出一种高频信号,安装有内置SilverPush软件的应用的手机或其他设备可接收到这种信号。这种“配对”——目前是针对印度消费者的——也会识别出用户附近的其他设备,让该公司得以监控他们在这些设备上做些什么。这一切都在消费者无知无觉的情况下发生。
这种“跨设备跟踪技术”——包括Adobe在内的其他公司也在探索此技术——标志着一个新时代的来临。这个新时代是所有人——政府、公司、慈善机构和消费者——将不得不应对的。
不久前,英国皇家统计学会(Royal Statistical Society)在温莎(Windsor)城堡召开了一次大会,思考大数据带来的挑战。大数据是一个被滥用、内涵解释欠清楚的术语,既指我们的设备产生的海量信息流,也指把这些信息整理为分门别类的一股股具有揭示性和预见性的信息流的潜力。
这次大会召开得正是时候:围绕日益增加的数据使用的伦理和治理可谓一团糟。目前迫切需要就这些海量数据应当如何收集、存储、相互参照和利用展开公众讨论。有人对大数据可能催生医疗革命感到兴奋:比如说,在疾病爆发时,可以为了更高的利益挖掘搜索数据。然而,如今,当出现糟糕情况时,公众讨论很大程度上变成公众的强烈声讨。
英国媒体监管机构英国通信办公室(Ofcom)的一份报告显示,英国成年人平均每周在线时间超过20小时。科技对我们生活的巨大影响,意味着我们的行为、习惯、欲望和抱负都可以通过触摸屏和键盘操作显露出来。
这使得对在线行为的分析成为一座新的金矿。个人数据就像金砂,每次我们随意对一家网站的条款与条件点击“确定”时,就把我们的个人数据交了出去。
这是我们面临的第一个问题:我们中大多数人都是不假思索地点击的(不过,条款与条件通常是难懂的法律措辞)。那么,我们对自己的个人数据随后被使用的各种情形是否行使了知情同意权,就成了疑问。为了证明这一点,一家安全公司在伦敦金融城(City of London)设立了一个公共WiFi热点,并嵌入一个“希律条款”(Herod Clause),要求用户承诺永远放弃他们的第一个孩子。在很短时间内,就有不少人为了免费上会儿网稀里糊涂地放弃了自己的孩子。
除了法律挑战,关于网络公司及其消费者之间公平与恰当的关系应该是怎样的,我们也很少进行过独立的审视。Facebook在这一点上便曾引起众怒,因为它为了做一个心理实验,对近70万用户的动态消息动了手脚。用户们声称,他们被那项研究给耍了,研究结果显示,那些接收到更少积极消息的人更可能写出消极的内容。Facebook反驳称,他们已获得了用户的同意。不久前,欧盟通过了数据保护规则,新规允许对侵犯隐私的行为处以高额罚款,这或许能阻止类似情况再次发生;用户不再像以往那样无论代价如何都只能被动同意了。
第二个挑战源自各种设备绕过人类、直接彼此对话的所谓物联网。所以,我的智能冰箱在储存消耗光了的时候可以自动给超市发电邮,要求补货。但这也可以意味着,我的那些“八卦”的设备构成了一张电子间谍网,它可以绘制出一幅有关我的饮食与其他癖性的极其详尽的图画,令人担心隐私暴露。实际上,在不久前的一个机器人学大会上,技术专家们把机器人收集数据(尤其是在私人住所里)的能力认定为大数据领域最大的单个伦理问题。
除了欧盟新的数据保护规则外,我们也需要更软性的方式:一个由专家和非专业人员构成的机构,为这一快速发展的领域带来知识、智慧和判断力。眼下,美国已有了一个由律师、哲学家和人类学家组成的大数据、伦理与社会委员会(Council for Big Data, Ethics and Society)。
欧洲应当仿效美国的做法,因为正如温莎大会上的一连串趣闻所显示的那样,公司和学术界人士在这个数据丰富的新世界航行时,似乎没有带上伦理指南针。2012年,一家俄罗斯公司推出了一款名为“Girls Around Me”的应用(App),可以汇集公开可见的信息,在不经使用者附近女性同意的情况下显示她们的实时位置和照片。这款跟踪骚扰者梦寐以求的应用被撤下了。“平方英里”(Square Mile,即伦敦金融城,因面积正好1平方英里得名——译者注)的高科技电子垃圾箱捕捉来自智能手机的信息,以跟踪不知情的机主的行踪,从而针对他们发布广告,这些垃圾桶因令人毛骨悚然而被取缔。
同时,一名科学家做了一款软件,能够通过彻底搜查推特(Twitter)人脉图,推断一名推特用户的种族、甚至宗教,这引发了使用公开发言推断私人信息是否合法的疑问。我们是否如一名律师所认为的那样,需要出台防止个人在线角色被滥用的法律?
我们有了可穿戴设备,这些设备像圣诞老人一样,在你睡着时注视着你,也知道你何时是醒着的。一家公司有可能找到推断你近来生活是否积极向上的办法——通过分析社交媒体发言表现出的情绪、访问慈善网站以及核查你的银行存款余额和健康追踪。
这证明:并非仅仅因为大数据使某事在技术上具备可行性,就意味着我们应该那么做。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09