Sikkerhed & Revision i det digitale samfund

Størrelse: px

Starte visningen fra side:

Download "Sikkerhed & Revision i det digitale samfund"

Alfred Ebbesen
6 år siden
Visninger:

Sikkerhed & Revision i det digitale samfund 7.9.

1 Sikkerhed & Revision i det digitale samfund David Dreyer Lassen Økonomisk Institut Center for Social Data Science - SODAS Københavns Universitet

2 Privacy 2. Hvad man man lære af data? 3. Prediktion og algoritmer 4. Adfærd og computational privacy

3 Eksempel: Telefondata 10 min GPS wifi

4 Hvorfor privacy? Privacy som selvstændigt mål privatliv som princip Privacy mhp informational rents Forbrugere, virksomheder Privacy og politik

5 Big Data in Economics Hvorfor privacy? Privacy som selvstændigt mål privatliv som princip, selvstændig værdi Udfordring: offentlig gode-problem Overvågning vs. opklaring Beskyttelse af egne data vs. forskning

6 Big Data in Economics Hvorfor privacy? Privacy mhp informational rents Forbrugere: willingness to pay (WTP), karakteristika og adfærd typisk privat information Willingness to pay: 1 st class vs. 2 nd class Karakteristika: Smag, genetik, personlighed Adfærd: fx køremønster el. fysisk aktivitet og forsikring Værdien af tid / søgeomkostninger Virksomheder: IPR, strategi Industrispionage Virksomheder hvor data er eneste aktiv (LinkedIn)

7 Big Data in Economics Persondataloven Lov om Al elektronisk brug af personlige data Data i registre Generelt: strikse regler omkring myndigheders og virksomheders brug af data Særligt fokus på følsomme data: Politisk tilhørsforhold Seksuelle præferencer etnicitet fagforeningsmedlem sundhed Væsentlige sociale problemer

8 Big Data in Economics Fra 2018: Udskift dansk lov med EUs persondataforordning Link: The objective of this new set of rules is to give citizens back control over of their personal data, and to simplify the regulatory environment for business. Data Protection Officers (DPOs) nye kernepersoner i mange organisationer og virksomheder Revision ifht overholdelse af DPD? Virksomheder EU regnskab og EU data

9 Eksempel på udfordringer: Lovgivning? Offentlig adgang til tinglysning via Digital Tinglysning Ejerskab, låneforhold Søg adresse 2016: søgbar database over tinglysningsdata på server i USA Søg navne Lukket ned af Rigspolitiets Nationale Cyber Crime Center (NC3) men ikke helt klart hvorfor CVR-api?

10 Eksempel på udfordringer: Er forudsigelser persondata/ipr? Persondatalov EUs dataforordning IPR etc. er alle baseret på faktiske, observerbare data Men hvad er egentlig data?

11 Big Data in Economics 11 Eksempel på udfordringer: Hvis mig dine venner... Social Fabric: Stort DTU-projekt hvor vi bruger data fra 1000 studerendes mobiltelefoner Hvor: GPS, wifi Hvem: bluetooth, wifi, sms, tlf, Facebook Målinger hvert 5. minut i et år Vi måler klassedeltagelse fra telefoner og karakterer fra admin data

12 Big Data in Economics 12

15 Big Data in Economics Eksempel på udfordringer: Hvad kan vi lære af Facebook-likes? Ret meget Private traits and attributes are predictable from digital records of human behavior Kosinski et al. PNAS ,000 frivilige gav adgang til Facebooklikes, demografi + tog personlighedstest Resultat: Facebook-likes -> statistical learningmodel som korrekt predikterer Seksuel orientering 88% Afri-Am vs Causcasian 95% Dem vs. Rep 85 % Mindst ligeså god som personlighedstest Implikationer for privacy og online-adfærd?

16 Tænkepause Persondatalov / EUPersondataforordning / IPR etc. er alle baseret på faktiske, observerbare data Men behandlede data (infereret, forudsigelser) kan afsløre (mindst) lige så meget om individer og virksomheder Lovgivning slet ikke på omgangshøjde her

17 Predictive accounting? Revision handler (i min amatøroptik) langt henad vejen om hvorvidt historiske oplysninger er retvisende Men hvad siger data om hvad der vil ske i fremtiden? Og skal vi/i sige noget om det? Populært specialeemne: kan vi forudsige hvilke virksomheder der går konkurs ud fra historiske (regnskabs)data? Machine Learning / algoritmer

18 ML/AI Afsløring af snyd og bedrag Udvælgelse til audits/særligt gennemsyn: Hvidvask, aggressiv skatteplanl. Revision som sådan?

19 Hvem holder øje med algoritmerne? Mange virksomheder bruger algoritmer til fx prisfastsættelse, lånegodkendelse, forsikringssager Er de unbiased lighedsfremmere? Eller Weapons of Math Destruction? Hvordan får vi systematiseret tilsyn med algoritmer? Jf. bankers (ikke-)brug af kundedata Hvem skal gøre det? Hvordan skal det gøres?

20 Big Data in Economics Computational privacy Er anonymiserede data anonyme? Eksempler med fokus på re-identifikation Meget få datapunkter er nok til at re-identificere virksomheder, personer Også: Forensic data science Nye tilgange: analytiker kan ikke se data, men lave beregninger på dem Mere generelt problem: hvor meget information kan man få ud af data givet krav om ingen identifikation? Aktivt forskningsområde i datalogi

21 Adfærd, privacy og sikkerhed Mange overvejelser om privacy og sikkerhed baseret på rationelle regler (ok) og individer (måske ikke altid ok) Adfærdsøkonomi hvordan træffer folk beslutninger og hvornår er de fornuftige Kahneman, Thinking Fast and Slow

22 sodas.ku.dk

Relaterede dokumenter

BIG DATA OG PERSONDATABESKYTTELSE

BIG DATA OG PERSONDATABESKYTTELSE B R A I N S B U S I N E S S / I C T N O R T H - K O N F E R E N C E D. 1 3. S E P T E M B E R 2 0 1 6 S Ø R E N S A N D F E L D J A K O B S E N P R O F E S S O R, P H.