Home > Digitale technologieën > AI en big data > Na het IoT, het IoB? Wij vertellen je alles over het internet van gedrag

Na het IoT, het IoB? Wij vertellen je alles over het internet van gedrag

Gepubliceerd op 6 juli 2021
Deel deze pagina :
IoB - ORSYS

Telefoons, spraakassistenten, auto's, verbonden horloges... technologie neemt voortdurend ons leven over. Alledaagse tools en gadgets helpen ons, analyseren ons... maar beïnvloeden ons ook. Steeds meer bedrijven gebruiken de gegevens die ze verzamelen om te proberen ons gedrag te beïnvloeden. Deze nieuwe discipline wordt het Internet of Behaviour (IoB) genoemd.

ORSYS interviewde Cédric VASSEUR, specialist op het gebied van nieuwe technologieën die verband houden met robotica en kunstmatige intelligentie. Hij belicht dit nieuwe concept en de gevolgen ervan, zowel goede als slechte.

De IoB doet onmiddellijk denken aan het IoT, het Internet der Dingen. Is er een verband?

Eenvoudig gezegd is de IoB een uitbreiding van het IoT (Internet of Things). Het IoT is de technische basis, zowel hardware als software, die gegevens van sensoren verzamelt, verwerkt en deelt via een netwerk. De IoB werkt stroomafwaarts. Het houdt zich bezig met het exploiteren van deze gegevens en het omzetten ervan in relevante informatie over de psychologie van gebruikers. De IoB probeert het gedrag van gebruikers beter te begrijpen en te beïnvloeden.

De IoB maakt geen geheim van haar bedoelingen: gedragsanalyse. In de definitie van de IoB ligt het idee van gedragsverandering besloten. En dit roept veel vragen op, zowel technologische als ethische.

Welke technologieën zijn hierbij betrokken en hoe werkt het?

Alles wat gegevens kan verzamelen over het gedrag van een gebruiker kan worden gebruikt. Het op sensoren gebaseerde arsenaal van het IoT omvat stappentellers, spraakassistenten, auto's, aangesloten tv's, camera's... maar ook meer traditionele hardware, zoals smartphones, tablets en computers. Wat hier nieuw is, is dat de apparaten afzonderlijk werken. Ze worden ook allemaal gebruikt om de verzamelde informatie te bundelen. We hebben zoveel gegevens dat het mogelijk wordt om steeds geavanceerdere AI-modellen te maken op basis van machine learning en deep learning. Deze modellen worden gebruikt om hefbomen te identificeren voor het veranderen van gebruikersgedrag door middel van psychologische vooroordelen.

Als we het hebben over gedragsverandering, denken we aan marketing en reclame. De commerciële wereld probeert voortdurend meer, maar ook effectiever te verkopen. Traditioneel plaatst een supermarkt kauwgom en andere mogelijk dwangmatige aankopen in de buurt van de kassa. Met IoB kunnen we op dezelfde manier te werk gaan, met precisie, snelheid en zeer fijne targeting. Laten we een eenvoudig voorbeeld nemen: een website. Door het analyseren van je muisklikken, je toetsaanslagen en de snelheid waarmee pagina's scrollen, kunnen we een warmtekaartEen grafische weergave van de plaatsen waar je op klikt en naar kijkt.

Dit wordt gevolgd door een aantal realtime aanpassingen. Bijvoorbeeld door het product dat ze je proberen te verkopen voor je ogen te plaatsen.

Klanten geven wat ze willen, zelfs voordat ze het willen, is een echte plus. Dit is het soort magisch denken dat marketing zich eigen wil maken om zo dicht mogelijk bij de werkelijke behoeften van de consument te komen. Dit is hier het geval met de IoB: het enige wat nog rest is een helpende hand bieden of duwtje om klanten naar een ander product te leiden. Sinds 2014 onderzoekt Amazon de mogelijkheid van vroege levering (Amazon Pre-ship waarvan het principe is gepatenteerd) door sommige van uw bestellingen vandaag nog voor te bereiden, zelfs voordat u ze hebt geplaatst en betaald.

Er is een nieuwe discipline ontstaan: nudge marketing. Het doel is om mensen aan te moedigen op een bepaalde manier te handelen, zonder ze ooit te dwingen.

Welke andere toepassingen heeft de IoB?

Consumentengedrag is niet het enige onderwerp dat aan bod komt. We zullen ook kijken naar het verbeteren van gezondheid, welzijn, voeding, sportprestaties, betere controle over diabetes, tabaksgebruik, stressmanagement en het veranderen van het gedrag en de ecologische voetafdruk van mensen.

Tijdens de COVID-19 pandemie leverde de analyse van beelden van bewakingscamera's en beelden die op sociale netwerken werden uitgewisseld, statistieken op over het dragen van maskers, vaak met bruikbare GPS-gegevens die bijvoorbeeld aangaven waar meer preventieposters konden worden opgehangen om mensen aan te moedigen maskers te dragen. De pandemie heeft geleid tot de oprichting van geautomatiseerde gezondheids-'paspoortsystemen'. Deze kunnen worden gebruikt om risicoplaatsen, je vaccinatiestatus en mensen met wie je in een bepaalde periode in contact bent geweest, te identificeren. De Franse applicatie TousAntiCovid is hier een voorbeeld van.

Nog steeds over gezondheid gesproken: dankzij een glucosesensor kunnen we de juiste dosis insuline inschatten en passende activiteiten en maaltijden voorstellen.

Een andere toepassing is in de architectuur. Het aanpassen van de lay-out van een gebouw op basis van de gebruikersstromen is nu heel gewoon. Uber, Waze, winkelcentra en overheden gebruiken deze technologieën om onze ritten en ophaalpunten van pakketten te optimaliseren.

Het IoT is een buitengewone markt: tegen 2025 zullen er enkele miljarden verbonden objecten zijn en een markt die meer dan $1.100 miljard waard is, hardware niet meegerekend, volgens een studie van de GSMA, de handelsorganisatie voor mobiele netwerkoperatoren.

Is er een verband tussen psychologie en de IoB?

Zoals we hebben gezien, gebruikt de IoB een psychologische en gedragsmatige benadering die terug te vinden is in verschillende methoden zoals de Neurolinguïstisch programmeren (NLP)of DISC,  Procescommunicatiemodus  en de  Myers Briggs Type-indicator  (MBTI).

Het belangrijkste verschil is dat de IoB profiteert van rekencapaciteiten die groter zijn dan die van een enkele menselijke expert, met interpretatie door een machine, met behulp van machine learning en deep learning algoritmen.

Roept dit alles niet een aantal juridische en ethische vragen op?

Ja, het is een echte doos van Pandora. Alles afsluiten zou innovatie blokkeren, maar alles openstellen zou de mens niets meer te doen laten hebben.. Het gebruik van gegevens wordt geregeld door regelgeving, in Europa door de RGPD en in Frankrijk door de CNIL. China daarentegen heeft noch een CNIL noch een RGPD. Hierdoor is de bevolking in de greep van massasurveillance en een sociaal classificatiesysteem dat niet zou misstaan in de meest duistere sciencefictionfilms.

Als mijn plaatselijke kruidenier, die mijn gewoonten kent, me producten aanbiedt die bij mijn smaak passen, is niemand geschokt. Maar een machine hetzelfde laten doen is zorgwekkend. Het is moeilijk voor te stellen dat een machine reageert op menselijke behoeften, of zelfs maar menselijkheid toont in zijn uitwisselingen.

Wat betreft de ethische kwesties die vaak aan de orde worden gesteld, moeten we toegeven dat er altijd een evenwicht moet worden gevonden tussen individuele vrijheid en het algemeen belang. We moeten echter in gedachten houden dat de weg naar de hel geplaveid is met goede bedoelingen en dat niets doen en terugkrabbelen ook geen oplossingen zijn.

Het monitoren van de populatie met "TousAntiCovid" leidde bijvoorbeeld tot de creatie van het ROBERT-protocol met deINRIA in Frankrijk en Fraunhofer in Duitsland. Deze teams hebben hun inspanningen verdubbeld om oplossingen voor te stellen die de bescherming van persoonlijke gegevens garanderen. Maar er zijn altijd mazen in de wet. Zelfs een absoluut betrouwbaar systeem loopt het risico om "een gevoel van toezicht onder burgers te veralgemenen", zoals het Fraunhofer-team het formuleerde. waarschuwt de CNILDit geldt met name voor videobewakingsmiddelen om ervoor te zorgen dat maskers tijdens een pandemie correct worden gedragen.

Vandaar de behoefte aan training! Maar voor wie is deze training bedoeld? Wat zijn de voordelen?

IoB-trainingen zijn toegankelijk voor iedereen en zijn bedoeld voor besluitvormers, projectmanagers, onderzoekers, ingenieurs, verkopers en psychologen die de technologieën van IoB willen begrijpen. Of het nu is om de nieuwe mogelijkheden op dit gebied te ontdekken of om een voorsprong te krijgen. Want als het om innovatie gaat, moet je een van de eersten zijn die nieuwe markten ontdekt, hun mogelijkheden, hun wettelijke grenzen, hun gebruik en misbruik.

Deze cursus is ook interessant voor iedereen die geïnteresseerd is in psychologie in het algemeen en neuromarketing in het bijzonder. Het idee is om te ontdekken hoe nieuwe technologieën dit complexe veld beïnvloeden dat verbonden is met de menswetenschappen.

Hoe kun je jezelf als individu beschermen tegen misbruik van de IoB?

Om IoB te vermijden, moet je idealiter het internet en alle soorten sensoren vermijden. Je moet weten hoe je anoniem kunt blijven en je sporen kunt wissen, in het achterhoofd houdend dat het steeds moeilijker wordt om te voorkomen dat je leven digitaal wordt vastgelegd. Anoniem blijven wordt erg complex, zowel op het internet als op straat. Om te voorkomen dat een machine een patroon in je gedrag ontdekt, bestaan oplossingen, maar die zijn complex om te implementeren. Ze liggen alleen binnen het bereik van grote IT-beveiligingslaboratoria of de Research & Development afdelingen van grote concerns om industriële spionage en andere lekken van informatie naar de pers te voorkomen.

Deze oplossingen omvatten tools die Google-zoekopdrachten voor je simuleren. Ze kunnen zelfs grillige muis- en toetsbewegingen simuleren om een analyse van het type "frappology" te voorkomen, maskers en make-up die de gezichtsherkenningsalgoritmen van bewakingscamera's kunnen dwarsbomen of geluidsgolven om opdringerige spraakassistenten (Alexa, Siri, Google Assistant...) te verstoren. Maar niet iedereen kan dagelijks beschikken over een contraspionageteam.

Hoe kunnen we bij 'welwillend' gebruik van IoB ethisch blijven? Hoe kunnen we onszelf beschermen?

We zien steeds meer de komst van verantwoorde IoT/IoB-oplossingen. Om een paar voorbeelden te geven: het is mogelijk om een kunstmatig neuraal netwerk te trainen met volledig versleutelde gegevens. Dit wordt homomorfe encryptie genoemd.

We werken ook aan de 'uitlegbaarheid' van deep learning. Bij gebruik met de IoB wordt deep learning vaak gezien als een "ondoordringbare zwarte doos". We werken ook aan nieuwe modellen zoals "gefedereerde" neurale netwerken waarbij de informatie wordt opgesplitst in zulke kleine stukjes dat het onbegrijpelijk wordt voor het kwaadwillende oog.
Tot slot moet ook de IoB, net als elk IT-ecosysteem, zichzelf beschermen tegen cyberaanvallen. Dit is een integraal onderdeel van het DNA van elk serieus product dat tegenwoordig op de markt is, met spelers die de impact van eventuele lekken kunnen meten. Want ja, we zullen ze niet allemaal kunnen vermijden, zelfs niet met de beste technologieën en bedoelingen ter wereld.

Heb je tot slot nog advies voor lezers die nieuw zijn met dit onderwerp?

Het is een onderwerp dat je verrast en soms zorgen baart, en dat is normaal. Het is ook heel nieuw. Angsten worden vaak ingegeven door het onbekende. Door de IoB te leren kennen en begrijpen, kun je de implicaties voor jezelf, je bedrijf en je klanten beter begrijpen, zowel individueel als collectief. Het stelt hen ook in staat om projecten te plannen die standaarden en ethiek respecteren. Er bestaan geen slechte technologieën, alleen goed of slecht gebruik ervan. De auto werd als eerste uitgevonden en de verkeersregels kwamen pas later. Het zou moeilijk zijn om vooruit te komen als we onszelf voortdurend in twijfel zouden trekken. Daarom worden ethische kwesties vaak samen met innovaties besproken om het perspectief te krijgen dat nodig is om te begrijpen wat er op het spel staat en wat de grenzen zijn.

Onze expert

Cédric VASSEUR

AI en robotica

Trainer, docent en columnist gespecialiseerd in nieuwe technologieën op het gebied van robotica en intelligente [...].

geassocieerd domein

Big data, kunstmatige intelligentie

bijbehorende opleiding

Internet van gedrag

Neuromarketing, uw strategie heroverwegen en uw prestaties optimaliseren

Stand van zaken bij machinaal leren