Perfilación de senyes digitals

Se li denomina perfilación de senyes digitals a la mineria de senyes aplicada en la creació de perfils digitals d'usuaris de les grans rets socials i l'Internet. Açò es fa en la finalitat de predir gusts, orientacions, la seua psicologia i generar patrons que ajuden tant a elaborar campanyes de Microtargeting (micro focalisació en espanyol) com a alimentar bases de senyes d'inteligència artificial.

Inicialment va ser usat en l'estadística i després en les ciències de la computació, ha generat grans impactes en l'indústria del comerç electrònic en dessifrar patrons de consum i colaborant a la creació de sistemes de predicció. Hui en dia gràcies al creiximent i el potencial que s'ha evidenciat, la perfilación de senyes s'ha utilisat per a influenciar votacions, impondre modes i predir patrons de comportament i presa de decisions.

D'esta manera s'ha implementat en tots els aspectes relacionats en el comerç electrònic i la publicitat digital per a aixina seleccionar el contingut que és mostrat en les plataformes com Amazon, Facebook i Google al públic més apropiat, en un esforç de millorar l'experiència d'usuari i l'interacció en els interfaços que ha segut recentment explotat per companyies com Cambridge Analytica.

Procés

La perfilación de senyes comença per l'obtenció dels mateixos, per a açò es porten a terme diversos processos per a recolectar la major cantitat de Datapoints d'un usuari, des d'informació proporcionada en perfils d'usuari i correus electrònics fins a senyes del segur de vida, rendes de carros, conversacions telefòniques i chats.

Les tècniques de la mineria de senyes utilisades provenen de l'inteligència artificial i de l'estadística, dites tècniques són representades a manera d'algoritmes. A continuació es llisten les tècniques més implementats en plataformes digitals:

• Arbres de decisió - Un arbre de decisió és un model de predicció utilisat en l'àmbit de l'inteligència artificial i l'anàlisis predictiu; és un método analític que a través d'una representació esquemàtica de les alternatives disponibles, facilita la presa de decisions. Donada una base de senyes es construïxen els diagrames de construccions llògiques, molt similars als sistemes de predicció basats en regles, que servixen per a representar i categorizar una série de condicions que succeïxen de forma successiva, per a la resolució d'un problema. Eixemples:
  • Algoritme ID3
  • Algoritme C4.5

• Algoritme de agrupamiento - És un procediment d'agrupació d'una série de vectores segons criteris habitualment de distància; el procés consistix en la divisió de les senyes en grups d'objectes similars. Quan es representen l'informació obtinguda a través de clusters es perden alguns detalls de les senyes, pero al mateix temps se simplifica dita informació. Eixemples:
  • Algoritme K-means
  • Algoritme K-medoids

• Models estadístics - És una expressió simbòlica en forma d'igualtat o equació que s'ampra en tots els dissenys experimentals i en la regressió per a indicar els diferents factors que modifiquen la variable de resposta.
• Rets neuronals - Una ret neuronal és un model simplificat que emula el modo en que el cervell humà processa l'informació: Funciona simultaneando un número elevat d'unitats de processament interconectadas que semblen versions abstractes de neurones. L'informació d'entrada travessa la ret neuronal (a on se somet a diverses operacions) produint uns valors d'eixida. Alguns eixemples de ret neuronal són:
  • El perceptrón.
  • El perceptrón multicapa.

• • Els mapes autoorganizados, també coneguts com a rets de Kohonen.

• Regressió llineal - És la més utilisada per a formar relacions entre senyes, en estadística la regressió llineal o ajust llineal és un model matemàtic usat per a aproximar la relació de dependència entre una variable depenent I, les variables independents Xi i un terme aleatori ε. Ràpida i eficaç pero insuficient en espais multidimensionales a on puguen relacionar-se més de 2 variables.

• Regles d'associació - S'utilisen per a descobrir fets que ocorren en comú dins d'un determinat conjunt de senyes.

Segons l'objectiu de l'anàlisis de les senyes, els algoritmes utilisats es classifiquen en supervisats i no supervisats.

• Algoritmes supervisats (o predictius): prediuen una senya (o un conjunt d'ells) desconegut a priori, a partir d'atres coneguts.
• Algoritmes no supervisats (o del descobriment del coneiximent): es descobrixen patrons i tendències en les senyes.

Métodos d'anàlisis

Despuix de la recolecció es deu realisar una interpretació i evaluació de senyes, per a açò és determinant el mig pel qual es varen obtindre les senyes ya que la conectivitat de les plataformes digitals permeten agrupacions de Data Points per mig de contactes en rets socials, familiars, compres recents, entre uns atres d'esta manera es ejemplifican en els casos específics de les plataformes Google i Facebook, les quals permeten realisar la mineria de senyes autodirigida, és dir, proporcionen als usuaris en els Data Points que són recolectats d'ells i els mijos pels quals es varen crear.

Google

En ser el motor de busca més utilisat al voltant del món, Google posseïx una gran base de senyes dels seus usuaris ademés de contar i estar associat a centenars de servicis adicionals. Per cada u d'estos és possible recolectar informació dels aspectes quotidians de la vida en l'internet d'una persona, a continuació es llisten les senyes que s'oferixen a la plataforma i els seus servicis (no reflectix les senyes que són inferidos o associats per mig de rets de similituts):

• Gmail: Es proporcionen llistes de contactes, historial de correus enviats i rebuts, subscripcions a revistes i/o servicis externs a la plataforma com a exàmens mèdics, factures de compres i recorreguts en plataformes com Uber i Llime.
• Google maps i Google Earth: Brinden accés a la posició de dispositius mòvils i d'escritori, ademés de rutes predilectes, viages, llocs freqüentats i vehículs de transport.
• YouTube: El seu historial de busques canals més vists, likes en video i comentaris, hores de contingut vistes, temes vists i relacionats en busques.
• Chrome: Historial de busques, doble clic, busca de productes, artículs en Google acadèmic, moviment del cursor i temps invertit en finestres i pestanyes.
• Drive i Fotos: Tots els archius pujats, compartits, senyes exif.
• Fit: Registres de ritme cardíac, saturació d'oxigen, pes i estatura.

I si es posseïx un dispositiu que funciona sobre el sistema operatiu Android també es proporcionen Data Points sobre configuració, aplicacions instalades, duració de la pantalla encesa, entre uns atres.

Facebook

És la ret social més gran existent fins al moment, ademés de ser un canal per a venda de productes, intercanvi de coneiximent i divulgació d'informació. La plataforma motiva als seus usuaris a donar les senyes que considere interessants sobre sí mateixa, d'esta manera conseguix informació personal de tot aquell en un perfil d'usuari. Esta és l'informació que es recapta gràcies a permissos de l'aplicació com a lo proporcionat en la creació de contes nous:

• Llistat d'amics: Tots aquells en qui s'haja enviat i acceptat una solicitut d'amistat, aun cuando estos hagen segut eliminats posteriorment.
• Registres de cridades: Fetes o rebudes en dispositius Android, ademés del buçó de mensages i el llistat de números telefònics de contactes.
• Historial de busca: Tots els usuaris i pàgines que s'hagen buscat per mig de la plataforma i la seua relació d'amistat o seguiment previ i posterior a la busca.
• Gusts personals: Llistat aportat en la creació de perfils que inclou senyes com a películes i llibres favorits, interés per parella sentimental, estat civil, afiliació polítiques, entre uns atres.
• Pàgines seguides: Generalment estes vinculen a interessos i el llistat de persones que també seguixen dit perfil.
• Historial de “M'agrada”: Totes les reaccions que s'han donat front al contingut mostrat en la plataforma, com a estats d'ànim, comentaris i “m'agrada” des de la creació del perfil.

Per una atra part en ser amos de WhatsApp i Instagram accedixen a historial de mensages, llista de seguidors i seguits i archius enviats o pujats a la plataforma.

Referències

• Bechmann, Anja (2013). SMID (ed.). Internet profiling:The economy of data intraoperability on Facebook and Google (en anglés).