Η αρχιτεκτονική της στοχευμένης εκμετάλλευσης
Η περίπτωση της DraftKings αναδεικνύει μια ανησυχητική εξέλιξη στον τομέα του ad tech. Αντί για παραδοσιακές μεθόδους, η εταιρεία εκπαιδεύει μοντέλα μηχανικής μάθησης (machine learning models) πάνω στα ιστορικά δεδομένα στοιχηματισμού των χρηστών της. Ο στόχος είναι ο εντοπισμός ατόμων που παρουσιάζουν μοτίβα «προβληματικού τζόγου», ώστε να τους αποσταλούν προσωποποιημένες προωθητικές ενέργειες που θα τους επαναφέρουν στην πλατφόρμα.
Το πρόβλημα του black box και η συλλογή δεδομένων
Η ενσωμάτωση της τεχνητής νοημοσύνης επιταχύνει δραματικά τη διαδικασία λήψης αποφάσεων. Επειδή τα μοντέλα αυτά λειτουργούν συχνά ως black box, οι μηχανικοί δεν μπορούν να προβλέψουν με ακρίβεια ποια δεδομένα είναι τα πιο κρίσιμα για την πρόβλεψη της συμπεριφοράς του χρήστη. Αυτό δημιουργεί ένα κίνητρο για συνεχή και αδιάκριτη συλλογή δεδομένων, η οποία υπερβαίνει κατά πολύ τις ανάγκες της υπηρεσίας.
Γιατί οι τρέχουσες πολιτικές αποτυγχάνουν
Το κρίσιμο σημείο είναι ότι η DraftKings χρησιμοποιεί δεδομένα πρώτου μέρους (first-party data). Οι περισσότερες νομοθετικές προσπάθειες επικεντρώνονται στον περιορισμό του διαμοιρασμού δεδομένων με τρίτους (third-party data sharing). Ωστόσο, όταν μια εταιρεία κατέχει το σύνολο των δεδομένων και τα επεξεργάζεται εσωτερικά, οι υφιστάμενοι κανονισμοί δεν επαρκούν για να αποτρέψουν την ηθικά αμφισβητήσιμη στοχευμένη διαφήμιση.
Η ανάγκη για ριζική αλλαγή
Η Electronic Frontier Foundation (EFF) υποστηρίζει ότι η μόνη βιώσιμη λύση είναι η καθολική απαγόρευση της συμπεριφορικής διαφήμισης. Χωρίς το κίνητρο της προσωποποιημένης στόχευσης, οι εταιρείες θα έχουν σημαντικά λιγότερους λόγους να συλλέγουν και να αναλύουν τις προσωπικές μας συνήθειες, περιορίζοντας έτσι τη δύναμη της βιομηχανίας επιτήρησης.