Abstract

Odată cu creșterea volumului de date pe Internet, în media socială, cloud computing, dispozitive mobile și date guvernamentale, Big Data devine în același timp o amenințare și o oportunitate în ceea ce privește gestionarea și utilizarea acestor date, menținând în același timp drepturile persoanelor implicate. În fiecare zi, folosim și generăm tone de date, alimentând bazele de date ale agențiilor guvernamentale, companiilor private și chiar cetățenilor privați. Beneficiem în multe feluri de existența și utilizarea Big Data, dar trebuie să ne amintim de asemenea că „nu există nimic gratuit”. Există riscuri în utilizarea Big Data, un fel de parte întunecată. Schimbările de piață pot fi obținute prin utilizarea Big Data: în timp ce acestea pot fi pozitive pentru cineva, ele pot dăuna altcuiva. Riscurile potențiale provin și de la agențiile publice. Este clar că datele mari pot aduce beneficii cetățenilor și companiilor, dar trebuie să fie echilibrate de o conștientizare sporită a „părții întunecate” a Big Data în exploatarea noilor capacități și oportunități pe care le oferă tuturor . CUPRINS 1. Big Data - Definiție - Caracteristici - Clasificarea datelor mari - Arhitectura - Tehnologii - Oportunități - Provocări - Critici - - Criticile paradigmei Big Data - - Criticile modelului "V" - - Criticile de noutate - - Criticile execuției Big Data - 1.1 Viața datelor mari - - Nașterea - - Copilăria - - - Educație - - - Divertisment - - Adolescența - - - Servicii online - - - Comunicații mobile - - - Servicii de streaming - - Adulți tineri - - - Căutarea de locuri de muncă - - - Servicii bancare și asigurări - - - Utilități - - - Dating online și pornografie - - Vârsta medie - - - Servicii de sănătate - - - Aplicații pentru îngrijire și aplicații pentru sănătate și fitness - - - Căutarea de locuri de muncă - - - Dating online - - Bătrânețea - - - Îngrijirea sănătății - - Moartea - 1.2 Aplicații - - Guvern - - Dezvoltare internațională - - Fabrici - - Sănătate - - Educaţie - - Mass-media - - Asigurare - - Internetul obiectelor (IoT) - - Tehnologia informației - 1.3 Studii de caz - - Guvern - - - China - - - India - - - Israel - - - Regatul Unit - - - Statele Unite ale Americii - - Cu amănuntul - - Ştiinţă - - Sport - - Tehnologie - - Activități de cercetare - - - Prelevarea de date mari - 1.4 Agenda europeană privind societatea digitală - - Cadrul juridic - - Peisajul opiniei părților interesate - 1.5 GDPR - - Etapele procesării datelor personale - - Principiile procesării datelor - - Politica de confidențialitate și transparența - - Scopurile procesării datelor - - Confidențialitate prin design și implicită - - - Paradoxul (legal) al Big Data - - Domeniul teritorial al GDPR - - Definirea datelor mari, a datelor personale și a datelor anonime - - Etapele procesării datelor cu caracter personal - - Principii de prelucrare a datelor - - Politica de confidențialitate și Transparența - - Scopuri de prelucrare a datelor - - Confidențialitate prin design și confidențialitate în mod implicit - - Paradoxul (legal) al datelor mari 2. Analiza Big Data - 2.1 Analitica - - Analitica vs. analiză - - Aplicații ale analiticii - - - Optimizarea marketingului - - - Analiza oamenilor - - - Analiza portofoliului - - - Analitica riscurilor - - - Analitica digitală - - - Analitica securității - - - Analitica software-ului - - Provocări - - Riscuri - 2.2 Analitica predictivă - - Definiție - - Procesul de analitica predictivă - - Tipuri - - - Modele predictive - - - Modele descriptive - - - Modele de decizie - - Aplicații - - - Managementul relațiilor cu clienții analitic (CRM) - - - Protecția copilului - - - Sisteme de suport decizional clinic - - - Analiticile colecțiilor - - - Vânzări încrucișate - - - Retenția clienților - - - Marketing direct - - - Detectarea fraudelor - - - Prezicerea rezultatelor deciziilor legale - - - Previziuni privind portofoliul, produsele sau economia - - - Managementul riscului de proiect - - - Acceptanța (Underwriting) - - Tehnologia și influențele big data - - Tehnici analitice - - - Tehnici de regresie - - - - Model de regresie liniară - - - - Modele de alegere discretă - - - - Regresie logistică - - - - Regresie logistică multinomială - - - - Regresie probit - - - - Logit versus probit - - - - Modele pentru serii de timp - - - - Analiza supraviețuirii sau a duratei - - - - Arborele de clasificare și regresie (CART) - - - - Funcții spline adaptive de regresie multivariate - - - Tehnici de învățare automată - - - - Rețele neuronale - - - - Perceptron multistrat (MLP) - - - - Funcții radiale de bază - - - - Mașini cu vectori de suport - - - - Bayesiene naive - - - - Vecinul k-cel mai apropiat - - - - Modelarea predictivă geospațială - - Instrumente - - - PMML - - Critici - 2.3 Analitica prescriptivă - - Istorie - 2.4 Studiul critic al datelor - - Perspective critice - - Abordare: Pragmatismul și etica discursului 3. Etica Big Data - Datele personale ale copiilor - Rolul instituțiilor - - State naționale - - Bănci - Articole relevante de știri despre etica datelor - Legislație relevantă privind etica datelor - 3.1 Principii ale eticii Big Data - - Etica în cercetare - - Conștientizarea - - Consimţământul - - Controlul - - Transparența - - Încrederea - - Proprietatea - - Supravegherea și securitatea - - Identitatea digitală - - Realitatea ajustată - - De-anonimizarea - - Inegalitatea digitală - - Confidențialitatea - - Financiar - - - Cât de mult merită datele? - - Deschidere - 3.2 Probleme etice în cercetare - - Etica cercetării pentru cercetarea socială - - Principalele aspecte etice ale cercetării sociale - - - Intimitate - - - Consimțământ informat - - - De-identificarea - - - Inegalitate – Diviziune digitală - - Integritatea cercetării - - Probleme emergente - - Aviz legal - 3.3 Aspecte filosofice - 3.4 10 reguli de bază în lucrul cu Big Data - - Concluzie Referințe Despre autor - Nicolae Sfetcu - - De același autor - - Contact Editura - MultiMedia Publishing