
Alors que chez drivebywire.law , nous sommes aux prises avec l'attribution légale des droits, des obligations et des risques dans le domaine de l'IA, nous avons réalisé que nous devions inventer de nouvelles classes juridiques de données pour définir les attentes des consommateurs, des startups et des régulateurs. Voici quelques catégories approximatives pour lancer cette conversation :
- Type de capteur présent : Un appareil, comme une poignée de porte, qui n'a apparemment aucun intérêt pour la température, pourrait quand même contenir un capteur de température, placé comme un capteur dormant pour être activé bien plus tard dans la vie du produit à des fins non encore imaginées à l'époque. le moment de la fabrication. Les fabricants souhaitent garder un certain degré de secret concernant les capteurs présents dans leurs produits.
- Degré de précision du capteur : Cet ensemble de données enregistre le degré de précision d'un capteur. Par exemple, un accéléromètre dans une voiture peut être plus ou moins sensible, information qui est en soi précieuse. Un constructeur automobile ne voudra peut-être pas révéler que son accéléromètre est moins sensible que celui utilisé par un concurrent. Par conséquent, les données concernant la précision des capteurs doivent être traitées comme une catégorie distincte de données soumises à leur propre ensemble de paramètres de confidentialité.
- Données brutes des capteurs : il s'agit des données collectées par les capteurs des véhicules, des réfrigérateurs, des maisons, des appareils portables, etc. Nous devons définir à qui appartiennent ces données depuis leur point d'origine, c'est-à-dire depuis le capteur. Le fabricant du capteur a-t-il des droits sur ces données même s'il n'est pas impliqué dans le produit plus important fabriqué ?
- Corrélation capteur-appareil : cet ensemble de données comprend le capteur et le type d'appareil dans lequel il réside. Ici, les données font leur première plongée en profondeur, car la simple corrélation appareil/capteur déclenche un certain nombre d'hypothèses sûres et accélère la triangulation sur la « vue d'ensemble » du sujet. Par exemple, l’indicateur de vitesse du vent dans un avion est un fait qui est, en soi, riche.
- Corrélation capteur-sujet (objectif) : Ces données révèlent que le capteur suit les données d'une personne, mais pas l'identité de cette personne. Prenons l'exemple d'un capteur de température installé dans un bus urbain, utilisé pour suivre la température des navetteurs afin d'évaluer la propagation de la fièvre dans une communauté.
- Corrélation capteur-sujet (subjective) : Il s'agit pour l'instant de l'ensemble de données le plus sensible, car il relie les données à un individu identifié. À l'heure actuelle, cela est considéré comme très précieux car il peut être exploité pour « pirater » le consommateur afin qu'il prenne telle ou telle décision.
- Corrélation capteur-sujet – à l'échelle de la communauté : il s'agit en réalité d'un large échantillon de données subjectives capteur-sujet, donnant au contrôleur la possibilité d'examiner les données d'une cohorte de personnes et de prédire les événements à l'échelle de la communauté.
Quel que soit l'endroit où réside votre ensemble de données, il est important d'encadrer son statut juridique, sinon vous risquez de violer les droits à la vie privée des individus ou de renoncer à des opportunités commerciales liées aux données que vous rencontrez. Chez drivebywire.law, Adam Atlas et ses collègues sont occupés à analyser les ensembles de données pour aider à documenter qui possède quoi, quelle que soit la teinte.
loi sur le drive-by-wire