داده شخصی در ازای خدمات آنلاین رایگان
به تعبیر جنیفر لین مورون(Jennifer Lyn Morone)، هنرمند آمریکایی، اکثر مردم در وضعیت برده‌داری داده(Data Slavery) زندگی می‌کنند. آنها برای دریافت خدمات آنلاین رایگان، اطلاعاتشان را در اختیار شرکت‌های فناوری قرار می‌دهند. در حالی که اطلاعات شخصی بسیار ارزشمندتر از آن است که افراد فکر می‌کنند.
مورون برای نشان دادن این وضعیت اسفبار که آن را «سرمایه‌داری افراطی» می‌نامد، دست به کار جالبی زد. او خودش را به‌عنوان یک شرکت در ایالت دلاویر آمریکا ثبت کرد تا بتواند از داده شخصی‌اش کسب درآمد کند. به این ترتیب، پرونده‌های مختلفی از مجموعه داده‌ها ایجاد کرد و در سال ۲۰۱۶ در گالری لندن نمایش داد. وی این پرونده‌ها را برای فروش به مبلغ ۱۰۰پوند(معادل ۱۳۵ دلار) عرضه کرد. کل مجموعه، از جمله داده سلامتی و شماره تامین اجتماعی(شماره ۹رقمی برای اقامت و اشتغال)، ۷ هزار پوند بود. اما در نهایت، فقط چند خریدار به وی قیمتی پیشنهاد دادند و مورون دریافت که همه چیز واقعا پوچ است. در واقع، کشف کرد که چیزی در اقتصاد داده فاسد شده است.
البته بعد از افشای فروش اطلاعات ۸۷ میلیون کاربر فیس‌بوک به کمبریج آنالیتیکا، به نظر می‌رسد صداهایی که خواستار بازنگری در استفاده از داده شخصی آنلاین بودند، بلندتر شده است. حتی آنگلا مرکل، صدراعظم آلمان، اخیرا خواستار قیمت‌گذاری داده‌های شخصی شده و از پژوهشگران خواسته تا راه‌حلی پیدا کنند. با این حال، با توجه به وضعیت فعلی امور دیجیتال که در آن جمع‌آوری و بهره‌برداری از داده شخصی در سلطه شرکت‌های بزرگ فناوری است، فروش اطلاعات شخصی توسط افراد بعید به نظر می‌رسد. اما چه اتفاقی روی می‌دهد اگر مردم واقعا داده خود را کنترل کنند و غول‌های فناوری مجبور شوند برای دسترسی به آنها مبلغی پرداخت کنند؟ این اقتصاد داده چطور پدیدار خواهد شد؟
تصاحب داده‌ها
این نخستین بار نیست که یک منبع اقتصادی مهم مورد استفاده، مالکیت و معامله قرار گرفته چرا که پیش از این، این اتفاق درباره زمین و آب رخ داده است. اما بعید به نظر می‌رسد اطلاعات دیجیتالی بتواند از طریق بازارها اختصاص یابد. چراکه برخلاف منابع فیزیکی، اطلاعات شخصی از نظر اقتصادی یک کالای غیررقابتی است. به این معنی که آنها می‌توانند بیش از یک بار استفاده شوند. در واقع، هر چه آنها بیشتر مورد استفاده قرار گیرند، برای جامعه بهتر است. نشت مکرر داده‌ها نشان می‌دهد کنترل آنها نیز چقدر سخت است. جارون لنیر(Jaron Lanier)، پیشگام واقعیت مجازی و گلن ویل(Glen Weyl)، اقتصاددان دانشگاه ییل که هر دو پژوهشگر مایکروسافت هستند، استدلال می‌کنند سایر سوابق تاریخی ممکن است مدل یا طرحی را با چالش‌های معاصر درباره «تکنوفئودالیسم»(فئودالیسم، نظام اقتصادی ارباب–رعیتی است که در آن قدرت سیاسی میان زمینداران بزرگ تقسیم شده و در نظام تکنوفئودالیسم، تکنولوژی جای زمین را می‌گیرد) روبه‌رو کند.
پیش از این عامل کار یا نیروی کار وضعیتی مانند داده‌ها داشت. در واقع، عامل تولیدی بود که ارزش‌گذاری و شناسایی دقیق آن سخت بود. در طول اکثر دوران تاریخ بشر، کارگران به درستی در ازای کاری که انجام می‌دادند، مزدی دریافت نمی‌کردند. حتی زمانی که مردم آزاد بودند که کار خود را بفروشند، ده‌ها سال طول کشید تا به‌طور متوسط دستمزد آنها به سطح قابل معاش برسد. ویل در کتاب «بازارهای رادیکال» که با همکاری اریک پوزنر(Eric Posner) از دانشگاه شیکاگو نوشته، پیش‌بینی می‌کند تاریخ، خودش را تکرار نخواهد کرد، اما احتمال دارد که همان روند را ادامه دهد. بنا بر استدلال وی، در عصر هوش مصنوعی، منطقی است که با داده‌ها به‌عنوان شکلی از عامل کار رفتار شود. اکثر الگوریتم‌های هوش مصنوعی نیاز دارند برای استفاده از نمونه‌های تولید شده توسط انسان با یادگیری ماشین آموزش ببینند.
الگوریتم‌ها نمی‌توانند زبان‌ها را ترجمه کنند، گفتار را درک کرده یا اشیا را در تصاویر تشخیص دهند، مگر اینکه بدانند که پاسخ درست (آنچه توسط انسان‌ها ارائه شده) چیست. بنابراین داده‌های ارائه‌شده توسط انسان می‌تواند نوعی عامل کار باشد که هوش مصنوعی را تقویت می‌کند. همان‌طور که اقتصاد داده رشد می‌کند، کارکرد چنین داده‌هایی فرم‌های متعددی پیدا می‌کند. بخش بزرگی از این داده‌ها منفعل خواهد بود، زیرا مردم در فعالیت‌های مختلف مانند لایک کردن پست‌ها در شبکه‌های اجتماعی، گوش دادن به موسیقی، معرفی رستوران‌ها که داده‌های موردنیاز برای تامین خدمات جدید را ایجاد می‌کنند، غیرفعال خواهند بود. اما کار داده‌های برخی افراد، فعال‌تر خواهد شد، به‌طوری که تصمیم‌گیری آنها (مانند هدایت خودرو در یک شهر شلوغ) به‌عنوان پایه‌ای برای آموزش سیستم‌های هوش مصنوعی استفاده میشود.
به هر حال، تعداد کمی از مردم زمان یا تمایل دارند تمام اطلاعاتی را که تولید می‌کنند حفظ کنند یا ارزش آن را تخمین بزنند. حتی کسانی که داده‌های خود را عرضه می‌کنند، قدرت چانه‌زنی کافی برای به دست آوردن یک معامله خوب از شرکت‌های هوش مصنوعی ندارند. البته تاریخ کار نشان می‌دهد چگونه همه چیز می‌تواند تکامل یابد: به‌طوری که از لحاظ تاریخی، اگر دستمزد به سطح قابل قبولی افزایش یافته، بیشتر به دلیل تلاش اتحادیه‌ها بوده است. به همین ترتیب، ویل ظهور چیزی به نام «اتحادیه‌های کارگری داده‌ها» را انتظار دارد. سازمان‌هایی که به‌عنوان دروازه‌بانان اطلاعات مردم خدمت کند. همانند گذشتگان خود، آنها درباره نرخ‌ها مذاکره می‌کنند، بر کار داده‌های اعضا نظارت کرده و کیفیت بازدهی دیجیتال آنها را مثلا با حفظ امتیازات اعتباری تضمین می‌کنند. اتحادیه‌ها می‌توانند کار داده‌های متخصص را به اعضای خود انتقال داده و حتی اعتصابات را مثلا از طریق مسدود کردن دسترسی به داده‌های اعضای خود سازماندهی کنند. همچنین می‌توانند روشی برای اختصاص داده‌های اعضا و سهمی از محل درآمد‌های شرکت‌هایی که از آن استفاده می‌کنند، تعریف کنند.
همه اینها ممکن است شبیه یک داستان علمی-تخیلی به نظر برسد. چرا گوگل و فیس‌بوک باید از مدل کسب و کار فعلی خود برای استفاده از داده‌های رایگان جهت فروش تبلیغات آنلاین هدفمند دست بکشند؟ در سال ۲۰۱۷ آنها در مجموع ۱۳۵میلیارد دلار از تبلیغات به‌دست آوردند. اگر آنها مجبور بودند پولی بابت داده‌های مردم پرداخت کنند تا این حد نمیتوانستند سود کنند. در همین حال، استارتآپهایی مانند CitizenMe و Datacoup، که می‌تواند به شکلی فرم‌های اولیه اتحادیه‌های داده باشد، تاکنون موفق به پیشرفت زیادی نشده‌اند. البته در گوشه و کنارهای این صنعت، برخی از غول‌های فناوری در حال حاضر برای داده‌ها هزینه می‌کنند، گرچه آنها مراقبند درباره آن خیلی اطلاع‌رسانی نکنند. آنها به‌طور عمده از طریق برون‌سپاری، گروهی از بازرسان و مدیرانی را استخدام می‌کنند تا کیفیت الگوریتم‌های آنها را بررسی کرده و محتویات غیرقانونی یا توهین‌آمیز را حذف کنند.
شرکت‌های دیگر از سیستم عامل‌های پرکاربر مانند مکانیک ترکس آمازون استفاده می‌کنند تا کارهای داده‌ای مانند برچسب‌گذاری عکس‌ها را انجام دهند.(تُرک مکانیکی آمازون یکی از خدمات وب آمازون است که در آن بازاری را به شیوه جمع‌سپاری اینترنتی اداره می‌کند. در جمع‌سپاری اینترنتی برنامه‌نویسان می‌توانند کارهایی را که رایانه‌ها هم‌اکنون نمی‌توانند انجام دهند با هماهنگ‌کردن هوش انسان‌ها انجام دهند). هوش مصنوعی Mighty، استارتآپی در سیاتل، به هزاران کارمند آنلاین پول می‌پردازد تا عکس‌های صحنه‌های خیابانی را علامت‌گذاری کنند تا این استارت‌آپ از آنها برای آموزش الگوریتم تقویت خودروهای خودران استفاده کند. اگر همان‌طور که انتظار می‌رود هوش مصنوعی خوب کار کند، منجر به تقاضای داده بیشتر و بهتر خواهد شد. همان‌طور که سرویس‌های هوش مصنوعی پیچیده‌تر میشود، الگوریتم‌ها باید با داده‌های با کیفیت بالا که ممکن است مردم برای ارائه آن مبلغی درخواست کنند، تغذیه شوند. اگر یک شرکت تکنولوژی بزرگ پرداخت برای داده‌ها را شروع کند، ممکن است سایر رقبا نیز از آن پیروی کنند.
راه پرچالش اقتصاد داده
به هر حال، باید اتفاقات زیادی برای داده شخصی رخ دهد تا به‌طور گسترده به‌عنوان کارگر در نظر گرفته شود و به همان میزان به آنها پرداخت شود. دلیل اول این است که برای تشویق ظهور یک اقتصاد داده جدید، یک چارچوب قانونی مناسب موردنیاز است. مقررات جدید حفاظت از اطلاعات عمومی اتحادیه اروپا که در ماه مه به اجرا گذاشته شد، در حال حاضر به افراد حقوق گسترده‌ای برای بررسی، دانلود و حتی حذف اطلاعات شخصی نگهداری شده توسط شرکت‌ها می‌دهد. دوم، تکنولوژی برای پیگیری جریان داده‌ها نیاز به توانایی بیشتری دارد. تحقیق برای محاسبه ارزش داده‌های خاص به سرویس هوش مصنوعی نوپا است. سوم و مهم‌تر از همه، مردم باید یک «آگاهی طبقاتی» را به‌عنوان کارگران داده توسعه دهند. اکثر مردم می‌گویند که می‌خواهند از اطلاعات شخصی خود محافظت کنند، اما پس از آن آنها در مقابل مبلغ ناچیزی آن را معامله می‌کنند که به‌عنوان «پارادوکس حفظ حریم خصوصی» شناخته میشود.
حتی اگر مردم برای داده‌های خود پول بگیرند، با شک و تردید می‌گویند که مبلغ خیلی زیادی نخواهد شد. برای مثال، اگر فیس‌بوک سودش را به کاربران ماهانه‌اش اختصاص دهد، هر یک از آنها فقط ۹ دلار در سال دریافت خواهند کرد. با این حال، چنین محاسباتی نمی‌تواند مشخص کند که صرفا دوران داده آغاز شده است. از طرفی یک پرسش مطرح میشود مبنی بر اینکه آیا در این اقتصاد داده‌ها هم نابرابری وجود دارد؟ داده‌های برخی افراد نسبت به خیلی‌های دیگر قطعا ارزشمندتر خواهد بود. اما ویل استدلال می‌کند مهارت‌های موردنیاز برای تولید داده‌های با ارزش ممکن است بیشتر از آنچه شما فکر می‌کنید گسترش یابد، بنابراین داده‌ها می‌توانند سلسله مراتب استاندارد سرمایه انسانی را تغییر دهند. به هر حال، جوامع باید مکانیزمی برای توزیع ثروت ایجاد شده توسط هوش مصنوعی پیدا کنند. ویل هشدار می‌دهد، این روند باید تغییر کند، در غیر این‌صورت نابرابری اجتماعی می‌تواند به وضعیت قرون وسطی بازگردد. اگر چنین اتفاقی بیفتد، غیرمنطقی نیست که فرض کنیم، روزی کارگران داده‌های جهان متحد شوند.