/>
در سال 2017 ، این وبلاگ به دلیل استفاده بیشتر از نظارت در محیط کار ، تهدید جدیدی را برای حفظ حریم خصوصی ذکر کرد. هنگامی که کار افراد به طور خودکار اندازه گیری شد ، می تواند همانطور که امسال توصیف کردیم ، برای مدیریت الگوریتمی استفاده شود. قفل شدن کورو ویروس باعث شد میلیون ها نفر برای اولین بار از خانه کار کنند. علاوه بر ارائه چالش های فراوان برای کارگران ، چالش های جدیدی را نیز برای مدیران به همراه دارد. برخی می ترسند که مردم به اندازه کارآمد خود در خانه کار نکنند و این فرصتی برای سیستم های نظارت اداری است. به عنوان مثال ، MIT Technology Review در مورد Enaible بحث می کند:
این نرم افزار نرم افزار یادگیری ماشینی را برای اندازه گیری سرعتی که در آن کارمندان وظایف مختلفی را انجام می دهند تهیه می کند و راه هایی برای سرعت بخشیدن به آنها پیشنهاد می کند. این ابزار همچنین به هر فرد امتیاز بهره وری می دهد ، که مدیران می توانند از آنها استفاده کنند تا مشخص کنند که کدام یک از کارمندان بیشترین ارزش را دارند – و کسانی که نیستند.
الگوریتمی به نام Trigger-Task-Time در قلب سیستم قرار دارد. به عنوان ورودی ، شما نیاز به گردش کار معمولی برای کارگران مختلف دارید: آنچه باعث می شود ، از جمله ایمیل یا تماس تلفنی ، به چه وظایفی منجر می شود و چه مدت باید این کارها انجام شود. این نرم افزار از این داده ها استفاده می کند تا به هر کارگر "نمره بهره وری" بین 0 تا 100 اختصاص دهد. از آنجا که این روش می تواند برای هر کار اعمال شود ، در تئوری کارگران یک شرکت را می توان با نمرات آنها ، حتی اگر آنها وظایف مختلفی را انجام دهند. نمره بهره وری همچنین نشان می دهد که چگونه کار یک شخص باعث افزایش یا کاهش بهره وری سایر اعضای تیم خود می شود.
هر چقدر ممکن است برای مدیران مفید باشد یا نباشد ، برای افرادی که گردش کارشان چنان بررسی می شود ، به ویژه از نظر محرمانه ، کاملاً مشکل ساز است. به طور خاص ، آنها با استفاده از معیارهای ناشناخته تحت آزمایش الگوریتم غیرقابل پیش بینی قرار می گیرند ، که نتیجه آن می تواند تفاوت بین حفظ و از دست دادن یک شغل را ایجاد کند. در بسیاری از نقاط جهان ، این تنها واقعیتی در مورد اشتغال مدرن است. با این حال ، جنبه مهم این الگوریتم ها این است که آنها بر روی داده هایی کار می کنند که به شخص مراجعه می کنند. به همین ترتیب ، در اتحادیه اروپا مشمول GDPR هستند. ماده 22 قانون حمایت از داده ها به طور خاص با الگوریتم ها سروکار دارد:
موضوع داده ها حق دارند موضوع تصمیم گیری صرفاً براساس پردازش خودکار نباشند ، از جمله پروفایل ، که اثرات حقوقی در مورد او ایجاد می کند یا به همین ترتیب اثر می گذارد
این شرط شامل تعدادی شرط است ، به ویژه اگر موضوع داده رضایت صریح خود را بدهد. با این حال ، در این مورد یک ماده دیگر وجود دارد که مستلزم استفاده از "اقدامات مناسب برای حفظ حقوق و آزادی ها و منافع قانونی موضوع داده ها ، حداقل حق دستیابی به مداخله انسانی است. از طرف کنترل کننده ، نظر خود را ابراز کند و تصمیم را به چالش بکشد.
این سؤال پیچیده با این واقعیت دشوارتر می شود كه GDPR فقط دو سال در كار بوده است. پرونده های دادگاه از دست رفته است که می تواند دقیقاً چگونگی استفاده از الگوریتم ها برای داده های شخصی را با توجه به بخش 22 فاش کند. این امر باعث می شود پرونده زیر علیه Uber ، گزارش شده توسط گاردین ، از اهمیت قابل توجهی:
رانندگان مینی بک تلاش پزشکی قانونی برای کشف الگوریتم های رایانه ای مخفی استفاده شده توسط Uber برای مدیریت کار خود را در مورد آزمایشی که می تواند شفافیت میلیون ها کارگر را افزایش دهد ، آغاز کردند. اقتصاد مشاغل عجیب و غریب در سراسر اروپا.
دو راننده انگلستان خواستار دیدن تعداد زیادی از داده هایی هستند که در حال مرور هستند. شركت اشتراك گذاري در مورد آنها و چگونگي استفاده از آن براي اعمال كنترل مديريت ، از جمله از طريق تصميمات اتوماتيك كه نامرئي شغل آنها را تشكيل مي دهد ، جمع مي كند.
همانطور که در مقاله به درستی ذکر شده است ، نتیجه این پرونده می تواند نتایج عمده ای برای سایر شرکت هایی که تحت تولید GDPR فعالیت می کنند ، داشته باشد. به طور خاص ، کسانی که به اصطلاح "اقتصاد اشتراکی" مبتنی بر کارگران خود اشتغالی هستند ، مستقیماً تحت تأثیر قرار خواهند گرفت. اما به فرض دادگاه تصمیم می گیرد که مدیریت الگوریتمی باید از GDPR ، با ضمانت نامه حفظ حریم خصوصی خاص پیروی کند ، بنابراین ممکن است بسیاری از شرکت های دیگر در اتحادیه اروپا که از سیستم های نظارت رومیزی استفاده می کنند یا برنامه ریزی می کنند. دریابند که آنها فقط می توانند این کار را به روشی متناسب انجام دهند.
به طور کلی ، تصمیم در مورد استفاده از الگوریتم ها به عنوان بخشی از فرایند تصمیم گیری پرسنل احتمالاً می تواند پیامدهای مهمی برای موضوع داشته باشد. عمومی مسئولیت الگوریتمی ، که در این وبلاگ در سال 2017 مورد بحث قرار گرفت. مردم متوجه پیامدهای ادغام الگوریتم ها در انواع سیستم ها هستند. این شامل مواردی است که به معنای واقعی کلمه در زندگی و مرگ هستند – به عنوان مثال مواردی که شامل امنیت و ایمنی هستند – و همچنین مواردی که در زندگی روزمره نسبتاً جزئی مانند استفاده از الگوریتم ها است. برای تعیین اینکه چه تبلیغاتی را بصورت آنلاین مشاهده می کنیم.
بسیاری از دولت ها برای تنظیم این منطقه جدید در حال کار بر روی چارچوب های جدید هستند. به عنوان مثال ، نیوزلند منشور الگوریتم را تهیه کرده است که به گفته آن "تعهد سازمان های دولتی برای مدیریت دقیق نحوه استفاده از الگوریتم ها برای ایجاد تعادل مناسب بین حفظ حریم خصوصی و شفافیت" است. کمیسیون اروپا اعلام کرده است که تجزیه و تحلیل عمیق از شفافیت الگوریتمی را انجام می دهد. پارلمان اروپا قبلاً چارچوبی حاکمیتی را برای پاسخگویی و شفافیت الگوریتمی منتشر کرده است ، که خواستار نظارت نظارتی و پاسخگویی قانونی به بخش خصوصی است ، و همچنین یک رویکرد جامع برای حاکمیت الگوریتمی. هنگامی که اتحادیه اروپا قوانینی را تصویب و تصویب کرد که صریحاً به مسائل کلیدی شفافیت الگوریتمی بپردازند ، احتمالاً در سطح جهانی نیز تأثیر عمده ای خواهند داشت ، همانطور که در حال حاضر با GDPR شروع شده است. .
تصویر ارائه شده توسط Hipsta.space. [19659014] درباره Glyn Moody
Glyn Moody یک روزنامه نگار آزاد است که در مورد حریم خصوصی ، نظارت ، حقوق دیجیتال ، منبع آزاد ، حق چاپ ، می نویسد و صحبت می کند. حق ثبت اختراعات و مسائل مربوط به سیاست های دیجیتالی. وی پوشش استفاده تجاری از اینترنت را در سال 1994 آغاز كرد و اولین مقاله اصلی را در مورد لینوكس نوشت ، كه در اوت 1997 در Wired ظاهر شد. كتاب وی با نام "Rebel Code" اولین و تنها است یک تاریخچه دقیق در مورد ظهور منبع آزاد ، در حالی که کار بعدی او ، "کد دیجیتال زندگی" ، به بررسی بیوانفورماتیک – تقاطع محاسبات با ژنتیک می پردازد.
