تنظیم‌گری داده پیش از نوشتن قانون، به شناخت خود داده نیاز دارد. «داده» یک شیء همگن نیست که بتوان برای همه انواع آن حکم واحد صادر کرد. اطلاعات هویتی پایه، داده شخصی و حساس، اسرار صنعتی، داده‌های تولیدشده توسط کاربر، داده‌های حسگر، کلان‌داده‌های رفتاری، داده بلادرنگ و داده‌ای که یک مدل هوش مصنوعی تولید می‌کند، از نظر مالکیت، خطر، ارزش اقتصادی و امکان ناشناس‌سازی یکسان نیستند. نخستین مقاله این مجموعه با همین تفکیک آغاز می‌شود تا نشان دهد بسیاری از مناقشه‌های تنظیم‌گری از به‌کار بردن یک واژه واحد برای موضوعاتی کاملاً متفاوت پدید می‌آیند.

متن، داده‌های پایه را از عمومی تا سری بررسی می‌کند و سپس به داده‌های تولیدی و تحلیلی می‌رسد؛ داده‌هایی که ممکن است کاربر، صنعت، پلتفرم یا الگوریتم در ایجاد آن سهم داشته باشد و بنابراین تعیین مالکیت و حق بهره‌برداری از آن‌ها ساده نیست. در داده‌های آینده، مسئله پیچیده‌تر می‌شود: خروجی هوش مصنوعی می‌تواند از انبوهی از داده‌های پیشین مشتق شده باشد و بلاکچین نیز حذف یا اصلاح داده را دشوار کند. کلان‌داده‌ها علاوه بر حجم، از تنوع و سرعت برخوردارند و داده‌های زمانی و پویا ممکن است تنها در همان لحظه ارزش عملیاتی داشته باشند. هرکدام از این ویژگی‌ها ابزار فنی و حقوقی متفاوتی می‌طلبد.

مقاله از این طبقه‌بندی به یک نتیجه سیاستی می‌رسد: تنظیم‌گری کارآمد باید ریسک‌محور، زمینه‌محور و متناسب باشد. باز کردن همه داده‌ها به نام نوآوری می‌تواند حریم خصوصی، امنیت ملی و اسرار تجاری را تهدید کند؛ بستن همه داده‌ها نیز پژوهش، رقابت و شکل‌گیری محصولات جدید را از بین می‌برد. تعادل به معنای مصالحه مبهم میان این ارزش‌ها نیست، بلکه یعنی برای هر طبقه از داده، مالک و متولی، هدف مجاز پردازش، سطح دسترسی، مدت نگهداری، امکان انتقال، مسئولیت رخداد و شیوه نظارت روشن باشد. این چارچوب مفهومی پایه‌ای است که چهار مقاله بعدی مجموعه، بازیگران و تعارض‌های آن را بر روی آن بنا می‌کنند.

نسبت محرمانگی با استفادهٔ مجاز از داده در یادداشت گره کور داده برای هوش مصنوعی با تمرکز بر موانع حقوقی و امکان پردازش امن دنبال شده است.

مطالعه نسخه کامل در پیوست ↗