Stap 5

5.1 Vragen

In stap 3 hebben we het gehad over data en de AVG en over data-ethiek. Dit deel gaat over de data zelf – het genereren van data, de mate van invasiviteit, voorbeelden van data-architectuur en de meerwaarde van visualisaties en dashboards. Enkele overwegingen in dit deel zijn:

• Hoe invasief is de technologie die je gebruikt en heb je deze technologie echt nodig?
• Hoe maak je de 0-meting en hoe bepaal je aan de hand daarvan of je project de juiste impact heeft?
• Verzamel je alleen de data die je nodig hebt om je probleem op te lossen, of meer? Zo ja, waarom?
• Hoe kun je de hoeveelheid data die je in de openbare ruimte verzamelt zo klein mogelijk houden?
• Kun je een sensing-test, -project of -oplossing implementeren die niet alleen toezicht houdt, maar ook transparant en inclusief is?
• Zijn de juiste beveiligingsmaatregelen getroffen om de data te beschermen tegen hackers en/of ongeoorloofd gebruik?
• Is jouw organisatie gemachtigd om te acteren op de door jouw gegeneerde data?

5.2 Het genereren van data in de openbare ruimte

Het is belangrijk om de juiste keuze te maken met betrekking tot hard- en software. Er zijn veel verschillende aanbieders die sensoren aanbieden met dezelfde functionaliteit. De apparaten die je gaat gebruiken en de data die ze produceren moeten in verhouding staan tot hun invasiviteit. Verderop vind je een lijst van verschillende technologieën en het type data dat ze verzamelen.

IoT Interactieve omgevingen

Internet of Things (oftewel IoT) is een verzamelterm die wordt gebruikt wanneer objecten interacteren met het internet. Vanuit het perspectief van de Responsible Sensing Toolkit moet je vooral denken aan IoT-omgevingen waar sensoren geplaats in de openbare ruimte worden gebruikt om data te genereren over de fysieke wereld en de mensen die zich hierin begeven. In het IoT Interaction Ecosystyem Venn-diagram (zie hieronder) visualiseren we de complexe relatie tussen mensen, data en objecten en IoT.

5.2.1 Invasiviteitsmatrix

De Invasiviteitsmatrix laat de diverse soorten data zien die verschillende sensor-technologieën genereren. De figuur geeft een overzicht van de tech-oplossingen die biometrische data creëren naast anonieme data en locatiedata.

5.2.2 Soorten sensoren en visualisaties

Elk soort sensor verzamelt verschillende soorten data. Als je deze (soms subtiele) verschillen leert doorgronden, ontstaat er een beter begrip over hoe je de data zodanig kunt verwerken dat je gewenste resultaat behaalt. Zonder te technisch te worden, beschrijven we hieronder enkele basisbegrippen van drie verschillende sensoren. De voorbeelden laten zien dat de verwerkingstechnologie die achter een sensor schuilgaat een groot verschil maakt wat betreft de waarde en invasiviteit van de data.

Voor een algemeen overzicht van sensoren, zie paragraaf 3.2 Technische keuzes.

5.2.3 Dataverwerking

Als je gebruikmaakt van 'sensing' in de stad, wil je dat op verantwoorde wijze doen. Je wilt er zeker van zijn dat je appparaten de data nauwkeurig en veilig verzamelen. Je houdt de ISO-normen aan en handelt volgens de AVG. De reden waarom je in de openbare ruimte gegevens verzamelt en wat je daarmee doet, is echter groter dan slechts verzamelen, verwerken en opslaan. Wanneer je data visualiseert en deelt, kan dit beslissingen onderbouwen en ten gunste zijn van het algemeen belang.

5.2.4 Data-architectuur

Het schema hieronder laat een basale data-architectuur rondom sensing zien. Het biedt een overzicht van de verschillende onderdelen en hoe deze samenwerken. De sensoren die de data verzamelen, sturen deze door naar een back-end, waar de data wordr verwerkt, opgeslagen en vervolgens opgesplitst om naar verschillende front-ends te versturen. In dit simpele voorbeeld wordt de data daarna gevisualiseerd en gedeeld.

Ieder project werkt volgens een andere architectuur. Denk aan databescherming en privacy wanneer je je architectuur ontwerpt. Stel jezelf vragen als: wie heeft toegang tot de data? Is het systeem gevoelig voor hackers? Probeer voorbereid te zijn op het zwartste scenario.

Het Crowd Monitoring Systeem Amsterdam (CMSA) is een stadsbreed programma dat in Amsterdam is geïmplementeerd om inzicht te krijgen in de drukte en de bevolkingsdichtheid in de stad. Dit systeem gebruikt verschillende sensoren en voegt de data samen, hetgeen inzichten oplevert die de stad veiliger en aangenamer maken. Het CMSA gebruikt privacy-by-design-principes en heeft als partner bijgedragen aan de Responsible Sensing Toolkit. De architectuur van het systeem is een goed voorbeeld van hoe verschillende apparaten verspreid over de stad data naar een centraal dashboard sturen waar ambtenaren op basis van deze data kunnen handelen. 

Bekijk de privacyverklaring van de gemeente Amsterdam over het CMSA.

5.2.5 Wanneer data bruikbaar wordt

Het genereren van data met sensoren is één ding. Het wordt pas echt waardevol wanneer mensen, op de juiste locatie op het juiste moment, horen hoe zij zelf een positieve verandering teweeg kunnen brengen of invloed kunnen uitoefenen op hun omgeving door deel te nemen in platforms of te interacteren met de sensoren. Deze interacties creëren en verrijken data op hun beurt. We noemen deze interacties tussen data, mensen en omgeving ‘feedback loops’. Dit het punt waarop data bruikbaar en waardevol wordt.

Internet of Things (IoT)-apparaten meten verschijnselen in de fysieke wereld die als ‘sense-data’ invloed heeft in de sociale wereld. In deze sociale wereld vind interactie plaatsvindt tussen mensen en deze data via Internet of Services (IoS)-platforms. In deze interacties word gedragsdata gecreëerd die kan worden gebruikt als input voor keuzes in de fysieke wereld. Dit kan weer veranderingen teweeg brengen in de fysieke wereld. ‘Machine to Machine’ (M2M)-interactie draagt ook bij aan deze continue feedback loop die datawaarde genereert. 

Een voorbeeld van een interactieve feedback loop die sensoren in de openbare ruimte gebruikt is Shuttercam. Dit project geeft burgers de mogelijkheid de videocamera in een park af te sluiten als men privacy wil. Een ander voorbeeld is een camera die mensen erop alert maakt dat ze niet voldoende afstand houden (volgens de aanbevolen 1,5 meterregel) in de openbare ruimte. Deze en andere voorbeelden worden in de volgende secties nauwkeuriger uiteen gezet.

5.2.6 Datavisualisatie

Visualisaties zijn misschien wel de belangrijkste manier om impact te creëren met de data die je in de publieke ruimte verzamelt. Hiermee kun je betekenis geven aan data en het verhaal vertellen hoe de stad hiermee verbeterd kan worden. Enerzijds wil je de stakeholders waardevolle inzichten geven waarmee beslissingen in beleid en stedelijk ontwerp kunnen worden onderbouwd. Tegelijkertijd wil je het publiek inzicht geven over wat hun data betekent en aangeven hoe dit gebruikt wordt in hun voordeel. Hieronder staan enkele voorbeelden van visualisaties.

5.2.7 Data en publieksinteractie

Shuttercamproject

Hoe weet je wanneer een camera jou ‘ziet’? Het Shuttercamproject is gebaseerd op het principe dat burgers niet direct kunnen zien of weten wanneer een camera in de openbare ruimte hen monitort en wanneer niet. Het project trekt tevens de noodzaak in twijfel om camera's die er niet uit veiligheidsoverweging hangen continu te laten monitoren.

Voor meer informatie ga je naar de Shuttercam projectpagina.

Fitnesstuin van de toekomst

Het coronavirus is niet alleen een bedreiging gebleken voor de publieke gezondheid, maar ook voor persoonlijke fitheid. Leden van sportscholen werden naar buiten gedwongen als veiliger alternatief voor indoor workouts en trainingen. Welke veilige faciliteiten kunnen we tijdens de pandemie bieden in de openbare ruimte op het gebied van sport en welzijn? In Amsterdam creërden Tapp en het Marineterrein Living Lab de Future Fitness Garden om de afstand tussen sporters te meten en laten zien door creatief en interactief sensorgebruik.

Een volledige uitleg en video vind je op de Tapp website.

Open Ears

Geluidsoverlast is een groot probleem in de stad. Maar om dit probleem te tackelen, moet je er eerst achter zien te komen wie of wat het geluid veroorzaakt. Op het Marineterrein worden momenteel testen uitgevoerd met een sensor die geluiden kan classificeren en zo de bron van het geluid kan identificeren. Dit gebeurt met technologie die oorspronkelijk in de jungle werd gebruikt tegen stropers. 

Meer informatie vind je op de Sensing Clues website.