1 Big Data-analyses en predictive policing in het veiligheidsdomein: data-analyse in de strafrechtelijke praktijk

1.3 Het gebruik van Big Data in het veiligheidsdomein: data-analyse in de Nederlandse strafrechtelijke praktijk

1.3.1 Het netwerk iRN en iColumbo

Een in Nederland gebruikt systeem voor datamining is iColumbo, een instrument om (groepen van) personen te profileren en systematisch op geautomatiseerde wijze data betreffende personen of groepen via internet te verzamelen, te analyseren en te presenteren aan opsporingsinstanties.[1] iColumbo is een product van het Internet Recherche & Onderzoek Netwerk (iRN). Het iRN is een netwerkinfrastructuur voor de opsporing van strafbare feiten via internet, die de opsporingsinstanties de mogelijkheid biedt om met een afgeschermd IP-adres onderzoek in open internetbronnen uit te voeren. De doelen van iColumbo zijn het via internet opsporen van ‘doelwitten’ en het verzamelen van (eventueel) bewijsmateriaal: aan de hand van geanalyseerde data wordt ‘verdacht gedrag’ via internet gedetecteerd; de opsporingsinstantie wordt daarbij van ondersteunend bewijsmateriaal voorzien.[2]

 

De opsporingsambtenaar kan in iColumbo een zoekterm invoeren, bijvoorbeeld de naam van een te onderzoeken persoon, waarna crawlers, internetrobots, continu het internet afspeuren; de gevonden data worden vervolgens opgeslagen.[3] Deze opslagplaats voor ‘crawlresultaten’ kan worden getypeerd als een ‘Warehouse’. De fase van de inzet van de crawlers en de opslag van de gevonden data, samen ondergebracht in een ‘Web Observatie Framework’, gaat vooraf aan de eigenlijke analyse van de data. Zodra de data in het Warehouse van iColumbo zijn ververst, worden deze doorgestuurd naar het Realtime Analyse Framework (RAF) met de naam Fietstas. Eerdere Big Data-analyses stimuleren het zelflerende vermogen[4] van de algoritmen waaruit Fietstas is opgebouwd. Kenmerkend aan iColumbo is dat gericht op persoonsgegevens kan worden gezocht in het kader van ‘Person of interest profiling’.[5] ‘Persons of interest’ kunnen personen zijn die eerder zijn vervolgd of veroordeeld voor een delict. Tijdens de fase van de inzet van crawlers kunnen specifiek namen van personen worden opgegeven en in Fietstas kunnen relaties van de opgegeven personen worden gegenereerd.[6] De inzet van patroonherkenning kan volgens de WRR tot gevolg hebben dat ook gegevens van burgers die géén object van onderzoek of opsporing zijn, onderdeel worden van het profileringsproces.[7]

Wat maakt iColumbo een gewilder instrument dan de menselijke speurkwaliteit? Ten eerste de efficiëntie: webcrawlers kunnen continu sociale platforms als Facebook en Linkedin, zoekmachines, maar ook webpagina’s als Telefoongids.nl afspeuren. Ten tweede heeft iColumbo de mogelijkheid om actuele gegevens te vergelijken met oude gegevens die in een database zijn opgeslagen.[8] De ‘menselijke crawler’ kan weliswaar een heel eind komen, maar het is niet realistisch om te verwachten dat een mens ontelbare hoeveelheden actuele gegevens continu vergelijkt met een database vol met nog eens ontelbare hoeveelheden oudere data. Volgens het ontwerp van iColumbo is het bovendien de bedoeling dat de ‘collectieve intelligentie’ wordt vergroot, doordat iColumbo automatisch zoekt en analyseert, waarna de gebruiker de resultaten deelt met het systeem en met andere gebruikers. De ambitie met iColumbo is om met Person of interest profiling het ‘criminele’ gedrag van onderzochte personen te voorspellen.

1.3.2 Big Data-analyse aan inbeslaggenomen gegevensdragers: Hansken

Hansken, sinds 2015 de opvolger van Xiraf, de zoekmachine van het Nederlands Forensisch Instituut, verwerkt e-mailberichten, chatgesprekken, foto’s uit de internetopslag en GPS-gegevens.[9] Hansken maakt het mogelijk om digitaal bewijsmateriaal veilig te stellen. De Big Data-analyse vind plaats op multimediale voorwerpen die in beslag zijn genomen, zoals mobiele telefoons, computers, harde schijven en andere gegevensdragers.[10] Het onderzoek wordt uitgevoerd via het iRN-netwerk.[11] Met Hansken kunnen versleutelde berichten worden ontcijferd en met datasets kan de zoekmachine worden getraind om bepaalde categorieën data te herkennen.[12] In de demo is te zien dat Hansken afbeeldingen categoriseert, de locaties van data met coördinaten in kaart brengt, ruispatronen leert herkennen en mailberichten (inclusief verwijderde berichten) blootlegt.[13] De beoordeling van het materiaal komt uiteindelijk aan op de menselijke interpretatie door ervaren rechercheurs.

Hansken is een techniek die wordt ingezet bij de verzameling van strafrechtelijk bewijs. Het is de uiteindelijke bedoeling van de ontwerper om op grond van inbeslaggenomen data de bewijskracht van voorgestelde scenario’s van een misdrijf te berekenen.[14] De juridische basis wordt gevormd door de bepalingen over inbeslagneming ten behoeve van de strafvordering (artikel 134 Sv). Hansken wordt in de regel uitgevoerd op elektronische gegevensdragers. Het ‘Hanskenonderzoek’ wordt niet gereguleerd door een specifiek wettelijk kader, maar het ontbreken van een specifieke wettelijke grondslag voor het onderzoek hoeft geen onderzoekstechnische drempel te zijn voor Hansken.[15] Ook elektronische gegevensdragers, zoals computers en telefoons, kunnen als ‘voor beslag vatbare voorwerpen die kunnen dienen om de waarheid aan het licht te brengen’ in de zin van artikel 94 Sv worden aangemerkt.[16] Voor de waarheidsvinding mag onderzoek worden gedaan aan inbeslaggenomen voorwerpen om gegevens voor het strafrechtelijk onderzoek te krijgen. In de jurisprudentie wordt aangenomen dat op elektronische gegevensdragers opgeslagen data niet van dit onderzoek zijn uitgezonderd.[17] Een kwestie van andere orde is, of artikel 94 Sv een voldoende grondslag vormt om een inmenging in het privéleven van de betrokkene te rechtvaardigen als met het Hansken een compleet beeld wordt verkregen van het leven van de gebruiker van de gegevensdrager.[18] Op die onderliggende kwestie zal in hoofdstuk 4 uitvoerig worden ingegaan.
 
1.3.3 Automatic Number Plate Recognition (ANPR)

Het WODC omschrijft Automatic Number Plate Recognition (ANPR) als een techniek waarmee kentekens van rijtuigen met behulp van camera’s automatisch worden gelezen. In real-time worden de kentekens vergeleken met een referentielijst, die kentekens bevat van gestolen voertuigen, voertuigen die bij een misdrijf zijn gebruikt of van voertuigen van personen die door de politie worden gezocht.[19] Het Real Time Intelligence Center kan in de ANPR het kenteken van een gestolen auto opgeven en bij het traceren van het voertuig een melding doorzetten om ontdekking van de diefstal op heterdaad mogelijk te maken. Is een delict gepleegd met een gestolen voertuig, dan kunnen UMTS-data van de route die het gestolen voertuig heeft afgelegd worden geanalyseerd om de mobiele telefoon van de inzittende(n) te traceren.

ANPR kan worden ingezet om verdacht gedrag te profileren. Real-time alerting met behulp van iTrechter houdt in dat opsporingsambtenaren op grond van ervaringsregels gedragspatronen samenstellen, die zij in de applicatie van ANPR laden, waarna de ANPR overeenkomsten met deze gedragspatronen meldt. Een ‘parkeerplaatshopper’, de automobilist binnen korte tijd naar verschillende parkeerplaatsen langs een bepaalde route verplaatst, kan volgens het gedragspatroon in ANPR worden geprofileerd als mogelijke ladingdief.

ANPR is niet alleen een Big Data-analysemethode om op basis van historische gegevens (tijdstippen, locaties, kentekens) de opsporing van begane delicten te ondersteunen, het instrument kan ook worden ingezet als intelligence led-methode. In een praktijkvoorbeeld van het WODC worden Oost-Europese chauffeurs die ’s nachts met een gehuurde auto op bedrijventerreinen arriveren, geprofileerd in het kader van de opsporing van inbrekers die op bedrijventerreinen toeslaan. Autoverhuurders geven kentekens van auto’s die zij verhuurd hebben aan Oost-Europeanen, door aan het dataverwerkingscentrum van de politie. In de Secure Lane worden burgers ingeschakeld om observaties uit te voeren zodra een aan de hand van het kenteken van de huurauto geïdentificeerde Oost-Europeaan het bedrijventerrein op komt rijden. De private toezichthouders geven de data van hun observatieapparatuur (opgeslagen beveiligingsbeelden) door aan het dataverwerkingscentrum. Het doel van alle manieren waarop ANPR wordt ingezet, van real-time herkenning en alerting tot profilering, is het vergroten van de efficiëntie van de inzet van politieambtenaren bij de opsporing van delicten.

1.3.4 Raffinaderij

In 2011 is de Raffinaderij, een programma voor datagedreven rechercheren (IGP) geïntroduceerd naar aanleiding van het Holitna-onderzoek.[20] Onder het sinds 2014 geldende motto ‘Gegevens zijn de kern’ worden in de Raffinaderij data afkomstig uit verschillende Big Data-analysemethoden bijeengebracht;[21] het gaat onder meer om data afkomstig van onderzoek aan in beslag genomen gegevensdragers in Hansken, telefoontaps, internetdata, en gegevens van ANPR. Het is niet de bedoeling om de Raffinaderij in te zetten voor profilering en risicotaxatie. Evenmin is het de bedoeling om ongerichte datamining geautomatiseerde besluitvorming toe te passen in de Raffinaderij.[22] De uitgangspunten van de Raffinaderij verschillen daarmee met die van iColumbo, waar ongerichte datamining wel kan worden uitgevoerd. De Raffinaderij is een middel om analyses te verfijnen en om patronen tussen (reeds geanalyseerde) data bloot te leggen; de analyses worden in real-time aan de opsporingsambtenaren aangeboden, om een proactieve opsporing mogelijk te maken.[23]

---

[1] WRR, Big Data in een vrije en veilige samenleving, Den Haag/Amsterdam 2016, p. 44; E.J. Koops e.a, Juridische scan open brononderzoek. Een analyse op hoofdlijnen van de juridische aspecten van de iRN/iColumbo-infrastructuur en HDIeF-tools, Tilburg: TILT 2012, p. 7.

[2] Te raadplegen via https://www.nctv.nl/binaries/deel-projectvoorstel-ontwikkeling-icolumbo-alternatief_tcm31-30337.pdf.

[3] S. Brinkhoff, ‘Datamining in een veranderende wereld van opsporing en vervolging’, Tijdschrift voor Bijzonder Strafrecht en Handhaving 2017/12-4, p. 225.

[4] P. de Beijer, ‘Internet gedreven innoveren vergroot veiligheid’, Magazine nationale veiligheid en crisisbeheersing, 2013/2, p. 18.

[5] E.J. Koops e.a, Juridische scan open brononderzoek. Een analyse op hoofdlijnen van de juridische aspecten van de iRN/iColumbo-infrastructuur en HDIeF-tools, Tilburg: TILT 2012, p. 12.

[6] Activiteit 4 van ‘iRN Open Internet Monitor Netwerk’, via https://www.nctv.nl/binaries/deel-projectvoorstel-ontwikkeling-icolumbo-alternatief_tcm31-30337.pdf.

[7] WRR, Big Data in een vrije en veilige samenleving, Den Haag/Amsterdam 2016, p. 72.

[8] S. Brinkhoff, ‘Big Data datamining door de politie: ijkpunten voor een toekomstige opsporingsmethode’, NJB 2016/5-20, p. 1401.

[9] https://nl.linkedin.com/jobs/view/forensische-lead-software-engineer-hansken-at-ministerie-van-justitie-en-veiligheid-351619758.

[10] https://www.forensischinstituut.nl/forensisch-onderzoek/h/hansken (laatstelijk geraadpleegd op 19 juni 2019).

[11] https://www.politieacademie.nl/onderwijs/onderwijsaanbod/pages/opleiding.aspx?code=9303705 (laatstelijk geraadpleegd op 19 juni 2019).

[12] ‘Boevenberichten ontsleuteld’, Opportuun 2 mei 2018-02.

[13] ‘Bits en bites toegankelijk voor tactiek’, Blauw 30 april 2016-04, p. 32-37.

[14] ‘Bij het NFI kan Harm van Beek écht met de inhoud aan de slag’, Nederlands Forensisch Instituut, https://www.forensischinstituut.nl/over-het-nfi/werken-bij-het-nfi/worden-zij-jouw-nieuwe-collegas/harm-van-beek.

[15] Vgl. Rb. Amsterdam, 19 april 2018, ECLI:NL:GHAMS:2018:2504 (Onderzoek Tandem II-dataset in Hansken), r.o. 3.10.

[16] Gerechtshof Amsterdam, 13 november 2015, ECLI:NL:GHAMS:2015:5007.

[17] HR 29 maart 1994, ECLI:NL:HR:1994:AD2076.

[18] HR 4 april 2017, ECLI:NL:HR:2017:588 (Onderzoek Smartphone), r.o. 2.6.

[19] G. Homburg e.a., ‘ANPR: Toepassingen en ontwikkelingen’, eindrapport WODC 2016, p. 11.

[20] M. den Hengst, T. ten Brink en J. ter Mors, ‘Informatiegestuurd politiewerk in de praktijk’, Politieacademie 2017, p. 254.

[21] S. den Hengst en I. Walraven, ‘Datagovernance bij de Rijksoverheid’, RADIO-Module 2 oktober 2018, presentatie via https://www.it-academieoverheid.nl/documenten/presentaties/2018/10/02/presentatie-politie-over-data-governance-bij-de-rijksoverheid, slides 26 en 40.

[22] M. den Hengst, T. ten Brink en J. ter Mors, ‘Informatiegestuurd politiewerk in de praktijk’, Politieacademie 2017, p. 257.

[23] Vgl. https://socialmediadna.nl/informatiegestuurd-politiewerk-in-de-praktijk/ (geraadpleegd op 21 juni 2019).

1 Big Data-analyse: voorspellende algoritmen, datamining, Machine Learning en Deep Learning

1.1 Inleiding

In dit hoofdstuk geef ik een nadere, maar niet-uitputtende definitie van Big Data. Dat doe ik aan de hand van een plaatsbepaling van de verschillende relevante begrippen die samenhangen met het fenomeen ‘Big Data-analyse’ (1.2). Cruciaal zijn begrippen als algoritmen en datamining (1.2.2). Ik licht met het instrument ‘iColumbo’ toe hoe datamining vorm krijgt bij het profileren van personen met behulp van Big Data (1.3.1). Vervolgens leg ik uit wat predictive policing inhoudt en geef ik specifieke voorbeelden van de toepassing van Big Data in de strafrechtspraktijk.

1.2 Plaatsbepaling van Big Data-analyse en voorspellende algoritmen

1.2.1 Big Data: een verkenning

Het is niet eenvoudig om een definitie te geven van ‘Big Data’. De term doet vermoeden dat de hoeveelheid data doorslaggevend is om te kunnen spreken van ‘Big’ Data. Deze kwantiteit, het Volume, is weliswaar een belangrijke factor,[1] maar minstens vier andere te onderscheiden a variabelen, de ‘V’s’, zijn volgens de IBM datahub[2] en IBM Watson indicatief.[3] Variety duidt op de verscheidenheid aan gegevens en de verschillende bronnen waaruit deze gegevens afkomstig zijn. De Variety draagt bij aan het Volume, zo zorgt de verwevenheid van technologische producten (mobiele telefoons, computers en huishoudelijke apparaten die via applicaties met het internet en onderling zijn verbonden) voor een toename van de hoeveelheid data. Die verwevenheid wordt omschreven als het concept ‘Internet of Things’, ‘IoT’.[4] Velocity heeft betrekking op de (toenemende) snelheid waarmee nieuwe data worden gecreëerd en de benodigde snelheid om deze data te verwerken en te analyseren binnen een tijd die de werkelijke tijd van de creatie van de data zo dicht mogelijk benadert, ‘real-time’. Een voorbeeld van de wisselwerking van Velocity en Volume is een Unified Computing System (UCS), waarbij tachtig professionele servers per domein binnen een netwerk van duizenden servers een zo groot mogelijke hoeveelheid data in real-time analyseren en opslaan.[5] Met een UCS wordt de kans op verlies van data, onder andere door overschrijving te voorkomen, tot nihil gereduceerd.[6] Veracity verwijst naar de accuraatheid, het waarheidsgehalte, van de gegevens. Het samenspel van variabelen heeft een doel en dat is om Value, gebruikswaarde, aan de geanalyseerde data te kunnen ontlenen.[7] 

Binnen het strafrecht is de Value het verkrijgen van betrouwbaar bewijsmateriaal dat kan worden ingezet in het proces van strafrechtelijke vervolging en (eventuele) berechting van de betrokkene. De strafrechtelijke Value met betrekking tot predictive policing is een betrouwbare risicotaxatie op het gebied van delictsincidentie. Idealiter wordt prescriptive policing mogelijk gemaakt: op basis van een betrouwbare risicotaxatie kan de meest efficiënte inzet van mankracht en middelen worden bepaald, om delicten te voorkomen óf om delicten op heterdaad te ontdekken (artikel 128 Sv).

Opgemerkt moet worden dat het aan het karakter van Big Data inherent is om geen sluitende definitie te kunnen geven. De hoeveelheid data blijft immers toenemen.[8] De Koninklijke Nederlandse Akademie van Wetenschappen komt met een voor de strafrechtelijke handhaving relevante verfijning van het begrip ‘Big Data’. Zo omschrijft zij Big Data niet als gegeven, maar als geconstrueerd, omdat besluitvorming omtrent observaties maakt dat gegenereerde data het gevolg zijn van een afweging; ook wijst de KNAW erop dat Big Data in de praktijk uit tot personen herleidbare gegevens bestaan, waaronder medische gegevens, gegevens over etniciteit, geografische coördinaten en DNA-gegevens.[9]

1.2.2 Algoritmen en datamining, Machine Learning, Deep Learning en K.I./A.I

De Wetenschappelijke Raad voor het Regeringsbeleid vat het Big Data-proces samen in drie fasen: de verzameling, de analyse en het gebruik van data.[10] Om de verzamelde willekeurige of ongestructureerde data en relevante data te schiften, moet een analytisch instrument worden ingezet. De hoeveelheid data moet niet alleen worden verkleind, maar ook worden verfijnd om tot een specifieker resultaat te komen. Daarvoor kan gebruik worden gemaakt van een zogenaamd ‘Warehouse’, een digitale verzameling data afkomstig uit diverse bronnen. Om te voorkomen dat voorspellende algoritmen worden getraind met verouderde data en om het risico op inaccurate voorspellingen (vals-positieven) te verkleinen, dienen de data te worden ververst en in omvang te worden beperkt, ofwel: garbage out.[11] Met een dergelijk ‘digitaal warenhuis’ als referentiepunt kunnen correlaties tussen data worden ontdekt. Over de duur van het bewaren van persoonsgegevens in een Warehouse is niets bekend; op grond van het voormelde zal het waarschijnlijk gaan om een onbepaalde duur, behoudens de verversing. 

Een belangrijke stap in het ontdekken van correlaties tussen datasets is ‘Knowledge Discovery of Databases’, of ‘datamining’.[12] Statistical Analysis System (SAS) omschrijft datamining als ‘het proces waarbij naar anomalieën, patronen en correlaties wordt gezocht, om een bepaalde uitkomst te kunnen voorspellen’.[13] De voorloper van datamining is ‘machine learning’, een door Samuel op de kaart gezette techniek die inhoudt dat algoritmen op basis van statistische gegevens worden getraind.[14] Formules worden ingegeven om algoritmen te ontwikkelen, trainingsets van data worden als ‘input’ gegeven en het resultaat ervan wordt als ‘output’ verstrekt. Algoritmen krijgen de opdracht om het verband tussen input en output te leggen en zichzelf te evalueren. De uitkomst van deze feedback wordt gebruikt om patronen te herkennen.[15] Deze vorm, ‘supervised machine learning’ is bij uitstek geschikt om data te classificeren: algoritmen categoriseren data naar het voorbeeld van vooraf verstrekte, gelabelde datasets en leren om data te ‘labelen’, ofwel een bepaalde eigenschap toe te kennen.[16] Als een plaatje van een ploertendoder als input en een vergelijkbaar plaatje met de titel ‘ploertendoder’ als output wordt verstrekt, leren de algoritmen om plaatjes van ploertendoders te classificeren. 

Bij een andere vorm van machine learning, ‘unsupervised machine learning’, ontbreekt het voorbeeld van gelabelde datasets. Algoritmen leggen patronen tussen ongestructureerde data. Unsupervised machine learning wordt gebruikt om ongestructureerde data te clusteren, in te delen naar overeenkomsten zonder een bepaald label te gebruiken.[17] De algoritmen plaatsen bijvoorbeeld allerlei plaatjes van ploertendoders in één omgeving, maar weten niet hoe deze wapens heten. Dat maakt unsupervised machine learning ongeschikt voor profilering, waarbij niet alleen relaties moeten worden gegenereerd, maar ook namen en classificaties (bijvoorbeeld ‘fraud!’) zullen moeten worden verbonden aan het resultaat. Een subvorm van machine learning is deep learning, het via een gelaagde neurale structuur ontdekken van complexe patronen in grote hoeveelheden data.[18] Het onderscheidende aan deep learning is de behoefte aan forse ‘computational power’ voor het uitvoeren van een complexe taak; één neurale laag kan uit wel vierhonderd processoren bestaan.[19] 

Machine learning en deep learning vallen onder het onderzoeksgebied van de Kunstmatige Intelligentie (K.I.), met dien verstande dat K.I. geen synoniem is voor machine learning. Kunstmatige Intelligentie bestudeert het vermogen van computers om autonoom complexe taken uit te voeren en probleemoplossend te werk te gaan.[20] 

Algoritmen zijn de moleculen van alle vormen van kunstmatige intelligentie. Een algoritme kan worden omschreven als een formule, een eindige reeks die ingegeven data (bijvoorbeeld door opdrachten in zoekmachines, muisklikken en het bezoeken van webpagina’s gegenereerd) omzet in ‘output’, een bepaald resultaat. Algoritmen liggen ten grondslag aan de automatisering van processen, waaronder datamining. Kenmerkend van door Big Data gedreven algoritmen is dat géén hypotheses worden ingegeven. Het doel is niet om een bepaalde verwachting te toetsen, maar om correlaties tussen verschijnselen te ontdekken.[21] Dat maakt dat de causaliteit van een gebeurtenis in de fase van de datamining buiten beschouwing blijft. Het verklaren van de oorzaak van een bepaald verschijnsel (een auto verschijnt volgens een nummerplaatherkenningssysteem bijvoorbeeld iedere nacht bij een loods op een industrieterrein en blijft daar tot in de vroege ochtend staan; later wordt een drugslab in de loods ontmanteld, waarvan akte door de opsporingsambtenaren is opgemaakt) voorbehouden aan de fase van het gebruik van de data, zoals duidelijk wordt gemaakt op de wervingspagina van de Politie voor data scientists, onder het kopje ‘Input voor het basisteam’.[22]

---

[1] F.L. Leeuw, ‘Legal Big Data en wet- en regelgeving: perspectieven en uitdagingen’, RegelMaat 2019/34-1, p. 10.

[2] Een hub is een verbindingspunt binnen het digitale netwerk. Een voorbeeld is een ‘domme hub’ die alle gegevens die binnenkomen van één apparaat, naar alle punten in een netwerk doorzendt en   insluipers zo op de wenken bedient.

[3] Vgl. https://www.ibm.com/blogs/watson-health/the-5-vs-of-big-data  en https://www.ibmbigdatahub.com/infographic/four-vs-big-data, laatstelijk geraadpleegd op 17 mei 2019.

[4] De term is afkomstig van Massachusetts Institute for Technology, zie https://www.technologyreview.com/business-report/the-internet-of-things en http://web.mit.edu/professional/digital-programs/courses/IoT/phone/index.html. De ontwikkeling wordt onder meer gestimuleerd door IBM Watson IoT, zie https://internetofthings.ibmcloud.com.

[5] Vgl. https://www.cisco.com/c/en/us/solutions/data-center-virtualization/big-data/index.html (laatstelijk geraadpleegd op 20 mei 2019).

[6] Vgl. voor een commerciële toepassing van UCS door Cisco, https://www.cisco.com/c/dam/en/us/products/collateral/servers-unified-computing/ucs-c-series-rack-servers/whitepaper-ucs-big-data.pdf (de informatie heb ik uit de rechterkolom op de tweede pagina van de whitepaper).

[7] Voor een economische uitleg van de doelstelling ‘Value’ vgl. https://www.ibmbigdatahub.com/infographic/extracting-business-value-4-vs-big-data, geraadpleegd op 19 mei 2019.

[8] A. de Vries, ‘Predictive Policing: een overzicht’, 25 april 2016, geraadpleegd via https://socialmediadna.nl/predictive-policing-overzicht/.

[9] KNAW, Big Data in wetenschappelijk onderzoek met gegevens over personen, advies 2018, p. 19.

[10] WRR, Big Data in een vrije en veilige samenleving, Den Haag/Amsterdam 2016, p. 27.

[11] B. Mali, C. Bronkhorst-Giesen en M. den Hengst, Predictive Policing: lessen voor de toekomst. Een evaluatie van de landelijke pilot (2017), p. 91-92; ‘Machine Learning in Information Security: Where the Hype Ends’, Cisco White Paper 2018, p. 3.

[12] R. Sietsma, Gegevensverwerking in het kader van de opsporing. Toepassing van datamining ten behoeve van de opsporingstaak: afweging tussen het opsporingsbelang en het recht op privacy, (diss. Universiteit Leiden), Leiden (2006), p. 23

[13] https://www.sas.com/nl_nl/insights/analytics/data-mining.html (geraadpleegd op 20 mei 2019).

[14] Vgl. https://cs.stanford.edu/memoriam/professor-arthur-samuel.

[15] Vgl. https://www.sas.com/nl_nl/insights/analytics/machine-learning.html (laatstelijk geraadpleegd op 20 mei 2019).

[16] Cisco Innovation Labs: How machine learning finds network trouble faster than anyone, via https://www.cisco.com/c/m/en_us/network-intelligence/service-provider/digital-transformation/get-to-know-machine-learning.html (laatstelijk geraadpleegd op 26 mei 2019).

[17] ‘Machine Learning in Information Security: Where the hype ends’, Cisco Whitepaper 2018, via https://www.cisco.com/c/dam/en/us/products/collateral/security/white-paper-c11-741159.pdf (geraadpleegd op 24 mei 2019).

[18] Vgl. https://machinelearningmastery.com/what-is-deep-learning/ (laatstelijk geraadpleegd op 26 mei 2019).

[19] Expanding deep learning, via https://www.umass.edu/research-report/expanding-deep-learning (geraadpleegd op 26 mei 2019).

[20] Definitie ontleend aan de informatie van de Universiteit van Massachusetts, faculteit Kunstmatige Intelligentie, via https://www.cics.umass.edu/research/area/artificial-intelligence (laatstelijk geraadpleegd op 26 mei 2019).

[21] T. Calders & B.H.M. Custers, ‘What is data mining and how does it work?’, in: B.H.M.

Custers e.a. (red.), Discrimination and privacy in the information society, Heidelberg:

Springer 2013, p. 27-28; G.H. Evers, ‘In de schaduw van de rechtsstaat: profilering en nudging door de overheid’, Computerrecht 2016/84-3, p. 167.

[22] Vgl. https://it.kombijdepolitie.nl/predictive-policing (laatstelijk geraadpleegd op 21 mei 2019).

Straatverkoper met vergunning kan ook malafide zijn

Ik mag u verblijden met drie jaar lang gratis de krant!
'Mevrouw, we mogen de mensen in deze stad drie jaar lang gratis de krant geven'...
Ik maak het nooit mee dat een straatverkoper aan mij vraagt of ik een gratis Telegraaf wil, maar ben er wel getuige van dat mensen worden verleid om toe te happen.

Zoals ik u vorig jaar berichtte, proberen straatverkopers u er met behulp van allerlei tactieken toe te verleiden om een overeenkomst aan te gaan, bijvoorbeeld met een energiemaatschappij, of om een abonnement te nemen op een krant of tijdschrift, terwijl u daar helemaal geen behoefte aan hebt.
Complimentjes, het gebruik van demonstratiemateriaal, tablets, cadeautjes of vragen moeten u in de stemming brengen, zodat u er gemakkelijker van te overtuigen bent dat u een fantastische aanbieding voorgeschoteld krijgt. U bent niet verplicht om op straatverkopers in te gaan, u hoeft niet beleefd te blijven en al helemaal niet te reageren op pogingen om u aan te spreken, want u hebt nergens om gevraagd. Als u behoefte hebt aan informatie over een abonnement of product, dan kunt u die informatie zelf wel vinden! Neemt u de moeite om 'nee' te zeggen, dan is nee ook echt nee en hoort u niet lastiggevallen te worden met een weerwoord of een 'ja, maar...'

Alertheid blijft belangrijk bij zowel gewenste als ongewenste benadering door straatverkopers. Meestal wordt de consument gewaarschuwd voor malafide verkopers, oplichters die de deuren langsgaan zonder dat zij over een vergunning beschikken. Dit wekt de indruk dat straatverkopers met een vergunning wel betrouwbaar zijn. Ik benadruk dat u waakzaam moet blijven: een verkoper die een vergunning heeft kan zich namelijk ook van malafide verkooptrucs bedienen!

Ik kreeg de vraag voorgelegd, of het is toegestaan dat straatverkopers (mét vergunning) die zich ophouden voor de winkel, een 85-jarige vrouw vertellen dat zij drie jaar lang een gratis abonnement op een tijdschrift krijgt, als ze haar personalia en bankrekeningnummer maar geeft, of dat dezelfde straatverkopers mogen mededelen dat uitgerekend dit winkelend publiek wordt verblijd met drie jaar lang gratis bezorging van roddelblaadjes. Ik kan er kort over zijn: ongeacht de leeftijd van de consument, riekt dit naar misleidende verkoop. Ik vind het wel heel kwalijk dat straatverkopers in ouderen kennelijk een 'kwetsbare doelgroep' zien en hen daarom proberen te lokken met listige verkooppraatjes.

Wat kunt u doen tegen misleidende en agressieve verkoop (op straat)?
Hebt u het vermoeden dat u bent misleid bij het aangaan van een abonnement/overeenkomst op straat, of bent u agressief benaderd? Dan hebt u verschillende mogelijkheden tot uw beschikking. U hebt recht op ontbinding van de overeenkomst, u kunt de overeenkomst vernietigen wegens dwaling en u kunt misleidende verkooptrucs melden aan de ACM.

1. Ontbinden van de overeenkomst
U hebt het recht om de overeenkomst zonder opgave van redenen, binnen een termijn van 14 dagen te ontbinden (art. 6:230o BW). Dit ontbindingsrecht geldt ook wanneer u niet bent misleid! De termijn van 14 dagen is in eerste instantie dan ook bedoeld om de overeenkomst te overdenken. Voldoet de verkoper niet aan zijn plicht om u te informeren over uw rechten, dan hebt u tot 12 maanden de tijd om de overeenkomst te ontbinden (art. 6:230o lid 2 BW).

2. Vernietiging overeenkomst
Een overeenkomst die tot stand is gekomen met behulp van misleiding, kan door u worden vernietigd. U kunt eventueel geïncasseerde bedragen storneren.

3. Meld misleidende verkooptrucs
U kunt misleidende straatverkoop melden aan de Autoriteit Consument & Markt (ACM). Dit doet u via ConsuWijzer. Helaas geeft de ACM géén inzicht over hoe uw klacht wordt afgehandeld. U krijgt dus geen terugkoppeling over de aanpak van het bedrijf dat zich schuldig maakt aan misleiding.

4. Informele aanpak: meld uw klacht op een daartoe bestemde website
Weet u dat veel grote (commerciële) bedrijven mensen in dienst nemen om dagelijks het internet af te speuren in de zoektocht naar slechte recensies en klachten over het bedrijf? Om die reden kan het raadzaam zijn om uw klacht kenbaar te maken, bijvoorbeeld via consumentensites zoals Radar, Kassa, Klacht.nl en de Consumentenbond. Medewerkers van consumentensites kunnen proberen om uw klacht informeel af te handelen, bijvoorbeeld door contact op te nemen met het bedrijf. Wordt vervolgens geen actie ondernomen, dan kan uw klacht via social media worden doorgezet.

Formuleer uw klacht wel zo nauwkeurig mogelijk: u kunt aangeven op welke wijze u bent aangesproken door een medewerker van een bepaalde marketingorganisatie, in welke plaats en ten behoeve van welk bedrijf deze marketingmedewerker u iets probeerde te verkopen/heeft verkocht. Noem op internet geen namen van straatverkopers, zeg dus niet: "Meneer Peters probeerde mij een roddelblad aan te smeren". Uiteraard kunt u de naam van de straatverkoper wel doorgeven in een formele klacht, gericht aan de ACM!

Het kan zijn dat eerdergenoemde 'internetspeurders' namens hun bedrijf de opdracht krijgen om uw klacht te ontkennen. Laat u zich niet afpoeieren. U kunt zeggen dat u weet dat diegene door het bedrijf wordt ingezet om uw ervaringen te ontkennen of af te zwakken, maar dat u er toch werk van wilt maken.