プロファイリング（情報科学）

情報科学において、プロファイリングとは、コンピュータ化されたデータ分析によって生成されたユーザープロファイルを構築および適用するプロセスを指します。

これは、データベースに集約された大量のデータからパターンや相関関係を発見できるアルゴリズムやその他の数学的手法の使用です。これらのパターンや相関関係が人物を識別または表現するために使用される場合、それらはプロファイルと呼ばれることがあります。プロファイリング技術や人口プロファイリングの議論とは別に、この意味でのプロファイリングの概念は、プロファイルの構築だけでなく、たとえば信用スコアリング、価格差別、セキュリティリスクの特定の場合など、グループプロファイルを個人に適用することにも関係しています(Hildebrandt & Gutwirth 2008) (Elmer 2004)。

プロファイリングは、詐欺防止、アンビエントインテリジェンス、消費者分析、監視などに使用されています。^[1] プロファイリングの統計的手法には、データベースにおける知識発見（KDD）が含まれます。

プロファイリングの技術的なプロセスは、いくつかのステップに分けることができます。

• 予備的な基礎:プロファイリング プロセスは、該当する問題領域の指定と分析の目標の特定から始まります。
• データ収集:分析の対象となるデータセットまたはデータベースは、既存のドメイン知識とデータ理解に照らして関連するデータを選択することによって形成されます。
• データ準備:データは、属性を排除することでノイズを除去し、複雑さを軽減するために前処理されます。
• データマイニング:データは、データ、モデル、目標に合わせて開発されたアルゴリズムまたはヒューリスティックを使用して分析されます。
• 解釈:マイニングされたパターンは、アプリケーション ドメインの専門家やプロフェッショナルによって関連性と妥当性に基づいて評価されます (例: 誤った相関関係を除外する)。
• アプリケーション:構築されたプロファイルは、たとえば人物のカテゴリに適用され、アルゴリズムをテストして微調整します。
• 機関の決定:機関は、データが関連するプロファイルと一致するグループまたは個人に適用するアクションまたはポリシーを決定します。

データの収集、準備、マイニングはすべて、プロファイルの構築段階に属します。ただし、プロファイリングはプロファイルの適用、つまりグループまたは個人の識別または分類のためのプロファイルの使用も指します。ステップ 6 (適用) に見られるように、プロセスは循環的です。プロファイルの構築と適用の間にはフィードバック ループがあります。プロファイルの解釈により、プロファイリング プロセスの特定の以前のステップを繰り返し (場合によってはリアルタイムで) 微調整することができます。プロファイルの構築にデータが使用されなかった人へのプロファイルの適用は、データ マッチングに基づいており、これにより、さらなる調整を可能にする新しいデータが提供されます。プロファイリングのプロセスは、動的かつ適応的です。プロファイリングの動的で適応的な性質をよく表しているのが、データ マイニングの業界標準プロセス ( CRISP-DM ) です。

プロファイリング技術の性質を明確にするためには、プロファイルの構築と適用の区別とは別に、異なるタイプのプロファイリング手法の間でいくつかの重要な区別をする必要があります。主な区別は、ボトムアップ プロファイリングとトップダウン プロファイリング (または教師あり学習と教師なし学習)、および個人プロファイルとグループ プロファイルです。

プロファイルは、生成方法によって分類できます (Fayyad、Piatetsky-Shapiro、Smyth 1996) (Zarsky、2002-3) 。一方では、仮説上の相関関係をテストすることでプロファイルを生成できます。これは、トップダウン プロファイリングまたは教師あり学習と呼ばれます。これは、仮説から始まり、その妥当性をテストするという点で、従来の科学研究の方法論に似ています。このタイプのプロファイリングの結果は、仮説の検証または反証です。演繹的プロファイリングとも呼ばれます。他方では、データ マイニングプロセスを使用してデータベースを探索し、データベース内で以前は仮説として立てられていなかったパターンを検出することでプロファイルを生成できます。ある意味では、これは仮説生成の問題です。つまり、予期していなかった、あるいは考えもしなかった相関関係を見つけることです。パターンがマイニングされると、それらはループに入り (上で説明)、新しいデータを使用してテストされます。これは教師なし学習と呼ばれます。 harv エラー: ターゲットがありません: CITEREFZarsky2002-3 (ヘルプ)

この区別に関して、2 つの点が重要です。まず、教師なし学習アルゴリズムは、研究者が作成した仮説や因果関係や動機関係ではなく、確率的相関関係のみに基づいた新しいタイプの知識の構築を可能にするようです。次に、教師なし学習アルゴリズムは、理論的正当性や因果関係の説明を必要としない帰納的なタイプの知識構築を可能にするようです (Custers 2004)。

一部の著者は、コンピュータによる確率的パターン認識に基づくプロファイルの適用が「機能する」、つまり将来の行動の信頼性の高い予測が可能になる場合、これらのパターンの理論的または因果的説明はもはや重要ではないと主張しています (Anderson 2008)。ただし、「ブラインド」アルゴリズムが信頼性の高い情報を提供するという考えは、情報が中立的であることを意味するものではありません。データを収集してデータベースに集約するプロセス (プロファイル構築プロセスの最初の 3 つのステップ) では、実際のイベントから機械可読データへの変換が行われます。次に、これらのデータは、初期の計算を可能にするために準備およびクレンジングされます。潜在的なバイアスは、これらのポイントと、開発されるアルゴリズムの選択で特定する必要があります。データベースからすべての可能な線形および非線形相関関係をマイニングすることは不可能であり、パターンを検索するために開発された数学的手法によって、見つけられるパターンが決まることを意味します。機械によるプロファイリングの場合、潜在的な偏見は常識的な偏見や心理学者がステレオタイプと呼ぶものから生じるのではなく、プロセスの初期段階で採用されるコンピューター技術から生じます。これらの技術は、プロファイルが適用される人々にとってはほとんど目に見えません (彼らのデータが関連するグループ プロファイルと一致するため)。

プロファイルは、それが参照する主題の種類に応じて分類する必要もあります。この主題は、個人または人々のグループのいずれかです。プロファイルが 1 人のデータで作成される場合、これは個人プロファイリングと呼ばれます (Jaquet-Chiffelle 2008)。この種のプロファイリングは、特定の個人の特定の特性を発見し、一意の識別またはパーソナライズされたサービスの提供を可能にするために使用されます。ただし、パーソナライズされたサービスは、ほとんどの場合、グループ プロファイリングにも基づいています。これにより、プロファイルが他の膨大な数の人々に関する膨大なデータに基づいて作成されたプロファイルと一致するという事実に基づいて、個人を特定のタイプに分類できます。グループ プロファイルは、宗教団体、テニス クラブ、大学、政党など、それ自体をそのようなものと見なす既存のコミュニティを参照するデータ セットのデータ マイニングの結果を参照できます。その場合、グループ (コミュニティ) のこれまで知られていなかった行動パターンやその他の特性を説明できます。グループ プロファイルは、コミュニティを形成しないが、これまで知られていなかった行動パターンやその他の特徴を共有していることが判明した人々のカテゴリを指すこともあります (Custers 2004)。その場合、グループ プロファイルは、青い目と赤い髪の女性や、比較的短い腕と脚を持つ成人など、人々のカテゴリの特定の行動やその他の特徴を説明します。これらのカテゴリは、健康リスク、収入能力、死亡率、信用リスクなどと相関関係にあることが判明する場合があります。

個人プロファイルが、それが採掘された個人に適用される場合、それは直接的な個人プロファイリングです。グループ プロファイルが、そのプロファイルと一致するデータを持つ個人に適用される場合、それは間接的な個人プロファイリングです。なぜなら、プロファイルは他の人のデータを使用して生成されたからです。同様に、グループ プロファイルが、それが採掘されたグループに適用される場合、それは直接的なグループ プロファイリングです (Jaquet-Chiffelle 2008)。ただし、グループ プロファイルをグループに適用するということは、グループ プロファイルをグループの個々のメンバーに適用することを意味するため、特にグループ プロファイルが非分散的である場合は、間接的なグループ プロファイリングと言うのは理にかなっています。

グループ プロファイルは、その分配特性によっても分類できます (Vedder 1999)。グループ プロファイルは、その特性がグループのメンバー全員に等しく当てはまる場合、分配的です。たとえば、独身者は全員未婚である、特定の遺伝子を持つ人全員が特定の病気にかかる確率が 80% であるなどです。プロファイルが必ずしもグループのメンバー全員に当てはまらない場合、非分配的です。たとえば、特定の郵便番号を持つ人のグループの平均収入能力は XX である、青い目の人のカテゴリが特定の病気にかかる平均確率は 37% であるなどです。この場合、個人が特定の収入能力を持つ可能性や特定の病気にかかる可能性は、性別、年齢、両親の経歴、以前の健康状態、教育など、他の要因によって決まることに注意してください。独身者のようなトートロジー プロファイルは別として、コンピューター技術によって生成されるグループ プロファイルのほとんどは非分配的であることは明らかです。これは、非分配的グループ プロファイルとのデータ マッチングに基づく間接的な個人プロファイリングの正確性に広範囲にわたる影響を及ぼします。正確なプロファイルを適用すると不公平になったり、不当な非難を引き起こしたりする可能性があるという事実とは別に、ほとんどのグループ プロファイルは正確ではありません。

金融分野では、金融機関がプロファイリング技術を詐欺防止や信用スコアリングに利用しています。銀行は顧客に信用を与えるリスクを最小限に抑えたいと考えています。広範なグループに基づいて、プロファイリングされた顧客には信用度を示す特定のスコア値が割り当てられます。銀行や保険会社などの金融機関も、グループプロファイリングを使用して詐欺やマネーロンダリングを検出します。取引を含むデータベースはアルゴリズムで検索され、標準から逸脱した行動、つまり潜在的に疑わしい取引が見つかります。^[2]

雇用の文脈では、プロファイルは、従業員のオンライン行動を監視して従業員を追跡したり、従業員による不正行為を検出したり、従業員のスキルをプールしてランク付けすることで人材を配置したりするために役立ちます。（Leopold＆Meints 2008）^[3]

プロファイリングは、適応型ハイパーメディアシステムの設計に介入して対話をパーソナライズすることで、職場や学習で人々をサポートするのにも使用できます。たとえば、これは注意の管理をサポートするのに役立ちます(Nabeth 2008)。

法医学では、事件や容疑者のさまざまなデータベースをリンクし、共通のパターンを探し出す可能性があります。これは、既存の事件を解決したり、潜在的な容疑者のリスク プロファイルを確立したりする目的で使用できます (Geradts & Sommer 2008) (Harcourt 2006)。

消費者プロファイリングは顧客分析の一種で、顧客データを使用して製品のプロモーション、製品の価格設定、パーソナライズされた広告に関する決定を下します。^[4]最も収益性の高い顧客セグメントを見つけることが目的の場合、消費者分析では、人口統計データ、消費者行動に関するデータ、購入した製品に関するデータ、支払い方法、アンケートを利用して消費者プロファイルを作成します。既存のデータベースに基づいて予測モデルを確立するために、データベースの知識発見（KDD）統計手法が使用されます。KDDは、類似の顧客データをグループ化して、将来の消費者行動を予測します。消費者行動を予測する他の方法には、相関関係とパターン認識があります。消費者プロファイルは、一連の属性に基づいて顧客を説明し、 ^{[5]通常、消費者は}収入、生活水準、年齢、場所に応じてグループ化されます。消費者プロファイルには、購入者の意思決定プロセスにおける顧客の動機を評価する行動属性も含まれる場合があります。消費者プロファイルのよく知られた例としては、エクスペリアンのモザイク世帯地理人口統計分類、CACIのAcorn、アクシオムのPersonicxなどがあげられる。^[6]

アンビエントインテリジェンスを備えた構築環境では、日常の物体にセンサーや埋め込みシステムが組み込まれており、物体が個人の存在やニーズを認識して対応することができます。アンビエントインテリジェンスは、自動プロファイリングとヒューマンコンピューターインタラクション設計に依存しています。^{[7]センサーは個人の行動や振る舞いを監視し、}個人データを生成、収集、分析、処理、保存します。アンビエントインテリジェンスを備えた民生用電子機器の初期の例には、モバイルアプリ、拡張現実、位置情報サービスなどがあります。^[8]

プロファイリング技術は、プライバシー、平等、適正手続き、セキュリティ、責任など、倫理的、法的、その他の多くの問題を引き起こしています。多くの著者が、半自律型プロファイリング技術に基づいて出現する可能性のある新しい技術インフラストラクチャの可能性について警告しています (Lessig 2006) (Solove 2004) (Schwartz 2000)。

プライバシーは、提起される主要な問題の 1 つです。プロファイリング技術により、個人の行動や嗜好を広範囲に監視することが可能になります。プロファイルにより、個人が自分でも気づいていない可能性のある個人情報やプライベートな情報が明らかになる場合があります (Hildebrandt & Gutwirth 2008)。

プロファイリング技術は、その性質上、差別的なツールです。プロファイリング技術は、前例のない種類の社会的選別とセグメンテーションを可能にし、不公平な影響をもたらす可能性があります。プロファイリングされた人々は、より高い価格を支払わなければならない可能性があり、^[9]重要なオファーや機会を逃す可能性があり、彼らのニーズに応えることは利益が少ないため、リスクが増大する可能性があります (Lyon 2003)。ほとんどの場合、プロファイリングの実践は目に見えないことが多く、プロファイル自体は知的財産または企業秘密によって保護されていることが多いため、彼らはこれに気付きません。これは、市民の平等と連帯に対する脅威となります。より大規模な場合、社会のセグメンテーションを引き起こす可能性があります。^[10]

プライバシーと差別禁止の潜在的な侵害の根底にある問題の 1 つは、プロファイリングのプロセスが、プロファイリングされる人々にとって目に見えないことがほとんどであることです。このため、特定のグループ プロファイルの適用に異議を唱えることが困難、あるいは不可能になるという問題が生じます。これは適正手続きの原則を乱すものです。つまり、給付の差し止めや特定のリスクの帰属の根拠となる情報にアクセスできない場合、その人は自分が扱われている方法に異議を唱えることができません (Steinbock 2005)。

プロファイルは、情報へのアクセスや使用の権限のない人の手に渡ると、不利に働く可能性があります。こうしたセキュリティ侵害に関連する重要な問題は、個人情報の盗難です。

プロファイルの適用によって損害が発生した場合、その損害に対する責任は誰が負うのかを決定する必要があります。ソフトウェア プログラマー、プロファイリング サービス プロバイダー、またはプロファイルされたユーザーのいずれが責任を負うのでしょうか。この責任の問題は、プロファイルの適用と決定も、プロファイリングに基づく自動決定の自律コンピューティングやアンビエント インテリジェンス決定のように自動化されている場合に特に複雑になります。

無料辞書『ウィクショナリー』でプロフィールを調べてください。

注釈とその他の参考資料