Verberg jezelf

Het HUMANAID-manifest

1. Draag je smartphone nooit overal gedachteloos met je mee.Een smartphone onthult voortdurend locatiegegevens, accountkoppelingen, nabijgelegen netwerken, Bluetooth-activiteit en appgedrag. Wie moeilijker detecteerbaar wil blijven, moet eerst begrijpen dat een smartphone vaak de grootste verklikker is.
2. Activeer functies alleen wanneer je ze echt nodig hebt.Laat gps, Bluetooth, wifi, NFC of mobiele data niet permanent ingeschakeld staan. Hoe minder signalen je toestel uitzendt of ontvangt, hoe minder sporen het achterlaat.
3. Gebruik zo weinig mogelijk apps en geef zo weinig mogelijk toestemmingen.Elke app kan informatie verzamelen over locatie, gewoonten, contacten of apparaatgebruik. Installeer alleen wat noodzakelijk is en trek toestemmingen in die niet essentieel zijn.
4. Gebruik niet voor alles dezelfde digitale identiteit.Eén vast account voor alle diensten maakt het gemakkelijk om gedrag, aankopen, verplaatsingen en communicatie tot één profiel te verbinden. Denk goed na voor je je leven centraliseert in één enkele identiteit.
5. Vertrouw niet volledig op digitale betalingen als privacy belangrijk voor je is.Bankapps, betaalkaarten en contactloze betalingen onthullen tijd, plaats en handelaar. Wie minder sporen wil nalaten, moet begrijpen dat betalingen even onthullend kunnen zijn als locatiegegevens.
6. Beweeg je bewust door een wereld vol camera’s.Straten, stations, winkels, appartementsgebouwen en verkeerspunten hangen vol camera’s. Ga er nooit van uit dat alleen je telefoon je kan verraden; ook je route, je voertuig, je kleding en je aanwezigheid kunnen worden vastgelegd.
7. Onthoud dat tracking ook binnenshuis gebeurt.Slimme gebouwen, badgelezers, wifi-systemen, Bluetooth-beacons, camera’s, slimme televisies, videodeurbellen en domoticasystemen kunnen allemaal onthullen waar je binnenkomt, verblijft, beweegt en vertrekt. Privacy stopt niet aan de voordeur.
8. Koppel niet al je handelingen aan klantenkaarten, reservaties en accounts.Lidkaarten, abonnementen, tickets, toegangsbadges en online reservaties maken het gemakkelijk om verplaatsingen en gewoonten te reconstrueren. Gemak is vaak de vijand van anonimiteit.
9. Ga ervan uit dat afzonderlijke sporen later gecombineerd kunnen worden.Eén camerabeeld, één betaling of één login zegt op zichzelf misschien weinig. Maar zodra die fragmenten met elkaar verbonden worden, ontstaat er een patroon. Bescherm dus niet alleen afzonderlijke handelingen, maar ook de totale vorm van je gedrag.
10. Privacy is geen schakelaar maar een discipline.Moeilijker detecteerbaar worden hangt niet af van één truc. Het vraagt consequente keuzes: minder delen, minder koppelen, minder automatiseren, standaardinstellingen minder vertrouwen en regelmatig controleren welke sporen je achterlaat.

Je bent altijd traceerbaar

Adversarial attacks: wanneer AI het verkeerde ziet

Systemen met artificiële intelligentie worden vaak voorgesteld als objectief, snel en betrouwbaar. In de praktijk zijn veel van die systemen veel fragieler dan ze lijken. Een van de duidelijkste voorbeelden van die kwetsbaarheid is de adversarial attack: een doelbewuste manipulatie van invoergegevens waardoor een machine-learningmodel een fout maakt. Bij computer vision kan dat betekenen dat een model een stopbord verkeerd leest, een gezicht niet detecteert of met grote zekerheid een object classificeert als iets wat het niet is.

Op een basaal niveau maken adversarial attacks gebruik van het feit dat moderne modellen beelden niet “begrijpen” zoals mensen dat doen. Een mens kan een bord, gezicht of voertuig nog altijd herkennen wanneer een deel ervan beschadigd of bedekt is. Een neuraal netwerk kan daarentegen afhankelijk zijn van fragiele patronen in pixelwaarden en interne combinaties van kenmerken. Kleine of lokale veranderingen kunnen het model daardoor naar een verkeerde voorspelling duwen. In digitale omgevingen zijn die veranderingen soms bijna onzichtbaar. In fysieke omgevingen zijn ze vaak wel zichtbaar, zoals een geprinte patch, een afschermend accessoire of een oppervlaktemotief dat ontworpen is om classificatie te beïnvloeden.

Onderzoekers maken meestal een onderscheid tussen digitale adversarial examplesen fysieke adversarial examples. Een digitale aanval wijzigt het afbeeldingsbestand rechtstreeks. Een fysieke aanval verandert de echte scène: een sticker op een object, een patroon op kleding, een patch op een accessoire of een andere ingreep die later door de camera wordt vastgelegd. Fysieke aanvallen zijn moeilijker om consequent uit te voeren, omdat ze effectief moeten blijven onder verschillende kijkhoeken, lichtomstandigheden, camerasensoren en afstanden. Daarom besteden recente surveys veel aandacht aan robuustheid in de echte wereld en aan overdraagbaarheid.

Een veelbesproken subtype is de adversarial patch. In tegenstelling tot kleine, nauwelijks zichtbare ruis die over een hele afbeelding verspreid is, gebruikt een patch-aanval een lokale, zichtbare aanpassing die een model toch kan misleiden. Dat is belangrijk omdat patches makkelijker te printen en in echte omgevingen te gebruiken zijn. In de literatuur zijn patch-aanvallen bestudeerd tegen beeldclassificatoren, detectoren en gezichtsherkenningssystemen, juist omdat ze praktisch genoeg zijn om ernstige zwaktes in ingezette AI-systemen bloot te leggen.

Gezichtsherkenning is een bijzonder gevoelig domein. Studies en surveys beschrijven fysieke aanvallen met accessoires, afscherming, lichtpatronen of adversarial patches die bedoeld zijn om de herkenningsnauwkeurigheid te verlagen of misidentificatie te veroorzaken. Tegelijk beïnvloeden gewone factoren zoals maskers, zonnebrillen, houding, onscherpte en belichting de prestaties van gezichtsherkenning al. Met andere woorden: gezichts-AI faalt niet alleen onder kwaadaardige manipulatie; ze kan ook achteruitgaan onder alledaagse omstandigheden in de echte wereld.

Dit heeft twee belangrijke gevolgen. Ten eerste tonen adversarial attacks echte veiligheidsproblemen aan in AI-systemen die gebruikt worden voor transport, surveillance, authenticatie en veiligheidskritieke toepassingen. Ten tweede is niet elke mislukte herkenning een adversarial attack. Sommige fouten worden gewoon veroorzaakt door occlusion, problemen met beeldkwaliteitof distribution shift, de kloof tussen trainingsdata en de echte wereld. Goede technische teksten maken daarom onderscheid tussen deze concepten in plaats van adversarialals verzamelterm te gebruiken.

Door die risico’s zijn verdedigingsmaatregelen een belangrijk onderzoeksdomein geworden. Veelgebruikte strategieën zijn adversarial training, data-augmentatie, betere controles op invoerkwaliteit, verificatie via meerdere invalshoeken of sensoren, patchdetectie en strengere evaluatie onder realistische omstandigheden. Surveys stellen consequent dat geen enkele verdediging op zichzelf volstaat. Robuustheid hangt af van systeemontwerp, de kwaliteit van trainingsdata, operationele controles en voortdurende tests tegen nieuwe aanvalspatronen.

De bredere les is dat AI-visiesystemen niet zomaar software zijn; ze maken deel uit van een sociaal-technische omgeving. Hun betrouwbaarheid hangt af van camera’s, verlichting, positionering, menselijk gedrag, datakwaliteit en veiligheidsaannames. Adversarial attacks zijn niet alleen belangrijk omdat ze opzettelijk kunnen worden ontworpen, maar ook omdat ze blootleggen hoe broos veel “intelligente” systemen nog altijd zijn. Als AI gebruikt wordt voor belangrijke beslissingen, moeten ontwikkelaars en instellingen die systemen evalueren onder echte omstandigheden en druk, in plaats van ervan uit te gaan dat goede benchmarkresultaten automatisch betrouwbaarheid in de echte wereld betekenen.

Veilige manieren om je digitale en fysieke vindbaarheid te verminderen

Het is mogelijk om je zichtbaarheid op wettige en privacyvriendelijke manieren te verlagen zonder identificatiesystemen te proberen omzeilen. In de praktijk gaat privacy meestal over moeilijker profileerbaar, scrapebaar en achteloos lokaliseerbaar worden, niet over volledig onzichtbaar worden.

Een praktische privacygerichte aanpak begint met het verkleinen van je digitale voetafdruk aan de bron. Verwijder oude accounts die je niet meer gebruikt, verwijder ongebruikte apps en stop met het delen van identificerende details zoals je geboortedatum, thuisadres, telefoonnummer, reisplannen of routines. De Electronic Frontier Foundation biedt nuttige richtlijnen voor het beheren van je digitale voetafdruk op de gids van EFF over je digitale voetafdruk.

Het is ook belangrijk om onnodige blootstelling van je locatie uit te schakelen. Zet geotagging uit in camera- en sociale apps, beperk locatietoestemmingen tot alleen wanneer een app in gebruik is en vermijd realtime berichten vanaf je huidige locatie. Richtlijnen van het Britse Information Commissioner’s Office vind je op de online privacyrichtlijnen van het ICO.

Beveilig je sociale profielen waar mogelijk. Maak accounts privé, verberg contactgegevens, bekijk oude berichten opnieuw, verwijder openbare volgerslijsten en vraag vrienden om je niet zonder toestemming in openbare inhoud te taggen. Deze stappen maken je niet onzichtbaar, maar ze verlagen wel je toevallige vindbaarheid.

Een andere belangrijke stap is om je, waar mogelijk, uit te schrijven bij databrokers en people-searchsites. Een groot deel van persoonlijke vindbaarheid komt niet van je eigen inhoud, maar van aggregatie door derden. Door de verspreiding van je gegevens over die diensten te beperken, kun je je zichtbaarheid aanzienlijk verminderen.

Je moet ook je gegevensrechten gebruiken waar dat van toepassing is. In het VK en de EU kan bijvoorbeeld het recht op gegevenswissingin sommige situaties helpen, al is dat recht niet absoluut. Meer informatie vind je op de ICO-richtlijn over het recht op gegevenswissing.

Een andere goede gewoonte is om identiteiten per context te scheiden. Gebruik verschillende e-mailadressen voor winkelen, nieuwsbrieven, professionele communicatie en persoonlijke contacten. Vermijd het hergebruik van dezelfde gebruikersnaam op verschillende platformen. Herhaling maakt platformoverschrijdende vindbaarheid veel gemakkelijker.

Sterke accountbeveiliging is ook belangrijk. Gebruik unieke wachtwoorden, een wachtwoordmanager en tweefactorauthenticatie. Oude e-mailaccounts die nog altijd aan diensten gekoppeld zijn, kunnen je blootstelling stilletjes vergroten als ze gehackt worden of onbeheerd blijven.

Je kunt ook doorzoekbare openbare registers zoveel mogelijk beperken, waar dat wettig en mogelijk is. Gebruik bijvoorbeeld, wanneer passend, een zakelijk adres of postbus voor publiek werk in plaats van een thuisadres. Controleer gidsvermeldingen, oude biografieën en openbare profielen op verouderde details die verwijderd of bijgewerkt kunnen worden.

Fysieke of analoge zichtbaarheid speelt ook een rol. Vermijd het vermelden van je volledige naam, telefoonnummer of privé-adres op deurbellen, pakketten, openbare prikborden of voertuigstickers, tenzij dat noodzakelijk is. Versnipper papierwerk met persoonsgegevens en wees voorzichtig met geprinte badges, lidkaarten en materialen die je werkplek of dagelijkse routine onthullen.

De meest doeltreffende privacymaatregelen zijn meestal eenvoudig en consequent. Denk in lagen in plaats van in absolute termen: minder openbare identificatoren, minder gekoppelde accounts, minder routinematig oversharen en meer bewuste controle over de gegevens die je achterlaat.

Kernbegrippen

• Adversarial attack: een doelbewuste manipulatie die bedoeld is om een AI-systeem iets verkeerd te laten classificeren of interpreteren.
• Adversarial example: de gewijzigde invoer zelf.
• Adversarial patch: een lokale zichtbare aanpassing, vaak bestudeerd in scenario’s uit de fysieke wereld.
• Occlusion: een situatie waarin een deel van een object of gezicht bedekt is, zonder dat dit noodzakelijk adversarial is.
• Distribution shift: het verschil tussen trainingsdata en omstandigheden in de echte wereld.

Praktische privacychecklist

1. Verwijder ongebruikte accounts en apps.
2. Verwijder persoonlijke gegevens uit openbare profielen.
3. Schakel onnodig delen van locatie en geotagging uit.
4. Maak socialemedia-accounts privé waar mogelijk.
5. Gebruik aparte e-mailadressen voor verschillende contexten.
6. Schakel tweefactorauthenticatie in en gebruik unieke wachtwoorden.
7. Schrijf je uit bij databrokers en people-searchsites.
8. Controleer openbare gidsvermeldingen en verouderde biografieën.
9. Vermijd het afdrukken van onnodige persoonlijke informatie op fysieke materialen.
10. Denk in lagen en verminder je zichtbaarheid stap voor stap.