Detectie- en Monitoringalgoritme Digitale Economie
- Publicatiecategorie
- Overige algoritmes
- Impacttoetsen
- Veld niet ingevuld.
- Status
- In gebruik
Algemene informatie
Thema
Begindatum
Contactgegevens
Verantwoord gebruik
Doel en impact
De markten waar de ACM toezicht op houdt worden steeds meer digitaal. Om goed toezicht op deze digitale markten te kunnen houden is het Detectie- en Monitoringsalgoritme Digitale Economie ontwikkeld. Dit algoritme geeft een goed beeld van de actuele onderwerpen die op de digitale markt spelen. Als uit verder onderzoek blijkt dat het nodig is kan de ACM ingrijpen. Dit kan door extra uitleg te geven, een waarschuwing te geven, een bindende aanwijzing te verstrekken, een last onder dwangsom op te leggen, of een boete op te leggen. Met dit algoritme draagt de ACM bij aan een gezonde economie door markten goed te laten werken voor alle mensen en bedrijven, nu en in de toekomst.
Afwegingen
Het aantal meldingen van bedrijven en consumenten over de digitale markt dat de ACM ontvangt, is laag. De ACM kan dus niet alleen afgaan op deze meldingen als het goed toezicht wil houden op of bedrijven zich aan de regels houden. De ACM ziet dat er op veel websites meldingen worden gemaakt over de digitale markt. Deze meldingen kunnen helpen om trends, ontwikkelingen en problemen in de digitale markt te ontdekken.
Menselijke tussenkomst
De informatie die dit algoritme geeft, wordt door inspecteurs beoordeeld en als dat nodig is verder onderzocht. Er is dus altijd sprake van menselijke tussenkomst omdat iemand de informatie controleert. De informatie die het algoritme geeft leidt op zichzelf niet tot het nemen van maatregelen, maar kan wel een reden voor de ACM zijn om verder onderzoek te doen naar een mogelijke overtreding van de wet.
Risicobeheer
De informatie die dit algoritme geeft, is één van de vele bronnen die de ACM gebruikt om toezicht te houden. Inspecteurs controleren altijd of de informatie relevant en betrouwbaar is. De uitkomsten van het algoritme worden gemonitord en op basis van de resultaten en nieuwe inzichten kan het algoritme worden aangepast.
Werking
Gegevens
Online bronnen
Technische werking
Deze tool omvat eigenlijk twee algoritmes. Om data inzichtelijk te maken wordt gebruik gemaakt van een tagging-algoritme. Dit algoritme analyseert en categoriseert de verzamelde informatie door deze te taggen op basis van vooraf gedefinieerde zoektermen. Deze zoektermen zijn door inspecteurs van ACM geselecteerd als relevant voor het ACM-toezicht. Het tagging-algoritme doorzoekt de dataset en identificeert elk bericht dat een relevante zoekterm bevat. Dit stelt inspecteurs in staat om snel inzicht te krijgen in de voor hen interessante onderdelen van de data. Nadat de data is getagd, wordt de informatie gepresenteerd in een dashboard. Op dit dashboard worden de berichten die relevante tags bevatten per tag weergegeven. Inspecteurs kunnen deze tags verder filteren op basis van datum, bron, of door specifieke zoektermen in te voeren. Dit dashboard biedt een overzichtelijke en gebruiksvriendelijke weergave van de getagde data, waardoor inspecteurs gemakkelijk toegang hebben tot de informatie die voor hen van belang is.
Daarnaast wordt gebruikt gemaakt van een topic modeling algoritme om de overkoepelende onderwerpen te identificeren binnen een verzameling berichten. Topic modeling is een algoritme dat wordt gebruikt om abstracte onderwerpen te identificeren binnen een verzameling van documenten. Het proces begint met het converteren van tags naar zogenaamde "sentence embeddings", wat een reeks getallen is die de betekenis van de tags vertegenwoordigt. Vervolgens wordt gekeken naar hoe deze reeksen getallen het beste gegroepeerd kunnen worden, waarbij de berichten die het dichtst bij elkaar liggen qua getallen in logische groepen worden geplaatst en geclusterd tot onderwerpen. Het model weet zelf topics te ontdekken binnen een verzameling van teksten en kan eigenhandig thema’s identificeren. Hierdoor kan exploratief worden vastgesteld welke onderwerpen en eventuele marktproblemen spelen. Het algoritme maakt gebruik van een large language model om zelf onderwerpen te ontdekken en trends te bepalen op basis van de beschikbare informatie. Per forum worden de topics door een algoritme toegekend aan stukken tekst. Het proces van topic modeling omvat twee belangrijke stappen: het gebruik van het onderliggende model en het clusteren van de documenten. Hoe meer data er beschikbaar is, hoe beter de clusters kunnen worden gevormd en hoe nauwkeuriger de onderwerpen kunnen worden geïdentificeerd.