Articles

Key and Surface Tracking Comes to Chrome

,

This week Google announced further details of its plan to remove cookies from ad tracking. The strategy, which the ad giant expects to be fully implemented by 2022, has come about due to increasingly stringent privacy laws in a growing number of territories around the globe.

Google’s first step was the announcement in January of FLoC (Federated Learning of Cohorts). Google itself is still testing and fine-tuning the system, but in essence, Google will replace 3rd-party cookies in Chrome with groups of anonymized users.

Critics of the plan have questioned whether users will be genuinely anonymous or whether Google will be tracking individuals to group them properly. The answer came earlier this week in a low-key announcement of KaST.

What is KaST?

KaST (Key and Surface Tracking) is the first iteration of Google’s new tracking technology. It works entirely without cookies and is fully device-agnostic.

The technology behind KaST is surprisingly old. It was first trialed in 1987 as a simple process for auditing the input of stenographers. Although the latest version of the technology draws heavily on voice recognition software algorithms, the original version of KaST — software named TAAA (Typist Account Accuracy Audit) — predates modern voice recognition by at least two years.

KaST uses…biomechanical and cognitive patterns, identifying individual users based on their keystrokes.

Just as your voice has a unique, identifiable modulation — anyone who uses telephone banking will be familiar with speaking their password — so too does your biomechanical input.

When you type on a keyboard or a touchscreen, the force, speed, and accuracy with which you hit characters are dependent on two things: your cognitive process and the unique biomechanics of your hands (the bones, ligaments, and muscles).

For example, when I type WordPress, I almost always type it as WordPRess (with a capitalized R). That is one facet of my combined biomechanical and cognitive process.

KaST uses keyboards and touch screens to track combined biomechanical and cognitive patterns, identifying individual users based on their keystrokes.

Mobile Approaches to KaST

KaST is heavily reliant on BMaC (Bio-Mechanical and Cognitive) input. Although Google hasn’t released any data to support the accuracy of KaST, BMaC is known to be surprisingly accurate.

Reports suggest that the KaST algorithm is 89.7% effective for character strings of 12 characters or more, leaping to 97.6% for 19 characters or more on a single device. That makes it too inaccurate for high-end processes like security but well within the necessary margin of error for a non-critical process like serving ads.

Google will be able to identify you on any machine, on any device, in any context, as soon as you type 19 characters or more

When switching to a touch-screen device, the accuracy plummets to just 87.8%. This may be one reason Google has been low-key in its trumpeting of the new technology so far.

According to TechBeat, initial trials of the tri-axis position of a device (X, Y, and Z rotation) were abandoned as inaccurate. Still, even without those additional tracking signals, Google claims KaST on mobile will achieve ~94% accuracy by the 1st quarter of 2022.

What Does KaST Mean for Users?

Much like many of the algorithms that govern our daily lives, KaST will be largely invisible to most of us. Unlike cookies that can be legislated for and removed from a local machine, your BMaC is as inescapable as your DNA.

Where privacy concerns really grow is that your BMaC follows you from device to device. How you type at home is identical to how you type at work. Your personal and professional profiles are now instantly connectable; Google will be able to identify you on any machine, on any device, in any context, as soon as you type 19 characters or more.

KaST Prompts Pre-M1 MacBook Rush

Within 24 hours of KaST’s announcement, Apple stores were reporting rush orders of pre-M1 MacBook Pros. With some stores reportedly selling out late on Wednesday.

The rush came in the wake of a Reddit post — that has since been removed — that claimed that the notoriously bad butterfly keyboard on pre-M1 MacBook Pros circumvented KaST because the inaccuracy of the keystrokes, and the tendency of the keys to stick introduced a random element that disguised the end-user from the KaST algorithm.

Although the Reddit post is unsubstantiated, it transpires that M1 Mac owners may not be the lucky ones after all.

Should You Worry About KaST?

Advocates maintain that KaST — and Google’s wider FLoC strategy — are beneficial to users and the web as a whole. They claim that identifying users without 3rd party cookies does more to protect privacy than hinder it.

Opponents argue that in a digital world rife with user tracking, privacy compromises of this magnitude cannot be contemplated simply to enable more sophisticated ad-serving.

Despite KaST’s early stages of development, privacy concerns are mounting, and a campaign has been launched to regulate Google’s use of the technology.

Source

The post Key and Surface Tracking Comes to Chrome first appeared on Webdesigner Depot.


Source de l’article sur Webdesignerdepot

/par

L’expérience client future : les clients deviennent contributeurs

, ,

Les entreprises créent des plateformes ouvertes qui permettent aux clients de participer à tous les aspects de l’expérience, à la fois de manière active et de manière passive.

Le succès des plateformes ouvertes

Les clients ne se contentent plus d’être de simples consommateurs de biens et services, ils font partie intégrante du business model. Lorsqu’ils contribuent à la conception, production, commercialisation et utilisation de produits et services, la participation des clients est active. Quand ils acceptent de laisser les entreprises utiliser leurs données pour formuler et fournir des produits et services qui leur sont destinés, elle est passive.

Quoi qu’il en soit, les entreprises ne peuvent survivre sans créer des plateformes de données qui encouragent à la fois la participation active et passive des clients au développement de produits, de services et à l’expérience globale. Contrairement aux référentiels de données classiques qui ne servent qu’aux entreprises, ces plateformes ouvertes offrent de la valeur aussi bien aux clients qu’à l’entreprise.

Par exemple, plutôt que de devoir atteindre attendre la prochaine version d’une application de suivi alimentaire ou de cuisine, les clients ont accès à des plateformes ouvertes où les utilisateurs peuvent ajouter de nouveaux aliments, de nouveaux produits et de nouvelles recettes que d’autres personnes peuvent rechercher et utiliser. Les entreprises agroalimentaires et culinaires boostent la fidélité des clients et parviennent à développer leur plateforme de manière exponentielle, ce qui nécessite que très peu d’investissements supplémentaires.

Toutes ces données offrent aux entreprises agroalimentaires des informations inestimables sur la façon et l’endroit les plus adaptés pour développer leur activité. La plateforme devient le socle de l’entreprise et fournit une visibilité incroyablement riche sur le client, ce qui permet de définir une orientation
stratégique pour l’avenir.

D’autres entreprises, comme les fournisseurs de matériels agricoles ou fabricants de réacteurs d’avions, créent également des plateformes qui surveillent leur utilisation et encouragent la participation. Au fur et à mesure que ces plateformes deviennent plus intelligentes et que de nouvelles fonctionnalités sont ajoutées, la participation devient plus facile, créant ainsi un cercle vertueux. En échange de leur créativité et de leur expertise, les clients s’attendent à recevoir de meilleurs produits et services, bien sûr, mais apprécient aussi le statut, la reconnaissance, le sentiment d’appartenance et le sens issus de leur contribution à quelque chose qui leur tient à cœur.

Les clients s’attendent de plus en plus à contribuer à leur expérience des quatre façons suivantes :

En tant qu’utilisateurs

Les entreprises les plus performantes intègrent désormais les données client à l’expérience client, ce qui permet aux clients d’en tirer directement parti. Avant, par exemple, les montres connectées constituaient à elles seules l’expérience. Aujourd’hui, ce sont des dispositifs d’entrée qui alimentent les plateformes de données afin que les clients puissent profiter d’expériences beaucoup plus riches qu’ils ne pourraient le faire avec le dispositif seul (par exemple, records personnels, concours collectifs, rencontres et partage d’itinéraires).

En tant que créateurs

Les entreprises mettent des plateformes numériques à disposition du client pour libérer son imagination. Plutôt que de laisser les clients attendre la prochaine version de leur jeu vidéo, par exemple, les éditeurs créent des plateformes ouvertes sur lesquelles les joueurs peuvent créer de nouveaux niveaux et modules à destination de toute la communauté. D’autres permettent aux clients de suggérer de nouveaux concepts de produits.

En tant que producteurs

Les clients contribuent activement à la fabrication de produits. Par exemple, si les systèmes d’énergie renouvelable permettent aux clients qui produisent de l’électricité excédentaire de la vendre au réseau, les fournisseurs de repas en ligne livrent quant à eux aux clients des ingrédients et instructions pour qu’ils préparent eux-mêmes leurs repas à la maison (quoi de plus important qu’un repas fait maison et pris en famille ?).

En tant que soutiens

Les clients privilégient de plus en plus les entreprises qui leur permettent d’être actifs, de participer visiblement aux trois 3 R (réduction, réutilisation et recyclage) et à des programmes de recommerce (ou commerce inversé) (9). Les produits pouvant être facilement reconvertis, revendus, démontés et recyclés donnent satisfaction aux personnes préoccupées par le changement climatique, d’autant plus que les trois R sont en train de devenir un enjeu moral pour un nombre croissant de clients (voir « Les valeurs définissent la valeur »).

Quelles sont les étapes suivantes pour votre entreprise ?

Créez de la valeur à partir de la participation passive

Généralement, les clients acceptent de fournir leurs données en échange de valeur, surtout s’ils n’ont rien à faire. Par exemple, après avoir obtenu l’autorisation des clients d’accéder à leurs données bancaires et de carte de crédit, les sociétés financières utilisent des algorithmes de Machine Learning, des outils d’analyse et d’immenses référentiels de données pour créer des rapports d’investissement pertinents, sans que les clients n’aient à bouger le petit doigt.

De la livraison de produits finis à la mise à disposition de plateformes ouvertes

Appréhendez les clients comme de véritables partenaires, capables de participer à n’importe quelle étape de la chaîne de valeur. Donnez-leur les moyens d’agir avec une partie du produit, comme des jeux vidéo en ligne ouverts ou des services de repas qui permettent aux clients de préparer eux-mêmes leur repas. Engagez-vous dans un concept de copropriété à long terme en collaborant avec vos clients et d’autres entreprises, et en prenant soin de vos clients.

Expliquez la contrepartie

Expliquez clairement au client la valeur qu’il reçoit en échange de ses contributions à la chaîne valeur. L’expression créative, les liens communautaires, la reconnaissance et les expériences personnalisées, en plus de la valeur du produit lui-même, sont des exemples de ce que les clients pourraient obtenir.

Publié en anglais sur insights.sap.com

Références

(9) Alissa Marchat, “Consumers Prefer Reverse Vending Machines for Bottle Recycling, Survey Finds,” The Shelby Report, April 27, 2018, http://www.theshelbyreport.com/2018/04/27/consumer-recycling- preference-survey/. Brandon Gaille, “27 Recommerce Industry Statistics and Trends,” Brandon Gaille, January 22, 2018, https://brandongaille.com/27-recommerce-industry-statistics-and-trends/.

The post L’expérience client future : les clients deviennent contributeurs appeared first on SAP France News.

Source de l’article sur sap.com

/par

7 Essential Tools for a Competent Data Scientist

,

A data scientist extracts manipulate and generate insights from humongous data. To leverage the power of data science, data scientists apply statistics, programming languages, data visualization, databases, etc.

So, when we observe the required skills for a data scientist in any job description, we understand that data science is mainly associated with Python, SQL, and R. The common skills and knowledge expected from a data scientist in the data science industry includes – Probability, Statistics, Calculus, Algebra, Programming, data visualization, machine learning, deep learning, and cloud computing. Also, they expect non-technical skills like business acumen, communication, and intellectual curiosity.

Source de l’article sur DZONE

/par

Parallel Grid Search in H2O

,

H2O is, at its core, a platform for distributed, in-memory computing. On top of the distributed computation platform, machine learning algorithms are implemented. At H2O, we design every operation, be it data transformation, training of machine learning models, or even parsing to utilize the distributed computation model. In order to work with big data fast, it’s necessary.

However, a single operation usually can not utilize clusters’ computational resources to the very maximum. Data needs to be distributed across the cluster, and many operations require sequential execution of tasks, which, even if implemented in a distributed manner, follow after each other and require data exchange. These and many other smaller factors, if summed up together, may introduce a significant overhead.

Source de l’article sur DZONE

/par

La Création De Valeur À Partir Des Données De L’Automatisation

,

Selon l’ 2019 Gartner quatrième rapport annuel de Chief Data Officer (CDO) de l’Enquête, la mise en œuvre d’une base de données et d’analyse de la stratégie a été classé comme le troisième plus important facteur de succès quand il s’agit d’un CDO de l’organisation.

Quand il s’agit de données, nous sommes tous conscients des quatre « Vs » — variété, de la vitesse, de la véracité et de volume – pourtant, pour de nombreuses organisations, leur entreposage de données de l’infrastructure n’est plus équipés pour y faire face. En outre, la valeur, la cinquième « V », est encore plus insaisissable. Donc, en tenant compte de l’ampleur de données que de nombreuses entreprises modernes ont signifie que répondre à ces défis exige une nouvelle approche de l’automatisation en cours de la fondation.

Source de l’article sur DZONE

/par

A Complete Guide To Math And Statistics For Data Science

,

As Josh Wills once said,

“Data Scientist is a person who is better at statistics than any programmer and better at programming than any statistician.”

Math and Statistics for Data Science are essential because these disciples form the basic foundation of all the Machine Learning Algorithms. In fact, Mathematics is behind everything around us, from shapes, patterns, and colors, to the count of petals in a flower. Mathematics is embedded in each and every aspect of our lives.

Source de l’article sur DZONE

/par

Top 10 Reasons to Learn R

,

The R programming language is one of the most popular programming languages right now. As such, the comparison is quite often made between R and other popular programming languages, such as R vs. Python and R vs. Matlab.

R has an exhaustive number of packages. It is open source and completely free to use. Active community support for the statistical programming language is also available. These are just some of the several reasons to get started with R today.

Source de l’article sur DZONE

/par

Tableau + R: Back Your Data Visualizations With Statistical Testing

,

To speak bluntly, when it comes to its visualization capabilities, Tableau, while it appears so promising, astonishingly lacks in its ability to integrate seamlessly with statistical, hypothesis-driven testing. You may be let down constantly if you feel the need to not only visualize but compare your set of observations between groups on hard statistical grounds.

Hence, one must admit that there is still a strong value gap between visualization tools like Tableau, and pure statistical software such as Minitab, SPSS, SAS, and, of course, the humble yet tremendously powerful and open source workhorse, R.

Source de l’article sur DZONE

/0 Commentaires/par

Top 10 Machine Learning, Deep Learning, and Data Science Courses for Beginners (Python and R)

, ,

Data Science, Machine Learning, Deep Learning, and Artificial Intelligence are really hot at this moment and offering a lucrative career to programmers with high pay and exciting work. It’s a great opportunity for programmers who are willing to learn these new skills and upgrade themselves. It’s also important from the job perspective because Robots and Bots are getting smarter day by day, thanks to these technologies and most likely will take over some of the jobs which many programmers do today. Hence, it’s important for software engineers and developers to upgrade themselves with these skills. Programmers with these skills are also commanding significantly higher salaries as data science is revolutionizing the world around us. Machine Learning specialist is one of the top paid technical jobs in the world. However, most developers and IT professionals are yet to learn these valuable set of skills.

For those, who don’t know what is a Data Science, Machine Learning, or Deep Learning, they are very related terms with all pointing towards machine doing jobs which is only possible for humans till date and analyzing the huge set of data collected by modern day application.


Source de l’article sur DZONE (AI)

/0 Commentaires/par

Python vs. R: Which Should You Choose For Your Next ML Project?

, ,

Data science is all about capturing data in an insightful way, whereas Machine Learning is a key area of it. Data science is a fantastic blend of advanced statistics, problem-solving, mathematics expertise, data inference, business acumen, algorithm development, and real-world programming ability. And Machine Learning is a set of algorithms that enable software applications to become more precise in predicting outcomes or take actions to separate it without being explicitly programmed.

The distinction between data science and Machine Learning is a bit fluid, but the main idea is that data science emphasizes statistical inference and interpretability, while Machine Learning prioritizes predictive accuracy over model interpretability. And for both data science and Machine Learning, open source has become almost the de facto license for innovative new tools.


Source de l’article sur DZONE (AI)

/0 Commentaires/par