Suchergebnisse

This book serves as a guide to understanding the dynamics of AI in human contexts with a specific focus on the generation, sharing, and consumption of misinformation online. How do humans and AI interact? How is AI shaping our understanding of ourselves and our societies? What are the interaction mechanisms that govern how humans and algorithms contribute to misinformation online? And how do we bridge the gap between ethical considerations and practical realities to make responsible, reliable systems? Exploring these questions, the book empowers humans to make AI design choices that allow them meaningful control over AI and the online sphere. Calling for an interdisciplinary approach toward human-misinformation algorithmic interaction that focuses on building methods and tools that robustly deal with complex psychological/social phenomena, the book offers a compelling insight into the future of AI-based society. Dr. Shin is a Chair and Professor at the College of Media and Communication at Texas Tech University. He was the founding Chair of the Department of Interaction Science, an industry-academia research initiative sponsored by Samsung and the Ministry of Education in Korea. He was awarded an Endowed Distinguished Professorship by the Ministry of Education in Korea and a SKK Endowed Chair (2010-2016)

Aus der Einleitung: 'In der Online-Welt steht der Konsument vor einem neuen Problem: Die Geschäftszeiten sind zwar uneingeschränkt und die riesige Produktauswahl lässt beinahe keine Wünsche mehr offen, doch dämpft häufig ein erschlagendes Zuviel an Angeboten und Informationen die Kauflust.' (Bernfried Howe, Experte für Personalisierung und Integration, RedDot Solutions). Die Personalisierung von Dienstleistungen ist für Unternehmen wichtiges Marketinginstrument als Mittel zur Kundengewinnung und Kundenbindung. Als Personalisierung kann die spezifische Anpassung der Produkte oder einer Produktlinie an individuelle Kundenwünsche gesehen werden. Dabei ist Personalisierung keine Erscheinung, die erst im Web 2.0 auftrat, sondern schon eher Bestandteil der Strategie von Unternehmen war. Bei erfolgreichen Unternehmen ist Individualisierung von Produkten fest in die Strategie des Unternehmens integriert. Der Computerhersteller Apple beispielsweise bietet die Produktserie 'iPod Nano' in 9 verschiedenen Farben an, um den persönlichen Geschmack des Kunden zu treffen. Weitere Individualisierung ist das Versehen des MP3-Players mit persönlicher Gravur, um ein individuelles Gerät zu erwerben. Erfolgreich wird hier die Idee von Massenproduktion in Kombination von Individualisierung umgesetzt. Auch bei andere Unternehmen, welche mit exklusiven Produkten am Markt vertreten sind, sind ähnliche Strategien zu beobachten. Personalisierte Produktgestaltung und Differenzierung nimmt so einen wichtigen Teil des Marketings ein. Doch warum sind Personalisierung und Produktdifferenzierung erfolgreich? Die Vielzahl der am Markt angebotenen Produkte mit ähnlichen Merkmalen erschwert die Kaufentscheidung aus Sicht eines Kunden. Sie können sich auf Grund des Überangebotes schwer für den sie 'richtigen' Artikel unterscheiden. Auf persönliche Präferenzen zugeschnittene Produkte wirken dagegen sehr attraktiv. Sie ermöglichen dem Unternehmen, sich von Mittbewerbern und deren Produkten zu differenzieren und Kaufanreize zu schaffen. Auch ist eine bessere Preisgestaltung seitens der Hersteller möglich, da dem Kunden ein zusätzlicher Mehrwert verkauft werden kann. Methoden der Individualisierung und Personalisierung haben mittlerweile einen hohen Stellenwert im E-Commerce erlangt, was im folgenden Abschnitt erläutert werden soll. Bedeutung der Personalisierung im E-Commerce: Mit der Entwicklung von Online-Shops, ausgehend vom Internet-Boom Mitte der 90er Jahre haben sich Darstellung, Inhalte und Funktionen von Shopsystemen stetig verändert und weiterentwickelt. Die ersten Varianten boten dem Kunden lediglich eine schlichte, nicht personalisierte Präsentation der Artikel und die Möglichkeit, nach Angabe von Lieferdaten, den Kauf abzuschließen. Die Funktionen heutiger Online-Shops haben sich inzwischen stark verbessert. Diese sind zunehmend als komplexe Softwaresysteme zu verstehen. Sowohl Profit als auch non-Profit Gesellschaften bieten mittlerweile Shopsysteme an, die weitreichende Features aufweisen. Neben der eigentlichen Kaufabwicklung finden sich Funktionen für vor- und nachgelagerte Verkaufsprozesse (Pre/Aftersales). Die Zahl der Online-Shops, der Käufer und auch der angebotenen Artikel steigt bis dato stetig an. Mit wachsendem Markt und der Zunahme von Konkurrenz im E-Commerce Bereich wurde der Wunsch nach Aufwertung der Shops immer stärker. Anbieter wollten sich durch bestimmte Funktionen abgrenzen und dem Kunden ein besseres Einkaufserlebnis bieten. Mit Aufkommen von Nutzeraccounts bot sich die Möglichkeit nutzerbezogene Daten wie Geschlecht, Alter, Kaufgewohnheiten etc. dauerhaft zu speichern und auszuwerten. Mit den Nutzerprofilen wird letztendlich auch die Darstellung personalisierter Inhalte realisiert. Personalisierung ermöglicht den Shopbetreibern eine stärkere Kundenbindung und Identifikation mit dem Online-Shop. Dies dient der Sicherung der Bestandskunden und Kosteneinsparung bei der Neukundenaquise. Neben der Möglichkeit, das Online-Marketing zu optimieren, werden auch die Wechselbarrieren zu anderen Anbietern erhöht, weil durch Personalisierung die Beziehung zwischen Kunde und Unternehmen gestärkt werden kann. Individualisierte Inhalte innerhalb Online-Shops stehen daher im Fokus des vorliegenden Ausarbeitung. Ein besonderer Teilaspekt der Personalisierung, der in den letzten Jahren an Bedeutung gewann, ist die Darstellung von personalisierten Produktvorschlägen. Motivation für die Masterarbeit war die Anfrage einer regional ansässigen Softwarefirma. Das Softwareunternehmen IQ++ entwickelt Produkte auf Open-Source Basis für Zope und Plone sowie Branchensoftware, welche an klein- und mittelständige Unternehmen vertrieben wird. Also wichtigste Produkte sind hier das Content-Managementsystem LFC, als auch der Online-Shop LFS zu nennen. Technisch basieren beide Produkte auf Django, einem Python-Webframework. Dieses Framework ermöglicht die schnelle Entwicklung hochperformanter Websites, ohne dabei auf wichtige Paradigmen des Software-Designs zu verzichten. Derzeit existieren weltweit über 2500 Portale aus den Bereichen Business, Blog, Communitywebsite etc, die mit diesem System entwickelt wurden. Für das Django-basierte Shopsystem LFS, soll das Feature 'Produktvorschläge' implementiert werden. Dies soll analog zu aktuellen E-Commerce Portalen, die diese Funktion bereitstellen, geschehen. Ziel des Softwareprojektes 'Produktvorschläge' ist es, im Online-Shop für den momentan betrachteten Artikel weitere Produktvorschläge anzuzeigen, die für Kunden interessant sind. Abbildung 1.1 zeigt einen Screenshot, wie die Funktion 'Kunden kauften auch' beim Online-Großhändler www.Amazon.de umgesetzt wurde. Die Softwarelösung soll nach Absprache mit IQ++ in die bestehende Django-Installation integriert werden. Möglich ist hier die Verteilung als Django-Applikation oder als Django-Projekt7 . Hier soll die geeignetste Variante evaluiert werden. Als Ergebnis soll für den Nutzer eine Liste der 'interessantesten' Empfehlungen erzeugt werden, wobei die Darstellung natürlich live erfolgen soll. Welcher konkrete Algorithmus dabei verwendet wird, ist freigestellt, es soll jedoch aufgrund der bekannten Daten 'möglichst geeignete' Empfehlungen gefunden werden. Für die Analyse werden Bestelldaten und Ratings als CSV-Datei bereitgestellt. Ziel der Arbeit ist zunächst die Darstellung von Personalisierungsmöglichkeiten im Web. Es soll erläutert werden, welche Vorraussetzungen für Personalisierung erforderlich sind, welche Ebenen der Personalisierung existieren und welches die konkreten Möglichkeiten der Umsetzung bei Online-Angeboten sind. Dabei soll auch methodisch erläutert werden, in welchen Phasen die Personalisierung von Webauftritten realisiert werden kann. Auf aktuelle Tendenzen und Trends soll eingegangen werden. Im zweiten Abschnitt wird auf Produktempfehlungen eingegangen, die als Teilaspekt der Personalisierung gesehen werden. Im Rahmen eines konkreten Softwareprojektes sollen entsprechende Algorithmen zur Umsetzungen dieser Empfehlungen in einem Online-Shop evaluiert werden. Ausgehend von realen Bestelldaten des Online-Shops soll das Verhalten der Algorithmen untersucht und bewertet werden. Dabei spielen Eignung, Laufzeiten und andere Aspekte eine Rolle. Der für das Projekt am besten geeignete Algorithmus soll Grundlage für die Implementation in das Shopsystem LFS werden. Für dieses Softwareprojekt ist eine Anforderungsanalyse notwendig, welche ebenfalls Inhalt der Arbeit ist.Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.1Motivation1 1.1.1Vorstellungdes Unternehmens3 1.1.2Ziel der Softwarelösung3 1.2Ziel der Arbeit4 2.Personalisierungim Web5 2.1Definition Personalisierung5 2.2Ebenender Personalisierung5 2.3Personalisierungsprozess6 2.3.1Datenerfassung7 2.3.2Profilerstellung8 2.3.3Personalsierungsverfahren9 2.4Beispiele und Einsatzgebiete10 2.4.1Personalisierte E-Mail Kommunikation10 2.4.2Personalisierte Werbebanner / Seiteninhalte11 2.4.3Personalisierte Suchmaschinen12 2.4.4Personalisierte Produktempfehlungen13 3.Anforderungsanalyse15 3.1Inhalt15 3.2Allgemeine Anforderungen15 3.3Grobspezifikation15 3.3.1Architekturentwurf16 3.3.2Darstellung der Use-Cases17 3.4Feinspezifikation19 3.4.1Interface19 3.4.2Datenbankschema20 3.4.3Schnittstelle zwischen beiden Projekten21 3.4.4Kommunikation zwischen Shop und Empfehlungssystem22 4.Umsetzung24 4.3.1Funktionsorientierte Tests27 4.3.2Kontrollflußorientierte Tests28 4.3.3Datenflußorientierte Tests28 4.3.4Modellbasierte Tests28 4.3.5Prüfstrategien29 4.3.6Umsetzungder Tests30 5.Algorithmen31 5.1Grundlagen31 5.1.1CollectiveIntelligence31 5.1.2Funktionsweise von Empfehlungssytemen31 5.1.3Distanzberechnung in Empfehlungssystemen32 5.1.4Algorithmenklassen bei Produktempfehlungen34 5.1.5Speicherbasierte und modellbasierte Techniken36 5.1.6Naive-BayesModelle38 5.1.7Clusterbasierte Modelle38 5.1.8Herausforderungen39 5.2Überblick der Empfehlungsalgorithmen40 5.2.1Attributbasierte Empfehlung40 5.2.2Warenkorbanalyse40 5.2.3AprioriAlgorithmus41 5.2.4Bewertungsbasierte Verfahren44 5.2.4.1Vergleich der Varianten44 5.2.4.2MovieLens - Filmempfehlungen mit Nutzerratings44 5.2.5Empfehlungen mit KNN Verfahren45 5.3Bewertungsmöglichkeiten47 5.3.1Prognosegüte47 5.3.2Reciever-Operating-Characteristics (ROC)Analyse47 5.3.3Mittlerer absoluter Fehler50 5.3.4Grenzender Bewertungsverfahren50 6.Evaluierung51 6.1Business understanding - Über das Unternehmen51 6.2Dataunderstanding - Datenverständnis52 6.2.1Statistik52 6.2.2Datapreparation - Datenaufbereitung53 6.2.2.1Importder Bestelldaten54 6.2.2.2Importder Ratings54 6.2.2.3Sicherungder Datenstände55 6.2.2.4Evaluierungsdaten55 6.3Evaluierung der Algorithmen56 6.3.1Evaluierungskriterien56 6.3.2Einzelbewertung der Verfahren58 7.Fazit und Ausblick67 8.Glossar69Textprobe:Textprobe: Kapitel 2.4.2, Personalisierte Werbebanner / Seiteninhalte: Wenn Nutzerinformationen wie Alter, Geschlecht, Interessen in Profilen vorliegen, können Betreiber von Online-Angeboten diese nutzen, um nutzerbezogene Inhalte darzustellen. Möglich sind hier neben einer persönlichen Anrede nach dem Login auch die Nutzung von Werbeflächen (Adspaces). Nutzung als Werbefläche: Personalisierte Werbung hat den erwähnten Vorteil, die Streuverluste zu reduzieren, da zugeschnittene Produkte nach Interessengruppen beworben werden können. Für Online-Portale wie www.web.de, www.gmx.de ist es Teil des Geschäftsmodelles. Es ist auch ein Trend der Intensivierung personalisierter Werbeinhalte zu erkennen, wie die stark wachsenden Sozialen Netzwerke zeigen. Portale wie Xing (xing.com, ehemals OpenBC), Facebook (facebook.com), Lokalisten (lokalisten.de), StudiVZ (studivz.de) verdienen an der Platzierung profilbasierter Werbebanner. Der Wert der Nutzerprofile dieser Portale ist sehr hoch, bedenkt man die hohe Reichweite einiger Unternehmen. Da durch den sozialen Charakter zumeist gepflegte Profile existieren, kann kostenpflichtiger Adspace relativ teuer angeboten werden. Trotz der Kritik am 'gläsernen Nutzer' und der Preisgabe an persönlichen Informationen für die Öffentlichkeit erfreuen sich diese Portale größter Beliebtheit. Persönliche Feeds Eine Beispiel für nutzerbasierte Personalisierung ist die iGoogle Startseite www.google.com/ig. Hier wird Nutzern erlaubt, verschiedenste Webinhalte zu aggregieren, und in einer persönlichen Weboberfläche zusammenzufassen. Das Unternehmen selbst versteht es selbst als 'angpasste Homepage', in der Informationen nach den eigenen Interessen zusammengestellt werden können. Benötigt hierfür wird ein Google-Account, in der die Konfiguration der so genannten 'Google Gadgets' gespeichert wird. Neben dem Zusammenfassen individueller Nachrichtenquellen auf einer gemeinsamen Seite, kann auch das Aussehen von iGoogle nach persönlichen Präferenzen angepasst werden (Theming). So entsteht eine für den Nutzergeschmack hoch personalisierte Informationsseite. 2.4.3, Personalisierte Suchmaschinen: Personalisierte Suche meint die Anpassung der Suchergebnisse bestimmter Webinhalte - meist Links - basierend auf den persönlichen Interessengebieten. Persönliche Informationen des Nutzers sind Basis, um den Suchvorgang zu verbessern. Mit der Nutzung persönlicher Informationen und des Kontextes, kann der Sucherfolg noch gesteigert werden, in dem für den Nutzer nur relevante Suchergebnisse angezeigt werden. Riemer und Brüggemann definieren das Ziel solcher Suchmaschinen allgemein so: 'Ziel der Personalisierung von Suchdiensten ist es, jedem Nutzer die für ihn relevanten Informationen so aufzubereiten, dass sie in der für ihn geeigneten Form vorliegen'. Bei dieser Art der Suche werden zwei generische Herangehensweisen unterschieden: inhaltsbasierte und modellbasierte Profile. Implizite und explizite Modelle Riemer und Brüggemann sehen das Vorhandensein historienartiger Suchanfragen als Grundlage für personalisierte Suchsysteme. Das Erfasssen dieser Suchanfragen kann implizit erfolgen (etwa durch die Worthäufigkeit bestimmter Suchanfragen), oder durch explizites Angeben der Suchfelder durch den Nutzer. Allerdings ist zu beachten, daß der explizite Ansatz sehr schwierig für den Nutzer ist, da zu Beginn der Suche oft nicht bekannt ist, in welchen Themenfelder gesucht wird und so spätere Resultate ausgegrenzt werden. Ein implizites personalisiertes Suchmodell verwendet Google mit der persönlichen Suche schon seit 2005. Dabei werden bei angemeldeten Nutzern mit einem Google Account die Suchergebnisse mit den letzten Suchanfragen personalisiert ('Google Search History'). Die Grenzen der implizierten Suche sehen Riemer und Brüggemann, wenn Nutzer für andere Personen nach bestimmten Begriffen suchen, welches die eigene Google Search History modifiziert und somit bei der nächsten Suchanfrage verfälschte Ergebnisse erscheinen könnten. Beide Verfahren haben ihre jeweiligen Vorteile: implizite Verfahren eignen sich eher für die alltägliche Suche (Durchschnittsanwender). Explizite Suchverfahren können Ihre Vorteile in bestimmten Fachgebieten ausspielen. Hier werden Expertennutzer die Eingrenzung der Suchergebnisse zu schätzen wissen. Ontologiebasierte Suche Neue Entwicklungen wie ontologiebasierte personalisierte Suchsysteme, arbeiten im Gegensatz zu den vorigen Ansätzen mit dem eigentlichen 'Sinn' der Wörter. Dabei werden Ontologien verwendet. Dies sind Wissenssyteme, in denen Konzepte aus der Realität thematisch abgebildet werden und Beziehungen zwischen Elementen gespeichert werden. Dadurch soll eine noch bessere Abbildung des Wissens entstehen. Ein Beispiel: Nutzer, welche nach einem polysemen Begriff suchen, werden bei stichwortbasierten Suchsystemen wie Google eine Reihe Ergebnisse finden, die thematisch stark abweichen - etwa beim Begriff 'Schimmel' (das Pferd oder der Pilz). Die ontolgiebasierte personalisierte Suche versucht dies aufzulösen, in dem 'erkannt' werden soll, welche Suchergebnisse der Nutzer 'gemeint haben könnte'. Ein Beispiel für diese Art von Suchengines ist OntoSearch (/www.ontosearch.com/). Soziale Suche - Social Search Werden Feedbacks zu Suchanfragen in Kombination von Links mehrerer Nutzer ausgewertet, spricht man auch von Social Search - Sozialer Suche. Es wird dabei versucht, die Ratings der Nutzer zur Generierung geeigneter Suchergebnisse zu verfeinern. Das Webportal Digg.com ist ein Beispiel für diesen kollaborativen Ansatz: Links können von Nutzern bewertet, kommentiert, und mit Themen verknüpft werden. Dadurch werden Suchanfragen nicht nur mit Suchbegriffen indiziert, sondern erhalten darüber hinaus Metainformationen. Durch die Gesamtheit der vorliegenden Metainformationen kann entsprechend dem Nutzerprofil des Suchenden eine priorisierte und geordnete Ergebnisliste erzeugt werden. Durch den für den User entstehenden gestalterischen Wiki-Charakter spricht man auch oft von 'Swickis' ('Suche' und 'Wiki'). Soziale Suche ist einer der aktuellen Trends, welcher sich vielleicht in der nächsten Generation von Suchmaschinen wiederfinden könnte. 2.4.4, Personalisierte Produktempfehlungen: Produktempfehlungen sind eine spezielle Form der personalisierten Suche. Statt selbst Suchanfragen zu stellen, werden für Nutzer automatisch Suchanfragen gestellt, mit dem Ziel für Ihn interessante Produkte vorzuschlagen. Dies geschieht auf Basis des impliziten oder expliziten Wissens, welches über Kunden vorliegt, etwa ein persönliches Profil, oder sein Kaufverhalten, etc. Der technische Aufbau und die Funktionsweise von Empfehlungssystemen wird im Kapitel 5 erörtert. Im Kontext von Produktempfehlungen wird im Online-Marketing auch gern von 'Cross-Selling' oder 'Up-Selling' gesprochen. Cross-Selling meint die Verknüpfung von Artikeln miteinander, also dem Kunden beim Kauf von Artikel A einen anderen Artikel B anzubieten (Zusatzgeschäft). Up-Selling dagegen zielt darauf ab, Kunden durch geeignete Empfehlung für ein höherwertigen Artikel aus der gleichen Produktkategorie zum Kauf zu bewegen. Vorteile der Produktempfehlungen ist zum einen die Aufwertung eines Online-Shop Angebotes, die Verbesserung der Nutzer-Akzeptanz und stärkere Kundenbindung an den Online-Shop, da für den Nutzer ein Personalisierungseffekt entsteht. Zudem werden durch die Steigerung der Loyalität des Kunden Wechselbarrieren zu Mitbewerben aufgebaut. Dies bietet für das Unternehmen späteres Einsparpotenzial bei der Neukundenaquise. Für das konkrete Projekt der Masterarbeit soll ein Empfehlungsmodul entworfen werden, welches in einen Online-Shop integriert wird. Die technischen Anforderungen hierfür werden im Kapitel 3 erörtert.

The Government set aside several relief schemes for people, who are affecting in natural disasters like earthquakes, floods, cyclones and so on. The relief funds aided for the people those who are suffering in disaster. Initially, this endowment is helpful for surfers to get their basic necessary services. The benefits of this fund are transacted to sufferers through officers or politicians. But, these funds are not properly reached to the correct hands. Those funds are misused and corrupted by wrong persons. Because, the duplication of the government proofs like ration card, voter id, and so on are getting easily to corrupt the fund. To overcome that, we enhance some security levels for fund transaction through online using cloud computing. The three security levels of the proposed schemes are data collection, encryption and face detection. First, users must sign up or create an account in the relief fund transaction form. After that, the user should submit the details like family, bank details, documents that listed in that module. This submission is saved in cloud server, so it could be taken or seen from anywhere. Second, the submitted details are encrypted for more protection. Third, the user face must be detected using web cameras. All these levels is processed under a service level agreement (SLA); it is the contract between the cloud service provider (CSP) and the customer. The service provider must give assurance that, the above documents that the user submitted in cloud server will not be corrupted by any hackers. These three layers are called as tri-level security. The proposed design supports continued safe and efficient security measures, including uploaded proofs, encrypted data, and detect consumer face. By using our proposed system, hackers cannot get the money only the authorized person can receive the fund. So that, the rate of corruption will be low and also the funds will properly reach the sufferer people. Here we use Blowfish algorithm for encryption process, also we compare blowfish and ...

How do online daters come to understand and make sense of their online dating experiences and the algorithms that underlie online dating platforms? Across two mixed-method studies, we take a metaphoric approach to identify and explore people's folk theories about traditional dating, online dating, and online dating algorithms. In Study 1, we take a quantitative approach and use an innovative wiki-survey procedure to identify individuals' folk theories of online dating and their associated themes through content analyses. In Study 2, we take a qualitative approach, exploring participants' folk theories through in-depth interviews, extended case method, and grounded theory. Our studies uncovered two folk theories unique to traditional dating ( movies, nurturing), one folk theory unique to online dating ( game), three folk theories related to online dating algorithms ( filter, personalized advertisements, bracket), and two folk theories that were found to overlap between traditional and online dating ( shopping, chance and randomness). Our findings provide novel insights into how daters make sense of traditional and online relationship development processes as well as the algorithms that underlie online dating platforms.

The communication process in Underwater Acoustic Sensor Networks (UASNs) is susceptible to interference, which leads to higher latency and Bit Error Ratio (BER). The Autonomous Underwater Vehicle (AUV) polling to collect data has been used to provide reliable transmission of data and extend the network lifecycle. The target events underwater are random appeared. In order to effectively capture the target event, an algorithm for the AUV polling to collect data with online prediction is proposed, namely RCAP (Reliable Collection based on AUV with Prediction). Firstly, the polling objects to AUV should be determined. The clustered network structure is established. The cluster head will be polled by the AUV to transfer the data from the cluster. Secondly, the forecast model is build. The first N rounds of data collected are the historical data. Using the historical data, the data of the N+1th round is predicted based on the regression method. Then, the N+1 to 2N rounds of data are used to calibrate the predicted values, and the prediction model is optimized. Finally, the AUV polling trajectory would be plan. All the cluster head have storage threshold. According to the data volume prediction of each cluster head, the AUV polling objects of each round can be determined to maximize the amount of data collection and to improve network efficiency. The simulation results show that the algorithm can adapt to the prediction of target events in a variety of distributions. Especially, when the target events obey the linear distribution, compared with AAEERP, RCAP has a great optimization in network energy consumption, throughput, data transmission efficiency. It increases nearly 10% throughput especially.

The information that we see on the internet is increasingly tailored by automated ranking and filtering algorithms used by online platforms, which significantly interfere with the exercise of fundamental rights online, particularly the freedom of expression and information. The EU's regulation of the internet prohibits general monitoring obligations. The paper first analyses the CJEU's case law which has long resisted attempts to require internet intermediaries to use automated software filters to remove infringing user uploads. This is followed by an analysis of article 17 of the Directive on Copyright in the Digital Single Market, which effectively requires online platforms to use automated filtering to ensure the unavailability of unauthorized copyrighted content. The Commission's guidance and the AG's opinion in the annulment action are discussed. The conclusion is that the regulation of the filtering algorithms themselves will be necessary to prevent private censorship and protect fundamental rights online.