1
00:00:00,792 --> 00:00:03,059
Κάθε μέρα, κάθε εβδομάδα,

2
00:00:03,083 --> 00:00:05,268
αποδεχόμαστε όρους και προϋποθέσεις.

3
00:00:05,292 --> 00:00:06,768
Και όταν το κάνουμε αυτό,

4
00:00:06,792 --> 00:00:09,268
παρέχουμε σε εταιρίες
το νόμιμο δικαίωμά τους

5
00:00:09,292 --> 00:00:12,796
να κάνουν ό,τι θέλουν με τα δεδομένα μας

6
00:00:13,000 --> 00:00:15,345
και τα δεδομένα των παιδιών μας.

7
00:00:16,792 --> 00:00:19,478
Κάτι που μας κάνει να αναρωτηθούμε:

8
00:00:19,792 --> 00:00:22,594
πόσα δεδομένα των παιδιών δίνουμε

9
00:00:22,708 --> 00:00:24,708
και ποιο είναι το αντίκτυπό τους;

10
00:00:26,500 --> 00:00:29,933
Είμαι ανθρωπολόγος
και μητέρα δύο μικρών κοριτσιών.

11
00:00:31,312 --> 00:00:34,748
Άρχισα να ενδιαφέρομαι
γι' αυτό το ερώτημα το 2015

12
00:00:34,982 --> 00:00:37,518
όταν συνειδητοποίησα ξαφνικά
ότι υπήρχε ένας αχανής,

13
00:00:37,792 --> 00:00:40,919
σχεδόν αδιανόητος όγκος από ίχνη δεδομένων

14
00:00:40,943 --> 00:00:44,080
που δημιουργείται και συλλέγεται
σχετικά με τα παιδιά.

15
00:00:44,792 --> 00:00:46,768
Έτσι, ξεκίνησα ένα ερευνητικό έργο

16
00:00:46,792 --> 00:00:49,238
που ονομάζεται Child Data Citizen,

17
00:00:49,292 --> 00:00:51,757
κι ο στόχος του είναι να καλύψει τα κενά.

18
00:00:52,583 --> 00:00:55,601
Τώρα ίσως νομίζετε ότι είμαι εδώ
για να σας ρίξω το φταίξιμο

19
00:00:55,621 --> 00:00:58,527
που ανεβάζετε φωτογραφίες 
των παιδιών σας στα κοινωνικά μέσα,

20
00:00:58,547 --> 00:01:00,389
αλλά δεν είναι αυτό το θέμα.

21
00:01:00,583 --> 00:01:04,140
Το θέμα είναι πολύ μεγαλύτερο
από τους γονείς που μοιράζονται τα πάντα.

22
00:01:04,792 --> 00:01:08,653
Έχει να κάνει με τα συστήματα,
όχι με μεμονωμένα άτομα.

23
00:01:08,917 --> 00:01:11,298
Δεν φταίτε εσείς και οι συνήθειές σας.

24
00:01:12,833 --> 00:01:15,384
Για πρώτη φορά στην ιστορία

25
00:01:15,708 --> 00:01:19,998
παρακολουθούμε τα μεμονωμένα δεδομένα
των παιδιών πολύ πριν τη γέννησή τους.

26
00:01:20,083 --> 00:01:22,578
Μερικές φορές από τη στιγμή της σύλληψης

27
00:01:22,792 --> 00:01:24,793
και μετά σε όλη τους τη ζωή.

28
00:01:25,167 --> 00:01:28,248
Όταν οι γονείς αποφασίζουν
να κάνουν παιδιά,

29
00:01:28,292 --> 00:01:31,438
μπαίνουν στο ίντερνετ ψάχνοντας
τρόπους για την εγκυμοσύνη

30
00:01:31,552 --> 00:01:34,392
ή κατεβάζουν εφαρμογές
παρακολούθησης ωορρηξίας.

31
00:01:35,250 --> 00:01:37,401
Όταν μείνουν έγκυες,

32
00:01:37,875 --> 00:01:40,768
ανεβάζουν τους υπερήχους
από το μωρό τους στα κοινωνικά μέσα,

33
00:01:41,042 --> 00:01:42,949
κατεβάζουν εφαρμογές εγκυμοσύνης

34
00:01:43,083 --> 00:01:46,809
ή παίρνουν συμβουλές
από τον Δρ Google για διάφορα,

35
00:01:46,833 --> 00:01:50,978
όπως για «κινδύνους αποβολής σε αεροπλάνο»

36
00:01:50,998 --> 00:01:53,606
ή «κοιλιακές κράμπες
στην αρχή της εγκυμοσύνης».

37
00:01:53,750 --> 00:01:57,059
Το ξέρω επειδή το έχω κάνει πολλές φορές.

38
00:01:58,458 --> 00:02:02,135
Και μετά, όταν γεννιέται το μωρό,
καταγράφουν κάθε υπνάκο, κάθε τάισμα,

39
00:02:02,173 --> 00:02:05,167
κάθε γεγονός σε διάφορες τεχνολογίες.

40
00:02:06,083 --> 00:02:08,163
Κι όλες αυτές οι τεχνολογίες μεταμορφώνουν

41
00:02:08,183 --> 00:02:13,216
τα πιο ενδόμυχα δεδομένα συμπεριφοράς
και υγείας του μωρού σε κέρδος,

42
00:02:13,750 --> 00:02:15,852
μοιράζοντάς τα με άλλους.

43
00:02:16,583 --> 00:02:18,726
Για να σας δώσω μια ιδέα
πώς λειτουργεί αυτό,

44
00:02:18,750 --> 00:02:23,934
το 2019 το Βρετανικό Ιατρικό Περιοδικό
δημοσίευσε μια έρευνα που έδειξε

45
00:02:23,958 --> 00:02:27,231
ότι από τις 24 εφαρμογές
υγείας για κινητό,

46
00:02:27,625 --> 00:02:31,233
οι 19 μοιράζονταν πληροφορίες με τρίτους.

47
00:02:32,083 --> 00:02:37,917
Και αυτοί οι τρίτοι μοιράζονταν
πληροφορίες με άλλους 216 οργανισμούς.

48
00:02:38,875 --> 00:02:42,109
Από αυτούς τους 216 τέταρτους,

49
00:02:42,333 --> 00:02:44,996
μόνο οι τρεις ανήκαν
στον τομέα της υγείας.

50
00:02:45,500 --> 00:02:48,368
Οι άλλες εταιρίες που είχαν
πρόσβαση σ' αυτά τα δεδομένα

51
00:02:48,388 --> 00:02:53,449
ήταν μεγάλες τεχνολογικές εταιρίες
όπως η Google, το Facebook ή η Oracle,

52
00:02:53,583 --> 00:02:56,004
ήταν ψηφιακές διαφημιστικές εταιρίες

53
00:02:56,208 --> 00:03:00,463
και επίσης υπήρχε μια εταιρία
αναφοράς πίστωσης καταναλωτών.

54
00:03:01,125 --> 00:03:02,499
Πολύ σωστά καταλάβατε.

55
00:03:02,583 --> 00:03:07,918
Διαφημιστικές και πιστωτικές εταιρίες ίσως
έχουν ήδη σημεία δεδομένων από μικρά μωρά.

56
00:03:09,125 --> 00:03:11,893
Αλλά οι εφαρμογές, οι αναζητήσεις
και τα κοινωνικά μέσα

57
00:03:11,917 --> 00:03:15,018
είναι μόνο η κορυφή του παγόβουνου,

58
00:03:15,042 --> 00:03:17,893
επειδή τα παιδιά παρακολουθούνται
από πολλαπλές τεχνολογίες

59
00:03:17,917 --> 00:03:19,423
στην καθημερινότητά τους.

60
00:03:19,667 --> 00:03:23,589
Παρακολουθούνται από οικιακές τεχνολογίες
και ψηφιακούς βοηθούς στα σπίτια τους,

61
00:03:23,637 --> 00:03:25,786
παρακολουθούνται
από εκπαιδευτικές πλατφόρμες

62
00:03:25,833 --> 00:03:28,032
και εκπαιδευτικές τεχνολογίες
στα σχολεία τους.

63
00:03:28,042 --> 00:03:29,907
Παρακολουθούνται από διαδικτυακά αρχεία

64
00:03:29,927 --> 00:03:32,534
και διαδικτυακά πόρταλ
στο γραφείο του γιατρού τους.

65
00:03:32,708 --> 00:03:35,193
Από τα παιχνίδια τους
που συνδέονται στο διαδίκτυο,

66
00:03:35,263 --> 00:03:38,907
τα διαδικτυακά τους παιχνίδια
και πάρα πολλές άλλες τεχνολογίες.

67
00:03:40,760 --> 00:03:44,113
Κατά τη διάρκεια της έρευνάς μου,
πολλοί γονείς ήρθαν και μου είπαν,

68
00:03:44,137 --> 00:03:45,749
«Και τι έγινε;

69
00:03:46,083 --> 00:03:49,360
Τι σημασία έχει αν
παρακολουθούνται τα παιδιά μου;

70
00:03:49,932 --> 00:03:51,475
Δεν έχουμε κάτι να κρύψουμε».

71
00:03:52,958 --> 00:03:54,268
Έχει σημασία όμως.

72
00:03:55,083 --> 00:04:00,531
Έχει σημασία επειδή τα άτομα σήμερα
δεν παρακολουθούνται μόνο,

73
00:04:01,125 --> 00:04:05,056
σκιαγραφείται και το προφίλ τους
βάσει του ίχνους των δεδομένων τους.

74
00:04:05,250 --> 00:04:09,059
Η τεχνητή νοημοσύνη και τα προγνωστικά
αναλυτικά στοιχεία χρησιμοποιούνται

75
00:04:09,083 --> 00:04:12,646
για να συλλέξουν όσο περισσότερα
δεδομένα γίνεται για τη ζωή ενός ατόμου

76
00:04:12,750 --> 00:04:14,121
από διάφορες πηγές:

77
00:04:14,565 --> 00:04:16,049
οικογενειακό ιστορικό,

78
00:04:16,123 --> 00:04:18,593
καταναλωτικές συνήθειες,
σχόλια στα κοινωνικά μέσα.

79
00:04:19,167 --> 00:04:21,018
Και μετά ενώνουν αυτά τα δεδομένα

80
00:04:21,042 --> 00:04:23,902
για να πάρουν αποφάσεις
σύμφωνα μ' αυτά για το άτομο.

81
00:04:24,792 --> 00:04:28,106
Και αυτές οι τεχνολογίες
χρησιμοποιούνται παντού.

82
00:04:28,226 --> 00:04:30,487
Από τράπεζες για την έγκριση δανείων,

83
00:04:30,757 --> 00:04:33,312
από ασφαλιστικές
για τον υπολογισμό των ασφαλίστρων.

84
00:04:34,208 --> 00:04:36,684
Από γραφεία ευρέσεως εργασίας κι εργοδότες

85
00:04:36,708 --> 00:04:39,535
για να αποφασίσουν αν κάποιος
είναι κατάλληλος για μια θέση.

86
00:04:40,925 --> 00:04:43,781
Τα χρησιμοποιούν επίσης
η αστυνομία και τα δικαστήρια

87
00:04:43,875 --> 00:04:47,313
για να αποφασίζουν αν κάποιος
είναι ένας δυνητικός εγκληματίας

88
00:04:47,417 --> 00:04:50,352
ή είναι πιθανόν
να διαπράξει πάλι ένα έγκλημα.

89
00:04:52,458 --> 00:04:56,518
Δεν γνωρίζουμε ούτε ελέγχουμε

90
00:04:56,548 --> 00:05:00,285
τους τρόπους που αυτοί που αγοράζουν,
πωλούν και επεξεργάζονται τα δεδομένα μας

91
00:05:00,375 --> 00:05:02,977
σκιαγραφούν τα δικά μας προφίλ
και των παιδιών μας.

92
00:05:03,625 --> 00:05:07,667
Αλλά αυτά τα προφίλ μπορούν να επηρεάσουν
τα δικαιώματά μας με σημαντικούς τρόπους.

93
00:05:08,917 --> 00:05:11,695
Για να σας δώσω ένα παράδειγμα,

94
00:05:13,792 --> 00:05:17,661
το 2018 οι New York Times
δημοσίευσαν ένα άρθρο

95
00:05:17,875 --> 00:05:19,971
ότι τα δεδομένα που συλλέχθηκαν

96
00:05:20,005 --> 00:05:22,814
μέσω διαδικτυακών υπηρεσιών
σχεδιασμού κολεγίου,

97
00:05:22,958 --> 00:05:27,684
τα οποία συμπληρώθηκαν από εκατομμύρια
μαθητές λυκείου στις ΗΠΑ

98
00:05:27,708 --> 00:05:31,071
που ψάχνουν για ένα πρόγραμμα
κολεγίου ή μια υποτροφία,

99
00:05:31,375 --> 00:05:35,077
πωλήθηκαν σε μεσίτες
εκπαιδευτικών δεδομένων.

100
00:05:35,792 --> 00:05:40,906
Τώρα, ερευνητές στο Φόρνταμ που μελέτησαν
μεσίτες εκπαιδευτικών δεδομένων,

101
00:05:41,250 --> 00:05:43,228
αποκάλυψαν ότι αυτές οι εταιρίες

102
00:05:43,268 --> 00:05:46,146
σκιαγραφούσαν προφίλ παιδιών
έως και δύο ετών

103
00:05:46,500 --> 00:05:49,059
σύμφωνα με διάφορες κατηγορίες:

104
00:05:49,583 --> 00:05:53,268
εθνικότητα, θρησκεία, ευημερία,

105
00:05:53,792 --> 00:05:55,521
κοινωνική αδεξιότητα,

106
00:05:55,875 --> 00:05:58,439
και πολλές άλλες τυχαίες κατηγορίες.

107
00:05:58,833 --> 00:06:03,551
Μετά πωλούν αυτά τα προφίλ
μαζί με το όνομα του παιδιού,

108
00:06:03,875 --> 00:06:06,594
τη διεύθυνσή τους
και τα στοιχεία επικοινωνίας

109
00:06:06,708 --> 00:06:08,559
σε διάφορες εταιρίες,

110
00:06:08,583 --> 00:06:11,592
συμπεριλαμβανομένων οργανισμών
εμπορίου και καριέρας,

111
00:06:11,973 --> 00:06:15,545
εταιρίες για φοιτητικά δάνεια
και φοιτητικές πιστωτικές κάρτες.

112
00:06:16,542 --> 00:06:17,893
Για να ξεπεράσουν τα όρια,

113
00:06:17,917 --> 00:06:21,586
οι ερευνητές στo Φόρνταμ ζήτησαν
από έναν μεσίτη εκπαιδευτικών δεδομένων

114
00:06:21,750 --> 00:06:27,419
να τους δώσει μια λίστα
από κορίτσια 14 με 15 ετών

115
00:06:27,583 --> 00:06:30,828
που ενδιαφέρθηκαν για υπηρεσίες
οικογενειακού προγραμματισμού.

116
00:06:32,208 --> 00:06:34,788
Ο μεσίτης δεδομένων συμφώνησε
να τους παρέχει τη λίστα.

117
00:06:34,838 --> 00:06:39,583
Φανταστείτε πόσο ενδόμυχο και παρεμβατικό
είναι αυτό για τα παιδιά μας.

118
00:06:40,833 --> 00:06:44,809
Αλλά οι μεσίτες εκπαιδευτικών δεδομένων
είναι μόνο ένα παράδειγμα.

119
00:06:44,833 --> 00:06:47,635
Η αλήθεια είναι ότι σκιαγραφούν
το προφίλ των παιδιών μας

120
00:06:47,645 --> 00:06:49,518
με τρόπους που δεν ελέγχουμε,

121
00:06:49,542 --> 00:06:52,958
αλλά που μπορούν να επηρεάσουν
σημαντικά τις ευκαιρίες τους στη ζωή.

122
00:06:54,167 --> 00:06:57,323
Έτσι, πρέπει να αναρωτηθούμε:

123
00:06:57,667 --> 00:06:59,869
μπορούμε να εμπιστευτούμε
αυτές τις τεχνολογίες

124
00:06:59,919 --> 00:07:02,345
με τη σκιαγράφηση
του προφίλ των παιδιών μας;

125
00:07:02,385 --> 00:07:03,395
Μπορούμε;

126
00:07:05,708 --> 00:07:06,958
Η απάντησή μου είναι όχι.

127
00:07:07,792 --> 00:07:08,829
Ως ανθρωπολόγος,

128
00:07:08,869 --> 00:07:12,115
πιστεύω ότι η τεχνητή νοημοσύνη
και τα προγνωστικά αναλυτικά στοιχεία

129
00:07:12,190 --> 00:07:14,967
είναι σπουδαία στην πρόβλεψη
της πορείας μιας ασθένειας

130
00:07:15,097 --> 00:07:17,150
ή στην καταπολέμηση
της κλιματικής αλλαγής.

131
00:07:17,970 --> 00:07:19,987
Αλλά πρέπει να εγκαταλείψουμε
την πεποίθηση

132
00:07:20,017 --> 00:07:23,311
ότι αυτές οι τεχνολογίες μπορούν
να δημιουργήσουν αντικειμενικά προφίλ

133
00:07:23,311 --> 00:07:27,173
και ότι μπορούμε να βασιστούμε πάνω τους
για να πάρουμε αποφάσεις βάσει δεδομένων

134
00:07:27,173 --> 00:07:28,476
για μεμονωμένες ζωές.

135
00:07:28,500 --> 00:07:30,959
Επειδή δεν μπορούν
να σκιαγραφήσουν προφίλ ανθρώπων.

136
00:07:31,083 --> 00:07:34,054
Τα ίχνη των δεδομένων δεν είναι
ο καθρέφτης αυτού που είμαστε.

137
00:07:34,204 --> 00:07:36,770
Οι άνθρωποι σκέφτονται
ένα πράγμα και λένε κάτι άλλο,

138
00:07:36,770 --> 00:07:38,983
νιώθουν κάπως αλλά πράττουν διαφορετικά.

139
00:07:39,082 --> 00:07:41,612
Οι αλγοριθμικές προβλέψεις
ή οι ψηφιακές μας πρακτικές

140
00:07:41,642 --> 00:07:44,545
δεν μπορούν να εξηγήσουν
τη μη προβλεψιμότητα

141
00:07:44,595 --> 00:07:47,178
και την πολυπλοκότητα
της ανθρώπινης εμπειρίας.

142
00:07:48,417 --> 00:07:49,976
Αλλά πάνω απ' όλα,

143
00:07:50,000 --> 00:07:52,304
αυτές οι τεχνολογίες είναι πάντα,

144
00:07:52,708 --> 00:07:53,896
μα πάντα,

145
00:07:53,950 --> 00:07:56,137
με τον έναν ή τον άλλο τρόπο,
προκατειλημμένες.

146
00:07:57,125 --> 00:08:02,184
Βλέπετε, οι αλγόριθμοι είναι εξ ορισμού
ένα σύνολο κανόνων ή βημάτων

147
00:08:02,208 --> 00:08:05,857
που έχουν σχεδιαστεί για να επιτύχουν
ένα συγκεκριμένο αποτέλεσμα, εντάξει;

148
00:08:06,813 --> 00:08:09,753
Αλλά αυτό το σύνολο κανόνων
ή βημάτων δεν είναι αντικειμενικό,

149
00:08:09,773 --> 00:08:11,616
επειδή έχουν σχεδιαστεί από ανθρώπους

150
00:08:11,674 --> 00:08:13,560
σε ένα συγκεκριμένο πολιτισμικό πλαίσιο

151
00:08:13,580 --> 00:08:16,280
και διαμορφώνονται από
συγκεκριμένες πολιτισμικές αξίες.

152
00:08:16,667 --> 00:08:18,393
Έτσι, όταν μαθαίνουν οι μηχανές,

153
00:08:18,417 --> 00:08:21,017
μαθαίνουν από αλγόριθμους
που είναι προκατειλημμένοι,

154
00:08:21,625 --> 00:08:24,953
και συχνά μαθαίνουν και από
προκατειλημμένες βάσεις δεδομένων.

155
00:08:25,833 --> 00:08:29,429
Αυτήν τη στιγμή βλέπουμε τα πρώτα
παραδείγματα αλγοριθμικής προκατάληψης.

156
00:08:29,583 --> 00:08:33,083
Και μερικά από αυτά τα παραδείγματα
είναι πραγματικά τρομακτικά.

157
00:08:34,500 --> 00:08:38,559
Φέτος, το Ινστιτούτο AI Now
στη Νέα Υόρκη δημοσίευσε μια αναφορά

158
00:08:38,583 --> 00:08:40,976
που αποκάλυψε ότι οι τεχνολογίες ΤΝ

159
00:08:41,000 --> 00:08:44,386
που χρησιμοποιούνται
για προγνωστική αστυνόμευση

160
00:08:44,500 --> 00:08:47,625
εκπαιδεύτηκαν με «βρόμικα» δεδομένα.

161
00:08:48,283 --> 00:08:51,226
Βασικά, αυτά είναι δεδομένα
που συλλέχθηκαν

162
00:08:51,250 --> 00:08:55,434
κατά τη διάρκεια ιστορικών περιόδων
με γνωστές ρατσιστικές προκαταλήψεις

163
00:08:55,458 --> 00:08:57,878
και μη διαφανείς πρακτικές αστυνόμευσης.

164
00:08:58,542 --> 00:09:02,461
Επειδή αυτές οι τεχνολογίες
έχουν εκπαιδευτεί με βρόμικα δεδομένα,

165
00:09:02,625 --> 00:09:04,059
δεν είναι αντικειμενικές,

166
00:09:04,083 --> 00:09:06,671
και τα αποτελέσματά τους οδηγούν μόνο

167
00:09:06,671 --> 00:09:10,940
στην ενίσχυση της αστυνομικής 
προκατάληψης και τη διάπραξη λαθών.

168
00:09:13,167 --> 00:09:16,309
Νομίζω λοιπόν ότι αντιμετωπίζουμε
ένα ουσιαστικό πρόβλημα

169
00:09:16,333 --> 00:09:17,976
στην κοινωνία μας.

170
00:09:18,000 --> 00:09:22,792
Αρχίζουμε να εμπιστευόμαστε τεχνολογίες
για τη σκιαγράφηση προφίλ ανθρώπων.

171
00:09:23,750 --> 00:09:26,268
Γνωρίζουμε ότι στη σκιαγράφηση
προφίλ ανθρώπων

172
00:09:26,292 --> 00:09:29,101
αυτές οι τεχνολογίες πάντα
θα είναι προκατειλημμένες

173
00:09:29,125 --> 00:09:31,481
και ποτέ δεν θα είναι πραγματικά ακριβείς.

174
00:09:31,875 --> 00:09:34,599
Αυτό που χρειαζόμαστε τώρα
είναι μια πολιτική λύση.

175
00:09:34,723 --> 00:09:36,506
Πρέπει οι κυβερνήσεις να αναγνωρίσουν

176
00:09:36,506 --> 00:09:39,961
ότι τα δικαιώματα στα δεδομένα μας
είναι ανθρώπινα δικαιώματα.

177
00:09:40,292 --> 00:09:44,565
(Χειροκρότημα και επευφημίες)

178
00:09:47,833 --> 00:09:51,917
Μέχρι να γίνει αυτό, δεν μπορούμε
να ελπίζουμε για ένα πιο δίκαιο μέλλον.

179
00:09:52,750 --> 00:09:55,476
Ανησυχώ ότι οι κόρες μου θα εκτεθούν

180
00:09:55,500 --> 00:09:58,972
σε διάφορες αλγοριθμικές
προκαταλήψεις και λάθη.

181
00:09:59,226 --> 00:10:01,237
Η διαφορά ανάμεσα
σε μένα και τις κόρες μου

182
00:10:01,257 --> 00:10:04,685
είναι ότι δεν υπάρχει δημόσιο αρχείο
εκεί έξω για την παιδική μου ηλικία.

183
00:10:05,115 --> 00:10:06,846
Σίγουρα δεν υπάρχει βάση δεδομένων

184
00:10:06,846 --> 00:10:11,059
με όλες τις χαζομάρες που έκανα
και σκέφτηκα όταν ήμουν έφηβη.

185
00:10:11,083 --> 00:10:12,583
(Γέλια)

186
00:10:13,833 --> 00:10:16,583
Αλλά για τις κόρες μου
ίσως είναι διαφορετικά.

187
00:10:17,292 --> 00:10:20,476
Τα δεδομένα που συλλέγονται
σήμερα από αυτές

188
00:10:20,500 --> 00:10:24,079
μπορεί να χρησιμοποιηθούν
για να τις κρίνει στο μέλλον

189
00:10:24,333 --> 00:10:27,432
και μπορεί να τις αποτρέψει
από τις ελπίδες και τα όνειρά τους.

190
00:10:28,583 --> 00:10:30,101
Νομίζω ότι είναι καιρός.

191
00:10:30,125 --> 00:10:31,559
Είναι καιρός να επιταχύνουμε.

192
00:10:31,583 --> 00:10:34,059
Είναι καιρός να αρχίσουμε
να συνεργαζόμαστε

193
00:10:34,083 --> 00:10:35,518
ως μεμονωμένα άτομα,

194
00:10:35,542 --> 00:10:38,059
ως οργανισμοί και θεσμοί,

195
00:10:38,083 --> 00:10:41,184
και να απαιτήσουμε μεγαλύτερη
δικαιοσύνη δεδομένων για εμάς

196
00:10:41,208 --> 00:10:42,601
και για τα παιδιά μας

197
00:10:42,625 --> 00:10:44,143
πριν είναι πολύ αργά.

198
00:10:44,167 --> 00:10:45,434
Σας ευχαριστώ.

199
00:10:45,458 --> 00:10:46,875
(Χειροκρότημα)