Denne kunstige intelligens forudsiger kriminalitet en uge i forvejen - og fremhæver politimæssig skævhed

Bestræbelser på at bruge kunstig intelligens til at forudsige kriminalitet har været fyldt med kontroverser på grund af potentialet til at kopiere eksisterende skævheder i politiarbejdet. Men et nyt system drevet af maskinlæring har løftet om ikke kun at lave bedre forudsigelser, men også fremhæve disse skævheder.

Hvis der er én ting, som moderne maskinlæring er god til, så er det at opdage mønstre og lave forudsigelser. Så det er måske ikke overraskende, at mange i politik- og retshåndhævelsesverdenen er ivrige efter at bruge disse færdigheder. Fortalere ønsker at træne AI modeller med historiske kriminalitetsregistre og andre relevante data til at forudsige, hvornår og hvor forbrydelser er sandsynlige, og bruge resultaterne til at styre politiindsatsen.

Problemet er, at denne form for data ofte gemmer sig alle former for skævheder der kan for let replikeres, når det bruges til at træne algoritmer uden omtanke. Tidligere tilgange har nogle gange inkluderet falske variabler såsom tilstedeværelsen af ​​graffiti eller demografiske data, som nemt kan få modeller til at lave fejlagtige associationer baseret på racemæssige eller socioøkonomiske kriterier.

Selv grundlæggende politidata om rapporterede forbrydelser eller antal anholdelser kan indeholde skjulte skævheder. Tung politiarbejde i visse områder, der antages at være høj i kriminalitet på grund af allerede eksisterende fordomme, vil næsten uundgåeligt føre til flere anholdelser. Og i områder med stor mistillid til politiet kan forbrydelser ofte forblive uanmeldt.

Ikke desto mindre kunne det gavne samfundet at være i stand til at forudse tendenser i kriminel aktivitet på forhånd. Så en gruppe fra University of Chicago har udviklet et nyt maskinlæringssystem, der kan forudsige, hvornår og hvor forbrydelser sandsynligvis vil ske, bedre end tidligere systemer og også bruges til at undersøge systemiske skævheder i politiarbejdet.

Forskerne indsamlede først flere års data fra Chicagos politi om volds- og ejendomsforbrydelser, samt antallet af anholdelser som følge af hver hændelse. De brugte disse data til at træne en række AI-modeller, der viser, hvordan ændringer i hver af disse variabler påvirker de andre.

Dette gjorde det muligt for holdet at forudsige kriminalitetsniveauer i 1,000 fod brede områder af byen op til en uge i forvejen med 90 procent nøjagtighed, som rapporteret i en nylig papir ind Natur menneskelig adfærd. Forskerne viste også, at deres tilgang opnåede lignende nøjagtighed, når de blev trænet på data fra syv andre amerikanske byer. Og da de testede det på et datasæt fra en prædiktiv politiudfordring drevet af National Institute of Justice, klarede de sig bedre end den bedste tilgang i 119 ud af 120 testkategorier.

Forskerne sætter deres succes ned på at opgive tilgange, der pålægger modellen rumlige begrænsninger ved at antage, at kriminalitet opstår i hotspots, før den spredes til de omkringliggende områder. I stedet var deres model i stand til at fange mere komplekse forbindelser, der kunne formidles af transportforbindelser, kommunikationsnetværk eller demografiske ligheder mellem forskellige regioner i byen.

Men i erkendelse af, at de data, der blev brugt til undersøgelsen, sandsynligvis var blevet plettet af eksisterende skævheder i politiets praksis, undersøgte forskerne også, hvordan deres model kunne bruges til at afdække, hvordan sådanne fordomme kunne fordreje den måde, retshåndhævelsen anvender sine ressourcer på.

Da holdet kunstigt øgede niveauet af både voldelig kriminalitet og ejendomskriminalitet i de rigere kvarterer, steg anholdelserne, efterhånden som antallet i fattigere områder faldt. I modsætning hertil var der ingen stigning i antallet af anholdelser, da kriminalitetsniveauet blev øget i fattige områder. Implikationen, siger forskerne, er, at rigere kvarterer prioriteres af politiet og kan trække ressourcer væk fra de fattigere.

For at validere deres resultater analyserede forskerne også de rå politidata ved at bruge den sæsonmæssige stigning i kriminalitet i sommermånederne til at undersøge effekten af ​​forhøjede kriminalitetsrater i forskellige områder. Resultaterne afspejlede tendenserne identificeret af deres model.

På trods af dens nøjagtighed sagde studieleder Ishanu Chattopadhyay i en pressemeddelelse at værktøjet ikke skal bruges til direkte at bestemme tildelingen af ​​politiets ressourcer, men derimod som et værktøj til at efterforske bedre politistrategier. Han beskriver systemet som en "digital tvilling af bymiljøer", der kan hjælpe politiet med at forstå virkningerne af varierende kriminalitet eller håndhævelsesniveauer på tværs af forskellige dele af byen.

Hvorvidt forskningen kan hjælpe med at lede feltet for prædiktiv politiarbejde i en mere samvittighedsfuld og ansvarlig retning skal vise sig, men enhver indsats for at balancere teknologiens offentlige sikkerhedspotentiale mod dens betydelige risici er et skridt i den rigtige retning.

Billede Credit: David von Diemar / Unsplash