Diese KI sagt Verbrechen eine Woche im Voraus voraus – und hebt Voreingenommenheit der Polizei hervor

Die Bemühungen, KI zur Vorhersage von Kriminalität einzusetzen, waren aufgrund des Potenzials, bestehende Vorurteile in der Polizeiarbeit zu replizieren, mit Kontroversen behaftet. Aber ein neues System, das auf maschinellem Lernen basiert, verspricht, nicht nur bessere Vorhersagen zu treffen, sondern auch diese Verzerrungen hervorzuheben.

Wenn es eine Sache gibt, in der modernes maschinelles Lernen gut ist, dann Muster erkennen und Vorhersagen treffen. Daher ist es vielleicht nicht überraschend, dass viele in der Welt der Politik und der Strafverfolgung diese Fähigkeiten gerne einsetzen. Befürworter wollen trainieren KI-Modelle mit historischen Verbrechensaufzeichnungen und anderen relevanten Daten, um vorherzusagen, wann und wo Verbrechen wahrscheinlich passieren werden, und die Ergebnisse zu verwenden, um die Polizeibemühungen zu lenken.

Das Problem ist, dass sich diese Art von Daten oft versteckt allerlei Vorurteile das kann zu leicht repliziert werden, wenn es verwendet wird, um Algorithmen gedankenlos zu trainieren. Frühere Ansätze haben manchmal falsche Variablen wie das Vorhandensein von Graffiti oder demografische Daten enthalten, die leicht dazu führen können, dass Modelle aufgrund rassischer oder sozioökonomischer Kriterien fehlerhafte Assoziationen herstellen.

Selbst grundlegende Polizeidaten über gemeldete Verbrechen oder die Zahl der Festnahmen können versteckte Verzerrungen enthalten. Eine strenge Polizeiarbeit in bestimmten Gebieten, von denen aufgrund bereits bestehender Vorurteile angenommen wird, dass sie eine hohe Kriminalität aufweisen, wird fast zwangsläufig zu weiteren Verhaftungen führen. Und in Gebieten mit großem Misstrauen gegenüber der Polizei werden Verbrechen oft nicht gemeldet.

Dennoch könnte die Gesellschaft davon profitieren, Trends bei kriminellen Aktivitäten frühzeitig vorhersehen zu können. Daher hat eine Gruppe von der University of Chicago ein neues maschinelles Lernsystem entwickelt, das besser als frühere Systeme vorhersagen kann, wann und wo Verbrechen wahrscheinlich passieren, und das auch verwendet werden kann, um systemische Vorurteile bei der Polizei zu untersuchen.

Die Forscher sammelten zunächst Daten der Chicagoer Polizei über Gewalt- und Eigentumsdelikte sowie die Anzahl der Verhaftungen, die sich aus jedem Vorfall ergaben. Sie verwendeten diese Daten, um eine Reihe von KI-Modellen zu trainieren, die zeigen, wie sich Änderungen in jeder dieser Variablen auf die anderen auswirken.

Dies ermöglichte es dem Team, die Kriminalitätsrate in 1,000 Fuß breiten Gebieten der Stadt bis zu einer Woche im Voraus mit 90-prozentiger Genauigkeit vorherzusagen, wie in einer kürzlich veröffentlichten Studie berichtet wurde Papier in Natur Menschliches Verhalten. Die Forscher zeigten auch, dass ihr Ansatz eine ähnliche Genauigkeit erreichte, wenn er mit Daten aus sieben anderen US-Städten trainiert wurde. Und als sie es mit einem Datensatz aus einer vom National Institute of Justice durchgeführten Predictive Policing Challenge testeten, übertrafen sie den besten Ansatz in 119 von 120 Testkategorien.

Die Forscher führen ihren Erfolg darauf zurück, Ansätze aufzugeben, die dem Modell räumliche Beschränkungen auferlegen, indem sie davon ausgehen, dass Kriminalität an Hotspots auftritt, bevor sie sich auf die umliegenden Gebiete ausbreitet. Stattdessen war ihr Modell in der Lage, komplexere Verbindungen zu erfassen, die durch Verkehrsverbindungen, Kommunikationsnetzwerke oder demografische Ähnlichkeiten zwischen verschiedenen Regionen der Stadt vermittelt werden könnten.

In Anbetracht der Tatsache, dass die für die Studie verwendeten Daten wahrscheinlich durch bestehende Vorurteile in der Polizeipraxis beeinträchtigt wurden, untersuchten die Forscher auch, wie ihr Modell verwendet werden könnte, um aufzudecken, wie solche Vorurteile die Art und Weise verzerren könnten, wie die Strafverfolgung ihre Ressourcen einsetzt.

Als das Team das Niveau der Gewalt- und Eigentumskriminalität in wohlhabenderen Vierteln künstlich erhöhte, stiegen die Verhaftungen sprunghaft an, während diejenigen in ärmeren Gegenden zurückgingen. Im Gegensatz dazu gab es keinen Anstieg der Verhaftungen, als die Kriminalität in armen Gegenden anstieg. Die Implikation, sagen die Forscher, ist, dass wohlhabendere Viertel von der Polizei priorisiert werden und Ressourcen von ärmeren abziehen können.

Um ihre Ergebnisse zu validieren, analysierten die Forscher auch die Rohdaten der Polizei, wobei sie den saisonalen Anstieg der Kriminalität während der Sommermonate nutzten, um die Auswirkungen erhöhter Kriminalitätsraten in verschiedenen Gebieten zu untersuchen. Die Ergebnisse spiegelten die von ihrem Modell identifizierten Trends wider.

Trotz seiner Genauigkeit sagte Studienleiter Ishanu Chattopadhyay in a Pressemitteilung dass das Tool nicht zur direkten Bestimmung der Zuweisung von Polizeiressourcen verwendet werden sollte, sondern als Instrument zur Untersuchung besserer Polizeistrategien. Er beschreibt das System als „digitalen Zwilling städtischer Umgebungen“, der der Polizei helfen kann, die Auswirkungen unterschiedlicher Kriminalitäts- oder Strafverfolgungsstufen in verschiedenen Teilen der Stadt zu verstehen.

Ob die Forschung dazu beitragen kann, das Feld der vorausschauenden Polizeiarbeit in eine gewissenhaftere und verantwortungsvollere Richtung zu lenken, bleibt abzuwarten, aber jeder Versuch, das Potenzial der Technologie für die öffentliche Sicherheit gegen ihre beträchtlichen Risiken abzuwägen, ist ein Schritt in die richtige Richtung.

Bild-Kredit: David von Diemar / Unsplash