Αυτό το AI προβλέπει το έγκλημα μια εβδομάδα εκ των προτέρων—και τονίζει την προκατάληψη της αστυνόμευσης

Οι προσπάθειες για τη χρήση της τεχνητής νοημοσύνης για την πρόβλεψη του εγκλήματος ήταν γεμάτες διαμάχες λόγω της πιθανότητας αναπαραγωγής υφιστάμενων μεροληψιών στην αστυνόμευση. Αλλά ένα νέο σύστημα που τροφοδοτείται από μηχανική μάθηση υπόσχεται όχι μόνο να κάνει καλύτερες προβλέψεις αλλά και να τονίσει αυτές τις προκαταλήψεις.

Αν υπάρχει κάτι στο οποίο η σύγχρονη μηχανική μάθηση είναι καλή, είναι να εντοπίζει μοτίβα και να κάνει προβλέψεις. Επομένως, δεν προκαλεί έκπληξη το γεγονός ότι πολλοί στον κόσμο της πολιτικής και της επιβολής του νόμου επιθυμούν να χρησιμοποιήσουν αυτές τις δεξιότητες. Οι υποστηρικτές θέλουν να προπονηθούν Μοντέλα AI με ιστορικά αρχεία εγκλημάτων και άλλα σχετικά δεδομένα για να προβλέψει πότε και πού είναι πιθανό να συμβούν εγκλήματα και να χρησιμοποιήσει τα αποτελέσματα για να κατευθύνει τις προσπάθειες αστυνόμευσης.

Το πρόβλημα είναι ότι αυτού του είδους τα δεδομένα συχνά κρύβονται κάθε είδους προκαταλήψεις που μπορεί να αναπαραχθεί πολύ εύκολα όταν χρησιμοποιείται για την εκπαίδευση αλγορίθμων χωρίς σκέψη. Οι προηγούμενες προσεγγίσεις περιλάμβαναν μερικές φορές ψευδείς μεταβλητές, όπως η παρουσία γκράφιτι ή δημογραφικών δεδομένων, που μπορούν εύκολα να οδηγήσουν τα μοντέλα να κάνουν εσφαλμένες συσχετίσεις με βάση φυλετικά ή κοινωνικοοικονομικά κριτήρια.

Ακόμη και τα βασικά στοιχεία της αστυνομίας για τα αναφερόμενα εγκλήματα ή τον αριθμό των συλλήψεων μπορεί να περιέχουν κρυφές προκαταλήψεις. Η βαριά αστυνόμευση ορισμένων περιοχών που υποτίθεται ότι έχουν υψηλή εγκληματικότητα λόγω προϋπαρχουσών προκαταλήψεων θα οδηγήσει σχεδόν αναπόφευκτα σε περισσότερες συλλήψεις. Και σε περιοχές με μεγάλη δυσπιστία προς την αστυνομία, τα εγκλήματα μπορεί συχνά να μην καταγγελθούν.

Ωστόσο, η δυνατότητα πρόβλεψης των τάσεων στην εγκληματική δραστηριότητα εκ των προτέρων θα μπορούσε να ωφελήσει την κοινωνία. Έτσι, μια ομάδα από το Πανεπιστήμιο του Σικάγο ανέπτυξε ένα νέο σύστημα μηχανικής μάθησης που μπορεί να προβλέψει πότε και πού είναι πιθανό να συμβούν εγκλήματα καλύτερα από τα προηγούμενα συστήματα και επίσης να χρησιμοποιηθεί για να διερευνήσει συστημικές προκαταλήψεις στην αστυνόμευση.

Οι ερευνητές αρχικά συγκέντρωσαν δεδομένα πολλών ετών από την αστυνομία του Σικάγο για βίαια εγκλήματα και εγκλήματα ιδιοκτησίας, καθώς και τον αριθμό των συλλήψεων που προέκυψαν από κάθε περιστατικό. Χρησιμοποίησαν αυτά τα δεδομένα για να εκπαιδεύσουν μια σειρά μοντέλων τεχνητής νοημοσύνης που δείχνουν πώς οι αλλαγές σε καθεμία από αυτές τις μεταβλητές επηρεάζουν τις άλλες.

Αυτό επέτρεψε στην ομάδα να προβλέψει τα επίπεδα εγκληματικότητας σε περιοχές πλάτους 1,000 ποδιών της πόλης έως και μια εβδομάδα νωρίτερα με 90 τοις εκατό ακρίβεια, όπως αναφέρεται σε πρόσφατη χαρτί σε Φύση Ανθρώπινη Συμπεριφορά. Οι ερευνητές έδειξαν επίσης ότι η προσέγγισή τους πέτυχε παρόμοια ακρίβεια όταν εκπαιδεύτηκαν σε δεδομένα από επτά άλλες πόλεις των ΗΠΑ. Και όταν το δοκίμασαν σε ένα σύνολο δεδομένων από μια πρόκληση προγνωστικής αστυνόμευσης που διεξήχθη από το Εθνικό Ινστιτούτο Δικαιοσύνης, ξεπέρασαν την καλύτερη προσέγγιση σε 119 από τις 120 κατηγορίες δοκιμών.

Οι ερευνητές έβαλαν την επιτυχία τους στην εγκατάλειψη προσεγγίσεων που επιβάλλουν χωρικούς περιορισμούς στο μοντέλο υποθέτοντας ότι το έγκλημα εμφανίζεται σε hotspots πριν εξαπλωθεί στις γύρω περιοχές. Αντίθετα, το μοντέλο τους ήταν σε θέση να καταγράψει πιο σύνθετες συνδέσεις που θα μπορούσαν να διαμεσολαβηθούν από συγκοινωνιακές συνδέσεις, δίκτυα επικοινωνίας ή δημογραφικές ομοιότητες μεταξύ διαφορετικών περιοχών της πόλης.

Ωστόσο, αναγνωρίζοντας ότι τα δεδομένα που χρησιμοποιήθηκαν για τη μελέτη ήταν πιθανό να έχουν μολυνθεί από υπάρχουσες προκαταλήψεις στις πρακτικές αστυνόμευσης, οι ερευνητές ερεύνησαν επίσης πώς το μοντέλο τους θα μπορούσε να χρησιμοποιηθεί για να αποκαλύψει πώς τέτοιες προκαταλήψεις θα μπορούσαν να διαστρεβλώνουν τον τρόπο με τον οποίο οι αρχές επιβολής του νόμου χρησιμοποιούν τους πόρους τους.

Όταν η ομάδα αύξησε τεχνητά τα επίπεδα τόσο του βίαιου όσο και του εγκλήματος κατά της ιδιοκτησίας σε πιο πλούσιες γειτονιές, οι συλλήψεις αυξήθηκαν, καθώς μειώθηκαν εκείνες στις φτωχότερες περιοχές. Αντίθετα, όταν τα επίπεδα εγκληματικότητας αυξήθηκαν σε φτωχές περιοχές, δεν σημειώθηκε αύξηση στις συλλήψεις. Το συμπέρασμα, λένε οι ερευνητές, είναι ότι οι πιο πλούσιες γειτονιές έχουν προτεραιότητα από την αστυνομία και μπορούν να αντλήσουν πόρους μακριά από τις φτωχότερες.

Για να επικυρώσουν τα ευρήματά τους, οι ερευνητές ανέλυσαν επίσης τα ακατέργαστα στοιχεία της αστυνομίας, χρησιμοποιώντας την εποχική αύξηση της εγκληματικότητας κατά τους καλοκαιρινούς μήνες για να διερευνήσουν την επίδραση των αυξημένων ποσοστών εγκληματικότητας σε διάφορες περιοχές. Τα αποτελέσματα αντικατοπτρίζουν τις τάσεις που προσδιορίζονται από το μοντέλο τους.

Παρά την ακρίβειά του, ο επικεφαλής της μελέτης Ishanu Chattopadhyay είπε στο α δελτίο τύπου ότι το εργαλείο δεν πρέπει να χρησιμοποιείται για τον άμεσο προσδιορισμό της κατανομής των αστυνομικών πόρων, αλλά αντίθετα ως εργαλείο για τη διερεύνηση καλύτερων στρατηγικών αστυνόμευσης. Περιγράφει το σύστημα ως ένα «ψηφιακό δίδυμο αστικών περιβαλλόντων» που μπορεί να βοηθήσει την αστυνομία να κατανοήσει τις επιπτώσεις διαφορετικών επιπέδων εγκληματικότητας ή επιβολής του νόμου σε διάφορα μέρη της πόλης.

Το αν η έρευνα μπορεί να βοηθήσει να κατευθύνει το πεδίο της προγνωστικής αστυνόμευσης προς μια πιο ευσυνείδητη και υπεύθυνη κατεύθυνση μένει να φανεί, αλλά οποιαδήποτε προσπάθεια εξισορρόπησης του δυναμικού δημόσιας ασφάλειας της τεχνολογίας έναντι των σημαντικών κινδύνων της είναι ένα βήμα προς τη σωστή κατεύθυνση.

Image Credit: Ντέιβιντ Ντι Ντίμαρ / Unsplash