تلاشها برای استفاده از هوش مصنوعی برای پیشبینی جرم به دلیل احتمال تکرار سوگیریهای موجود در پلیس، با بحث و جدل همراه بوده است. اما سیستم جدیدی که با یادگیری ماشینی طراحی شده است، نه تنها پیشبینیهای بهتری انجام میدهد، بلکه این سوگیریها را نیز برجسته میکند.
اگر یک چیز وجود داشته باشد که یادگیری ماشینی مدرن در آن خوب است، تشخیص الگوها و پیش بینی کردن است. بنابراین، شاید تعجب آور نباشد که بسیاری در دنیای سیاست و اجرای قانون مشتاق به استفاده از این مهارت ها هستند. طرفداران می خواهند آموزش دهند مدل های هوش مصنوعی با سوابق تاریخی جنایت و سایر داده های مرتبط برای پیش بینی زمان و مکان احتمال وقوع جنایت و استفاده از نتایج برای هدایت تلاش های پلیس.
مشکل این است که این نوع داده ها اغلب پنهان می شوند انواع تعصبات زمانی که برای آموزش الگوریتمها بهطور ناخواسته استفاده میشود، میتوان به راحتی آن را تکرار کرد. رویکردهای قبلی گاهی اوقات شامل متغیرهای جعلی مانند وجود گرافیتی یا دادههای جمعیتی میشدند، که به راحتی میتواند مدلها را به ایجاد ارتباطهای ناقص بر اساس معیارهای نژادی یا اجتماعی-اقتصادی سوق دهد.
حتی داده های اولیه پلیس در مورد جنایات گزارش شده یا تعداد دستگیری ها می تواند حاوی سوگیری های پنهان باشد. پلیس شدید در مناطق خاصی که به دلیل تعصبات از قبل وجود جرم و جنایت بالا فرض می شود، تقریباً به ناچار منجر به دستگیری های بیشتری می شود. و در مناطقی که بی اعتمادی زیاد به پلیس وجود دارد، جرایم اغلب ممکن است گزارش نشود.
با این وجود، توانایی پیشبینی روند فعالیتهای مجرمانه پیش از موعد میتواند به نفع جامعه باشد. بنابراین، گروهی از دانشگاه شیکاگو یک سیستم یادگیری ماشینی جدید توسعه داده اند که می تواند زمان و مکان وقوع جنایات را بهتر از سیستم های قبلی پیش بینی کند و همچنین برای بررسی سوگیری های سیستمی در پلیس استفاده شود.
محققان ابتدا داده های چندین ساله پلیس شیکاگو در مورد جرایم خشونت آمیز و دارایی و همچنین تعداد دستگیری های حاصل از هر حادثه را جمع آوری کردند. آنها از این دادهها برای آموزش مجموعهای از مدلهای هوش مصنوعی استفاده کردند که نشان میدهد چگونه تغییرات در هر یک از این متغیرها بر دیگران تأثیر میگذارد.
این به تیم اجازه داد تا سطح جرم و جنایت را در مناطقی به وسعت 1,000 فوت از شهر تا یک هفته قبل با دقت 90 درصد پیش بینی کند. کاغذ در رفتار انسان طبیعت. محققان همچنین نشان دادند که رویکرد آنها با آموزش داده های هفت شهر دیگر ایالات متحده به دقت مشابهی دست یافته است. و هنگامی که آنها آن را روی مجموعه دادهای از یک چالش پلیسی پیشبینیکننده که توسط مؤسسه ملی عدالت اجرا میشد، آزمایش کردند، از بهترین رویکرد در 119 از 120 دسته آزمایشی بهتر عمل کردند.
محققان موفقیت خود را در کنار گذاشتن رویکردهایی که محدودیتهای فضایی را بر مدل تحمیل میکنند، با فرض اینکه جرم در نقاط داغ قبل از گسترش به مناطق اطراف ظاهر میشود، خلاصه کردند. در عوض، مدل آنها میتوانست ارتباطات پیچیدهتری را ثبت کند که میتوانست با پیوندهای حملونقل، شبکههای ارتباطی یا شباهتهای جمعیتی بین مناطق مختلف شهر میانجیگری کند.
با این حال، با توجه به اینکه دادههای مورد استفاده برای این مطالعه احتمالاً توسط سوگیریهای موجود در شیوههای پلیسی آلوده شدهاند، محققان همچنین بررسی کردند که چگونه میتوان از مدل آنها برای کشف اینکه چگونه چنین پیش داوریهایی میتواند نحوه به کارگیری منابع مجری قانون را مخدوش کند، استفاده کرد.
زمانی که این تیم به طور مصنوعی سطح جنایات خشونتآمیز و جنایتهای ملکی را در محلههای ثروتمندتر افزایش داد، دستگیریها افزایش یافت، زیرا افرادی که در مناطق فقیرتر بودند کاهش یافتند. در مقابل، زمانی که سطح جرم و جنایت در مناطق فقیرنشین افزایش یافت، هیچ افزایشی در دستگیری ها مشاهده نشد. به گفته محققان، مفهوم این امر این است که محله های ثروتمندتر توسط پلیس در اولویت قرار دارند و می توانند منابع را از محله های فقیرتر دور کنند.
برای تایید یافتههای خود، محققان همچنین دادههای خام پلیس را با استفاده از افزایش فصلی جرم و جنایت در ماههای تابستان برای بررسی تأثیر افزایش نرخ جرم در مناطق مختلف تجزیه و تحلیل کردند. نتایج منعکس کننده روندهای شناسایی شده توسط مدل آنها بود.
علیرغم دقت آن، رهبر مطالعه، ایشانو چاتوپادیای در یک اطلاعیه مطبوعاتی این ابزار نباید برای تعیین مستقیم تخصیص منابع پلیس استفاده شود، بلکه باید به عنوان ابزاری برای بررسی استراتژی های پلیسی بهتر مورد استفاده قرار گیرد. او این سیستم را به عنوان «دوقلو دیجیتالی از محیطهای شهری» توصیف میکند که میتواند به پلیس کمک کند تا تأثیرات مختلف جنایات یا سطوح اجرایی در نقاط مختلف شهر را درک کند.
اینکه آیا این تحقیق میتواند به هدایت حوزه پلیس پیشبینیکننده در جهتی دقیقتر و مسئولانهتر کمک کند، هنوز مشخص نیست، اما هر تلاشی برای ایجاد تعادل بین پتانسیل امنیت عمومی فناوری در برابر خطرات قابل توجه آن، گامی در جهت درست است.
تصویر های اعتباری: دیوید فون دیمار / می Unsplash
- AI
- آی هنر
- مولد هنر ai
- ربات ai
- هوش مصنوعی
- گواهی هوش مصنوعی
- هوش مصنوعی در بانکداری
- ربات هوش مصنوعی
- ربات های هوش مصنوعی
- نرم افزار هوش مصنوعی
- بلاکچین
- کنفرانس بلاک چین ai
- coingenius
- هوش مصنوعی محاوره ای
- کنفرانس کریپتو ai
- دل-ه
- یادگیری عمیق
- اصول اخلاق
- گوگل ai
- فراگیری ماشین
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- بازی افلاطون
- PlatoData
- بازی پلاتو
- مقیاس Ai
- تکینگی هاب
- نحو
- تاپیک
- زفیرنت