Tämä tekoäly ennustaa rikollisuuden viikkoa etukäteen – ja korostaa poliisin harhaa

Pyrkimykset käyttää tekoälyä rikosten ennustamiseen ovat olleet ristiriitaisia, koska poliisitoiminnassa on mahdollista toistaa olemassa olevia ennakkoluuloja. Mutta uusi koneoppimisen tehostava järjestelmä lupaa paitsi tehdä parempia ennusteita myös korostaa näitä harhoja.

Jos nykyaikainen koneoppiminen on hyvä asia, se on kuvioiden havaitseminen ja ennusteiden tekeminen. Joten ei ehkä ole yllättävää, että monet politiikan ja lainvalvontaviranomaisten maailmassa haluavat käyttää näitä taitojaan. Kannattajat haluavat kouluttaa AI-mallit historiallisten rikosrekisterien ja muiden asiaankuuluvien tietojen avulla ennustaakseen, milloin ja missä rikoksia todennäköisesti tapahtuu, ja käyttää tuloksia ohjaamaan poliisitoimia.

Ongelmana on, että tällaiset tiedot usein piiloutuvat kaikenlaisia ​​ennakkoluuloja jotka voidaan replikoida liian helposti, kun niitä käytetään algoritmien kouluttamiseen ajattelemattomasti. Aikaisemmat lähestymistavat ovat joskus sisältäneet vääriä muuttujia, kuten graffitien tai demografisten tietojen läsnäoloa, mikä voi helposti johtaa mallien luomaan virheellisiä assosiaatioita rodullisten tai sosioekonomisten kriteerien perusteella.

Jopa poliisin perustiedot ilmoitetuista rikoksista tai pidätysmääristä voivat sisältää piilotettuja ennakkoluuloja. Tiukka poliisitoiminta tietyillä alueilla, joiden oletetaan olevan korkea rikollisuus jo olemassa olevien ennakkoluulojen vuoksi, johtaa lähes väistämättä uusiin pidätyksiin. Ja alueilla, joilla poliisia kohtaan ei luota, rikokset voivat usein jäädä ilmoittamatta.

Siitä huolimatta, että pystymme ennakoimaan rikollisen toiminnan kehityssuunnat etukäteen, voisi olla hyötyä yhteiskunnalle. Joten Chicagon yliopiston ryhmä on kehittänyt uuden koneoppimisjärjestelmän, joka voi ennustaa, milloin ja missä rikokset todennäköisesti tapahtuvat, paremmin kuin aiemmat järjestelmät, ja jota voidaan käyttää myös poliisitoiminnan systeemisten harhojen tutkimiseen.

Tutkijat kokosivat ensin useita vuosia Chicagon poliisilta saatuja tietoja väkivalta- ja omaisuusrikoksista sekä kustakin tapauksesta johtuvien pidätysten lukumäärästä. He käyttivät näitä tietoja kouluttaakseen sarjan tekoälymalleja, jotka osoittavat, kuinka muutokset kussakin näistä muuttujista vaikuttavat muihin.

Tämä antoi tiimille mahdollisuuden ennustaa rikollisuuden tasoa 1,000 90 jalkaa leveillä alueilla kaupungissa jopa viikkoa etukäteen XNUMX prosentin tarkkuudella, kuten äskettäin raportoitu. paperi sisään Luonnon ihmisen käyttäytyminen. Tutkijat osoittivat myös, että heidän lähestymistapansa saavutti saman tarkkuuden, kun he harjoittelivat tietoja seitsemästä muusta Yhdysvaltain kaupungista. Ja kun he testasivat sitä National Institute of Justice -instituutin ennustavan poliisihaasteen tietojoukossa, he suoriutuivat parhaan lähestymistavan 119:ssä 120:sta testausluokasta.

Tutkijat painottivat menestymisensä luopumiseen lähestymistavoista, jotka asettavat mallille alueellisia rajoituksia olettaen, että rikollisuutta esiintyy hotspoteissa ennen leviämistä ympäröiville alueille. Sen sijaan heidän mallinsa kykeni vangitsemaan monimutkaisempia yhteyksiä, joita saattoivat välittää liikenneyhteydet, viestintäverkot tai demografiset samankaltaisuudet kaupungin eri alueiden välillä.

Ymmärtääkseen, että tutkimuksessa käytetyt tiedot olivat todennäköisesti saastuttamia poliisikäytäntöjen vääristymiä, tutkijat tutkivat myös, kuinka heidän malliaan voitaisiin käyttää paljastamaan, kuinka tällaiset ennakkoluulot voivat vääristää tapaa, jolla lainvalvonta käyttää resurssejaan.

Kun ryhmä lisäsi keinotekoisesti sekä väkivaltaisten että omaisuusrikosten määrää vauraimmilla alueilla, pidätykset lisääntyivät, kun köyhien alueiden pidätykset vähenivät. Sitä vastoin, kun rikollisuuden tasoa nostettiin köyhillä alueilla, pidätykset eivät lisääntyneet. Tutkijoiden mukaan tämä tarkoittaa, että poliisi asettaa etusijalle varakkaammat kaupunginosat ja ne voivat vetää resursseja pois köyhemmiltä.

Vahvistaakseen havaintojaan tutkijat analysoivat myös poliisin raakadataa käyttämällä rikollisuuden kausittaista kasvua kesäkuukausina tutkiakseen kohonneiden rikosten vaikutusta eri alueilla. Tulokset heijastivat mallin tunnistamia trendejä.

Tarkkuudestaan ​​huolimatta tutkimuksen johtaja Ishanu Chattopadhyay sanoi a lehdistötiedote että työkalua ei pitäisi käyttää suoraan poliisin resurssien kohdentamiseen, vaan sen sijaan välineenä parempien poliisistrategioiden tutkimiseen. Hän kuvailee järjestelmää "kaupunkiympäristöjen digitaaliseksi kaksoisjäseneksi", joka voi auttaa poliisia ymmärtämään erilaisten rikosten tai täytäntöönpanotasojen vaikutukset kaupungin eri osissa.

Nähtäväksi jää, voiko tutkimus ohjata ennakoivan poliisitoiminnan alaa tunnollisempaan ja vastuullisempaan suuntaan, mutta kaikki pyrkimykset tasapainottaa teknologian yleistä turvallisuutta ja sen suuria riskejä ovat askel oikeaan suuntaan.

Kuva pistetilanne: David von Diemar / Unsplash