यह एआई एक सप्ताह पहले अपराध की भविष्यवाणी करता है—और पुलिसिंग पूर्वाग्रह पर प्रकाश डालता है

पुलिसिंग में मौजूदा पूर्वाग्रहों को दोहराने की क्षमता के कारण अपराध की भविष्यवाणी करने के लिए एआई का उपयोग करने के प्रयास विवादों से भरे रहे हैं। लेकिन मशीन लर्निंग द्वारा संचालित एक नई प्रणाली न केवल बेहतर भविष्यवाणियां करने का वादा करती है बल्कि इन पूर्वाग्रहों को भी उजागर करती है।

अगर एक चीज है जिसमें आधुनिक मशीन लर्निंग अच्छी है, तो वह है पैटर्न का पता लगाना और भविष्यवाणियां करना। इसलिए, यह शायद आश्चर्यजनक नहीं है कि नीति और कानून प्रवर्तन जगत में कई लोग इन कौशलों का उपयोग करने के इच्छुक हैं। समर्थक प्रशिक्षित करना चाहते हैं एआई मॉडल ऐतिहासिक अपराध रिकॉर्ड और अन्य प्रासंगिक डेटा के साथ यह अनुमान लगाने के लिए कि अपराध कब और कहाँ होने की संभावना है और परिणामों का उपयोग पुलिस के प्रयासों को निर्देशित करने के लिए करें।

समस्या यह है कि इस प्रकार का डेटा अक्सर छुपा रहता है सभी प्रकार के पूर्वाग्रह एल्गोरिदम को बिना सोचे समझे प्रशिक्षित करने के लिए उपयोग किए जाने पर इसे बहुत आसानी से दोहराया जा सकता है। पिछले दृष्टिकोणों में कभी-कभी नकली चर शामिल होते हैं जैसे कि भित्तिचित्र या जनसांख्यिकीय डेटा की उपस्थिति, जो आसानी से नस्लीय या सामाजिक आर्थिक मानदंडों के आधार पर त्रुटिपूर्ण संघ बनाने के लिए मॉडल का नेतृत्व कर सकते हैं।

यहां तक ​​कि रिपोर्ट किए गए अपराधों या गिरफ्तारियों की संख्या पर पुलिस के बुनियादी आंकड़ों में छिपे हुए पूर्वाग्रह शामिल हो सकते हैं। पूर्व-विद्यमान पूर्वाग्रहों के कारण अपराध में उच्च माने जाने वाले कुछ क्षेत्रों की भारी पुलिसिंग लगभग अनिवार्य रूप से अधिक गिरफ्तारी का कारण बनेगी। और पुलिस के प्रति अत्यधिक अविश्वास वाले क्षेत्रों में, अपराध अक्सर रिपोर्ट नहीं किए जा सकते हैं।

बहरहाल, समय से पहले आपराधिक गतिविधियों में प्रवृत्तियों का अनुमान लगाने में सक्षम होने से समाज को लाभ हो सकता है। इसलिए, शिकागो विश्वविद्यालय के एक समूह ने एक नई मशीन सीखने की प्रणाली विकसित की है जो भविष्यवाणी कर सकती है कि अपराध कब और कहाँ पिछली प्रणालियों की तुलना में बेहतर होने की संभावना है और इसका उपयोग पुलिसिंग में प्रणालीगत पूर्वाग्रहों की जांच के लिए भी किया जा सकता है।

शोधकर्ताओं ने पहले हिंसक और संपत्ति अपराधों पर शिकागो पुलिस से कई वर्षों के डेटा के साथ-साथ प्रत्येक घटना के परिणामस्वरूप गिरफ्तारियों की संख्या को एकत्रित किया। उन्होंने इस डेटा का उपयोग एआई मॉडल के एक सूट को प्रशिक्षित करने के लिए किया जो दिखाता है कि इनमें से प्रत्येक चर में परिवर्तन दूसरों को कैसे प्रभावित करता है।

इसने टीम को 1,000 प्रतिशत सटीकता के साथ एक सप्ताह पहले तक शहर के 90 फुट चौड़े क्षेत्रों में अपराध के स्तर की भविष्यवाणी करने की अनुमति दी, जैसा कि हाल ही में रिपोर्ट किया गया है। कागज में प्रकृति मानव व्यवहार. सात अन्य अमेरिकी शहरों के डेटा पर प्रशिक्षित होने पर शोधकर्ताओं ने यह भी दिखाया कि उनके दृष्टिकोण ने समान सटीकता हासिल की। और जब उन्होंने नेशनल इंस्टीट्यूट ऑफ जस्टिस द्वारा चलाए जा रहे भविष्य कहनेवाला पुलिसिंग चुनौती से एक डेटासेट पर इसका परीक्षण किया, तो उन्होंने 119 परीक्षण श्रेणियों में से 120 में सर्वश्रेष्ठ दृष्टिकोण से बेहतर प्रदर्शन किया।

शोधकर्ताओं ने अपनी सफलता को उन दृष्टिकोणों को छोड़ने के लिए नीचे रखा जो मॉडल पर स्थानिक बाधाओं को लागू करते हैं, यह मानते हुए कि अपराध आसपास के क्षेत्रों में फैलने से पहले हॉटस्पॉट में दिखाई देता है। इसके बजाय, उनका मॉडल अधिक जटिल कनेक्शनों को पकड़ने में सक्षम था जो कि शहर के विभिन्न क्षेत्रों के बीच परिवहन लिंक, संचार नेटवर्क या जनसांख्यिकीय समानता द्वारा मध्यस्थता की जा सकती थी।

हालांकि, इस मान्यता में कि अध्ययन के लिए इस्तेमाल किए गए डेटा को पुलिसिंग प्रथाओं में मौजूदा पूर्वाग्रहों से दूषित होने की संभावना थी, शोधकर्ताओं ने यह भी जांच की कि उनके मॉडल का उपयोग कैसे किया जा सकता है ताकि यह पता लगाया जा सके कि कानून प्रवर्तन अपने संसाधनों को तैनात करने के तरीके को कैसे विकृत कर सकता है।

जब टीम ने कृत्रिम रूप से अमीर इलाकों में हिंसक और संपत्ति अपराध दोनों के स्तर को बढ़ाया, तो गिरफ्तारियां बढ़ गईं, क्योंकि गरीब इलाकों में गिर गया। इसके विपरीत, जब गरीब इलाकों में अपराध का स्तर बढ़ा, तो गिरफ्तारी में कोई वृद्धि नहीं हुई। शोधकर्ताओं का कहना है कि निहितार्थ यह है कि पुलिस द्वारा समृद्ध पड़ोस को प्राथमिकता दी जाती है और संसाधनों को गरीब लोगों से दूर कर सकते हैं।

अपने निष्कर्षों को मान्य करने के लिए, शोधकर्ताओं ने विभिन्न क्षेत्रों में उच्च अपराध दर के प्रभाव की जांच के लिए गर्मी के महीनों के दौरान अपराध में मौसमी वृद्धि का उपयोग करते हुए कच्चे पुलिस डेटा का भी विश्लेषण किया। परिणामों ने उनके मॉडल द्वारा पहचाने गए रुझानों को प्रतिबिंबित किया।

इसकी सटीकता के बावजूद, अध्ययन नेता ईशानु चट्टोपाध्याय ने कहा प्रेस विज्ञप्ति कि उपकरण का उपयोग सीधे पुलिस संसाधनों के आवंटन को निर्धारित करने के लिए नहीं किया जाना चाहिए, बल्कि बेहतर पुलिसिंग रणनीतियों की जांच के लिए एक उपकरण के रूप में किया जाना चाहिए। वह सिस्टम को "शहरी वातावरण के डिजिटल जुड़वां" के रूप में वर्णित करता है जो पुलिस को शहर के विभिन्न हिस्सों में अलग-अलग अपराध या प्रवर्तन स्तरों के प्रभावों को समझने में मदद कर सकता है।

क्या अनुसंधान भविष्य कहनेवाला पुलिसिंग के क्षेत्र को अधिक ईमानदार और जिम्मेदार दिशा में निर्देशित करने में मदद कर सकता है, लेकिन प्रौद्योगिकी की सार्वजनिक सुरक्षा क्षमता को इसके बड़े जोखिमों के खिलाफ संतुलित करने का कोई भी प्रयास सही दिशा में एक कदम है।

छवि क्रेडिट: डेविड वॉन डायमर / Unsplash