Ez a mesterséges intelligencia egy héttel előre megjósolja a bűnözést – és kiemeli a rendészeti elfogultságot

A bűnözés előrejelzésére irányuló mesterséges intelligencia használatára tett erőfeszítések ellentmondásosak voltak, mivel lehetséges, hogy megismételjék a rendészetben meglévő elfogultságokat. A gépi tanulással hajtott új rendszer azonban nemcsak jobb előrejelzéseket ígér, hanem kiemeli ezeket az elfogultságokat is.

Ha van valami, amiben a modern gépi tanulás jó, az a minták észlelése és az előrejelzések megfogalmazása. Így talán nem meglepő, hogy a politika és a bűnüldözés területén sokan szívesen kamatoztatják ezeket a készségeket. A támogatók edzeni akarnak AI modellek korábbi bűnügyi nyilvántartásokkal és egyéb releváns adatokkal, hogy előre jelezze, mikor és hol történnek bűncselekmények, és az eredményeket felhasználja a rendőrségi erőfeszítések irányítására.

A probléma az, hogy az ilyen típusú adatok gyakran elrejtőznek mindenféle elfogultság amelyek túl könnyen replikálhatók, ha gondolkodás nélkül algoritmusok betanítására használják. A korábbi megközelítések néha olyan hamis változókat is tartalmaztak, mint például a graffitik vagy a demográfiai adatok jelenléte, amelyek könnyen vezethetnek a modellekhez faji vagy társadalmi-gazdasági kritériumok alapján hibás asszociációk létrehozásához.

Még a bejelentett bűncselekményekre vagy a letartóztatások számára vonatkozó alapvető rendőrségi adatok is tartalmazhatnak rejtett torzításokat. A korábban fennálló előítéletek miatt feltételezett, hogy bizonyos területeken magas a bûnözéssel járó intenzív rendõrség szinte elkerülhetetlenül több letartóztatáshoz vezet. Azokon a területeken pedig, ahol nagy a bizalmatlanság a rendőrséggel szemben, a bűncselekmények gyakran bejelentés nélkül maradnak.

Mindazonáltal a társadalom javára válhat, ha képes előre látni a bűnözés tendenciáit. Ezért a Chicagói Egyetem egy csoportja kifejlesztett egy új gépi tanulási rendszert, amely jobban meg tudja jósolni, hogy mikor és hol történnek a bűncselekmények, jobban, mint a korábbi rendszerek, és a rendészeti rendszerbeli torzítások vizsgálatára is használható.

A kutatók először a chicagói rendőrség több évre szóló adatait gyűjtötték össze az erőszakos és vagyon elleni bűncselekményekről, valamint az egyes incidensekből eredő letartóztatások számát. Ezeket az adatokat arra használták fel, hogy mesterséges intelligencia-modelleket képezzenek ki, amelyek megmutatják, hogy az egyes változók változásai hogyan hatnak a többire.

Ez lehetővé tette a csapat számára, hogy akár egy hétre előre, 1,000 százalékos pontossággal előre jelezze a bűnözés mértékét a város 90 láb széles területein. papír be Természet emberi viselkedés. A kutatók azt is kimutatták, hogy megközelítésük hasonló pontosságot ért el, amikor hét másik amerikai városból származó adatokon tanultak. Amikor pedig a National Institute of Justice által lebonyolított prediktív rendészeti kihívásból származó adathalmazon tesztelték, a 119 tesztelési kategória közül 120-ben felülmúlták a legjobb megközelítést.

A kutatók sikerüket abban tették le, hogy felhagytak azokkal a megközelítésekkel, amelyek térbeli korlátokat szabnak a modellnek, feltételezve, hogy a bűnözés a hotspotokon jelenik meg, mielőtt a környező területekre terjedne. Ehelyett a modelljük bonyolultabb kapcsolatokat tudott megragadni, amelyeket közlekedési kapcsolatok, kommunikációs hálózatok vagy demográfiai hasonlóságok közvetíthettek a város különböző régiói között.

Felismerve azonban, hogy a tanulmányhoz felhasznált adatokat valószínűleg beszennyezték a rendészeti gyakorlatban meglévő elfogultságok, a kutatók azt is megvizsgálták, hogyan lehetne modelljüket felhasználni annak feltárására, hogy az ilyen előítéletek miként torzíthatják a bűnüldöző szervek erőforrásainak felhasználását.

Amikor a csapat mesterségesen növelte az erőszakos és a tulajdon elleni bűncselekmények számát a gazdagabb negyedekben, a letartóztatások száma megugrott, ahogy a szegényebb területeken csökkent a letartóztatások száma. Ezzel szemben, amikor a szegény területeken megemelkedett a bűnözés, nem nőtt a letartóztatások száma. A kutatók szerint ebből az következik, hogy a gazdagabb városrészeket a rendőrség prioritásként kezeli, és el tudják vonni az erőforrásokat a szegényebbektől.

Eredményeik igazolása érdekében a kutatók a rendőrség nyers adatait is elemezték, felhasználva a nyári hónapok szezonális bûnnövekedését, hogy megvizsgálják a megnövekedett bûnözési ráta hatását a különbözõ területeken. Az eredmények tükrözték a modelljük által azonosított trendeket.

A pontosság ellenére a tanulmány vezetője, Ishanu Chattopadhyay azt mondta a sajtóközlemény hogy az eszközt nem a rendőrségi erőforrások elosztásának közvetlen meghatározására, hanem a jobb rendészeti stratégiák kivizsgálására kell használni. A rendszert a „városi környezet digitális ikerpárjaként” írja le, amely segíthet a rendőrségnek megérteni a különböző bűnözési vagy végrehajtási szint hatásait a város különböző részein.

Hogy a kutatás segíthet-e a prediktív rendészeti tevékenységet lelkiismeretesebb és felelősségteljesebb irányba terelni, azt még meg kell vizsgálni, de minden olyan erőfeszítés, amely a technológia közbiztonsági potenciálját a jelentős kockázatokkal egyensúlyba hozza, a helyes irányba tett lépés.

Kép: David von Diemar / Unsplash