AI Ini Memprediksi Kejahatan Seminggu Sebelumnya—dan Menyoroti Bias Pemolisian

Upaya untuk menggunakan AI untuk memprediksi kejahatan telah penuh dengan kontroversi karena potensi untuk meniru bias yang ada dalam kepolisian. Tetapi sistem baru yang didukung oleh pembelajaran mesin menjanjikan tidak hanya membuat prediksi yang lebih baik tetapi juga menyoroti bias ini.

Jika ada satu hal yang menjadi keunggulan pembelajaran mesin modern, itu adalah menemukan pola dan membuat prediksi. Jadi, mungkin tidak mengejutkan bahwa banyak orang di dunia kebijakan dan penegakan hukum tertarik untuk menggunakan keterampilan ini. Para pendukung ingin melatih Model AI dengan catatan kejahatan historis dan data relevan lainnya untuk memprediksi kapan dan di mana kejahatan akan terjadi dan menggunakan hasilnya untuk mengarahkan upaya kepolisian.

Masalahnya adalah data semacam ini sering disembunyikan segala macam bias yang bisa terlalu mudah direplikasi ketika digunakan untuk melatih algoritma tanpa berpikir. Pendekatan sebelumnya terkadang memasukkan variabel palsu seperti keberadaan grafiti atau data demografis, yang dapat dengan mudah mengarahkan model untuk membuat asosiasi yang salah berdasarkan kriteria ras atau sosial ekonomi.

Bahkan data dasar polisi tentang kejahatan yang dilaporkan atau jumlah penangkapan dapat mengandung bias tersembunyi. Pemolisian yang ketat di daerah-daerah tertentu yang dianggap memiliki tingkat kejahatan yang tinggi karena prasangka yang sudah ada hampir pasti akan menyebabkan lebih banyak penangkapan. Dan di daerah dengan tingkat ketidakpercayaan yang tinggi terhadap polisi, kejahatan seringkali tidak dilaporkan.

Meskipun demikian, mampu mengantisipasi tren kegiatan kriminal sebelumnya dapat bermanfaat bagi masyarakat. Jadi, sekelompok dari University of Chicago telah mengembangkan sistem pembelajaran mesin baru yang dapat memprediksi kapan dan di mana kejahatan cenderung terjadi lebih baik daripada sistem sebelumnya dan juga digunakan untuk menyelidiki bias sistemik dalam kepolisian.

Para peneliti pertama-tama mengumpulkan data selama beberapa tahun dari polisi Chicago tentang kejahatan kekerasan dan properti, serta jumlah penangkapan yang dihasilkan dari setiap insiden. Mereka menggunakan data ini untuk melatih serangkaian model AI yang menunjukkan bagaimana perubahan di masing-masing variabel ini memengaruhi yang lain.

Hal ini memungkinkan tim untuk memprediksi tingkat kejahatan di area seluas 1,000 kaki di kota hingga seminggu sebelumnya dengan akurasi 90 persen, seperti yang dilaporkan dalam laporan baru-baru ini. kertas masuk Alam Perilaku Manusia. Para peneliti juga menunjukkan pendekatan mereka mencapai akurasi yang sama ketika dilatih pada data dari tujuh kota AS lainnya. Dan ketika mereka mengujinya pada kumpulan data dari tantangan kepolisian prediktif yang dijalankan oleh National Institute of Justice, mereka mengungguli pendekatan terbaik dalam 119 dari 120 kategori pengujian.

Para peneliti meletakkan keberhasilan mereka untuk meninggalkan pendekatan yang memaksakan kendala spasial pada model dengan asumsi kejahatan muncul di hotspot sebelum menyebar ke daerah sekitarnya. Sebaliknya, model mereka mampu menangkap koneksi yang lebih kompleks yang dapat dimediasi oleh jaringan transportasi, jaringan komunikasi, atau kesamaan demografis antara berbagai wilayah kota.

Namun, menyadari bahwa data yang digunakan untuk penelitian ini kemungkinan telah tercemar oleh bias yang ada dalam praktik kepolisian, para peneliti juga menyelidiki bagaimana model mereka dapat digunakan untuk mengungkap bagaimana prasangka tersebut dapat mendistorsi cara penegakan hukum menggunakan sumber dayanya.

Ketika tim secara artifisial meningkatkan tingkat kejahatan kekerasan dan properti di lingkungan yang lebih kaya, penangkapan melonjak, sementara di daerah yang lebih miskin menurun. Sebaliknya, ketika tingkat kejahatan meningkat di daerah miskin, tidak ada peningkatan penangkapan. Implikasinya, kata para peneliti, adalah bahwa lingkungan yang lebih kaya diprioritaskan oleh polisi dan dapat menarik sumber daya dari yang lebih miskin.

Untuk memvalidasi temuan mereka, para peneliti juga menganalisis data polisi mentah, menggunakan peningkatan musiman kejahatan selama bulan-bulan musim panas untuk menyelidiki efek dari tingkat kejahatan yang meningkat di berbagai daerah. Hasilnya mencerminkan tren yang diidentifikasi oleh model mereka.

Terlepas dari keakuratannya, pemimpin studi Ishanu Chattopadhyay mengatakan dalam a tekan rilis bahwa alat tersebut tidak boleh digunakan untuk secara langsung menentukan alokasi sumber daya kepolisian, tetapi sebagai alat untuk menyelidiki strategi pemolisian yang lebih baik. Dia menggambarkan sistem itu sebagai “kembaran digital lingkungan perkotaan” yang dapat membantu polisi memahami efek dari berbagai tingkat kejahatan atau penegakan hukum di berbagai bagian kota.

Apakah penelitian dapat membantu mengarahkan bidang kepolisian prediktif ke arah yang lebih teliti dan bertanggung jawab masih harus dilihat, tetapi upaya apa pun untuk menyeimbangkan potensi keselamatan publik teknologi dengan risikonya yang cukup besar adalah langkah ke arah yang benar.

Gambar Kredit: david von diemar / Unsplash