Questa IA prevede il crimine con una settimana di anticipo e mette in evidenza i pregiudizi della polizia

Gli sforzi per utilizzare l'IA per prevedere il crimine sono stati pieni di polemiche a causa del potenziale per replicare i pregiudizi esistenti nella polizia. Ma un nuovo sistema basato sull'apprendimento automatico promette non solo di fare previsioni migliori, ma anche di evidenziare questi pregiudizi.

Se c'è una cosa in cui l'apprendimento automatico moderno è bravo, è individuare schemi e fare previsioni. Quindi, forse non sorprende che molti nel mondo delle politiche e delle forze dell'ordine siano desiderosi di mettere a frutto queste capacità. I fautori vogliono allenarsi Modelli AI con precedenti penali e altri dati rilevanti per prevedere quando e dove è probabile che si verifichino crimini e utilizzare i risultati per dirigere gli sforzi di polizia.

Il problema è che questo tipo di dati spesso si nasconde tutti i tipi di pregiudizi che può essere replicato troppo facilmente se usato per addestrare algoritmi senza pensarci. Gli approcci precedenti hanno talvolta incluso variabili spurie come la presenza di graffiti o dati demografici, che possono facilmente portare i modelli a creare associazioni imperfette basate su criteri razziali o socioeconomici.

Anche i dati di base della polizia sui crimini denunciati o sul numero di arresti possono contenere pregiudizi nascosti. L'intensa attività di polizia in alcune aree ritenute ad alto tasso di criminalità a causa di pregiudizi preesistenti porterà quasi inevitabilmente a più arresti. E nelle aree con un'elevata sfiducia nei confronti della polizia, i crimini spesso non vengono denunciati.

Tuttavia, essere in grado di anticipare in anticipo le tendenze dell'attività criminale potrebbe avvantaggiare la società. Quindi, un gruppo dell'Università di Chicago ha sviluppato un nuovo sistema di apprendimento automatico in grado di prevedere quando e dove è probabile che si verifichino crimini meglio dei sistemi precedenti e può essere utilizzato anche per sondare i pregiudizi sistemici nella polizia.

I ricercatori hanno prima raccolto diversi anni di dati dalla polizia di Chicago sui crimini violenti e contro la proprietà, nonché sul numero di arresti risultanti da ciascun incidente. Hanno utilizzato questi dati per addestrare una suite di modelli di intelligenza artificiale che mostrano come i cambiamenti in ciascuna di queste variabili influiscano sulle altre.

Ciò ha consentito al team di prevedere i livelli di criminalità in aree della città larghe 1,000 piedi fino a una settimana in anticipo con una precisione del 90%, come riportato in un recente carta dentro Natura comportamento umano. I ricercatori hanno anche dimostrato che il loro approccio ha raggiunto una precisione simile quando è stato addestrato sui dati di altre sette città degli Stati Uniti. E quando lo hanno testato su un set di dati di una sfida di polizia predittiva gestita dall'Istituto nazionale di giustizia, hanno superato il miglior approccio in 119 delle 120 categorie di test.

I ricercatori attribuiscono il loro successo all'abbandono di approcci che impongono vincoli spaziali al modello presumendo che il crimine appaia negli hotspot prima di diffondersi nelle aree circostanti. Invece, il loro modello è stato in grado di catturare connessioni più complesse che potrebbero essere mediate da collegamenti di trasporto, reti di comunicazione o somiglianze demografiche tra diverse regioni della città.

Tuttavia, riconoscendo che i dati utilizzati per lo studio potrebbero essere stati contaminati da pregiudizi esistenti nelle pratiche di polizia, i ricercatori hanno anche studiato come il loro modello potrebbe essere utilizzato per scoprire come tali pregiudizi potrebbero distorcere il modo in cui le forze dell'ordine utilizzano le proprie risorse.

Quando la squadra ha aumentato artificialmente i livelli di criminalità violenta e contro il patrimonio nei quartieri più ricchi, gli arresti sono aumentati, mentre quelli nelle aree più povere sono diminuiti. Al contrario, quando i livelli di criminalità sono aumentati nelle aree povere, non c'è stato alcun aumento degli arresti. L'implicazione, affermano i ricercatori, è che i quartieri più ricchi hanno la priorità da parte della polizia e possono attingere risorse da quelli più poveri.

Per convalidare i loro risultati, i ricercatori hanno anche analizzato i dati grezzi della polizia, utilizzando l'aumento stagionale della criminalità durante i mesi estivi per indagare sull'effetto degli elevati tassi di criminalità in diverse aree. I risultati rispecchiavano le tendenze identificate dal loro modello.

Nonostante la sua accuratezza, il leader dello studio Ishanu Chattopadhyay ha detto in a comunicato stampa che lo strumento non dovrebbe essere utilizzato per determinare direttamente l'allocazione delle risorse di polizia, ma invece come strumento per indagare migliori strategie di polizia. Descrive il sistema come un "gemello digitale degli ambienti urbani" che può aiutare la polizia a comprendere gli effetti dei diversi livelli di criminalità o di applicazione in diverse parti della città.

Resta da vedere se la ricerca può aiutare a dirigere il campo della polizia predittiva in una direzione più coscienziosa e responsabile, ma qualsiasi sforzo per bilanciare il potenziale di sicurezza pubblica della tecnologia contro i suoi considerevoli rischi è un passo nella giusta direzione.

Immagine di credito: David Von Diemar / Unsplash