בינה מלאכותית זו חוזה פשע שבוע מראש - ומדגישה את הטיית השיטור

המאמצים להשתמש בבינה מלאכותית כדי לחזות פשע היו מלאי מחלוקת בשל הפוטנציאל לשכפל הטיות קיימות במשטרה. אבל מערכת חדשה המופעלת על ידי למידת מכונה טומנת בחובה לא רק תחזיות טובות יותר אלא גם להדגיש את ההטיות הללו.

אם יש דבר אחד שלמידת מכונה מודרנית טובה בו, זה לזהות דפוסים ולבצע תחזיות. לכן, זה אולי לא מפתיע שרבים בעולם המדיניות ואכיפת החוק מעוניינים להשתמש במיומנויות אלה. התומכים רוצים להתאמן דגמי AI עם רישומי פשיעה היסטוריים ונתונים רלוונטיים אחרים כדי לחזות מתי והיכן פשעים צפויים להתרחש ולהשתמש בתוצאות כדי לכוון את מאמצי השיטור.

הבעיה היא שסוג זה של נתונים מסתתר לעתים קרובות כל מיני הטיות שניתן לשכפל בקלות רבה מדי כאשר משתמשים בהם לאימון אלגוריתמים ללא מחשבה. גישות קודמות כללו לפעמים משתנים מזויפים כמו נוכחות של גרפיטי או נתונים דמוגרפיים, שיכולים בקלות להוביל מודלים ליצור אסוציאציות פגומות על סמך קריטריונים גזעיים או סוציו-אקונומיים.

אפילו נתונים בסיסיים של המשטרה על פשעים מדווחים או מספרי מעצרים יכולים להכיל הטיות נסתרות. שיטור כבד של אזורים מסוימים שלפי ההנחה הם עתירי פשיעה עקב דעות קדומות קיימות יוביל כמעט בהכרח ליותר מעצרים. ובאזורים שבהם יש חוסר אמון רב במשטרה, פשעים יכולים לעתים קרובות לא לדווח.

אף על פי כן, היכולת לצפות מראש מגמות בפעילות פלילית עשויה להועיל לחברה. אז, קבוצה מאוניברסיטת שיקגו פיתחה מערכת למידת מכונה חדשה שיכולה לחזות מתי והיכן פשעים צפויים להתרחש טוב יותר ממערכות קודמות וגם לשמש כדי לחקור הטיות מערכתיות בשיטור.

החוקרים אספו לראשונה נתונים של כמה שנים ממשטרת שיקגו על פשעי אלימות ורכוש, כמו גם את מספר המעצרים הנובעים מכל אירוע. הם השתמשו בנתונים האלה כדי לאמן חבילה של מודלים של AI שמראים כיצד שינויים בכל אחד מהמשתנים הללו משפיעים על האחרים.

זה אפשר לצוות לחזות את רמות הפשיעה באזורים ברוחב של 1,000 רגל בעיר עד שבוע מראש עם דיוק של 90 אחוז, כפי שדווח לאחרונה נייר פנימה טבע האדם התנהגות. החוקרים גם הראו שהגישה שלהם השיגה דיוק דומה כשהתאמן על נתונים משבע ערים אחרות בארה"ב. וכאשר הם בדקו את זה על מערך נתונים מאתגר שיטור חזוי שנוהל על ידי המכון הלאומי לצדק, הם עלו על הגישה הטובה ביותר ב-119 מתוך 120 קטגוריות בדיקה.

החוקרים הביאו את הצלחתם לנטישת גישות המטילות מגבלות מרחביות על המודל על ידי הנחה שהפשע מופיע בנקודות חמות לפני התפשטות לאזורים שמסביב. במקום זאת, המודל שלהם הצליח ללכוד קשרים מורכבים יותר שיכולים להיות מתווכים על ידי קישורי תחבורה, רשתות תקשורת או קווי דמיון דמוגרפיים בין אזורים שונים של העיר.

עם זאת, מתוך הכרה שסביר להניח שהנתונים ששימשו למחקר היו נגועים בהטיות קיימות בפרקטיקות השיטור, החוקרים גם חקרו כיצד ניתן להשתמש במודל שלהם כדי לחשוף כיצד דעות קדומות כאלה עלולות לעוות את האופן שבו רשויות אכיפת החוק פורסות את משאביה.

כשהצוות העלה באופן מלאכותי את רמות הפשיעה האלימה והרכוש בשכונות עשירות יותר, המעצרים קפצו, כאשר אלה באזורים עניים ירדו. לעומת זאת, כאשר רמות הפשיעה הוגברו באזורים עניים, לא נרשמה עלייה במעצרים. המשמעות, אומרים החוקרים, היא ששכונות עשירות יותר נמצאות בראש סדר העדיפויות של המשטרה ויכולות למשוך משאבים מהעניות יותר.

כדי לאמת את הממצאים שלהם, החוקרים ניתחו גם את נתוני המשטרה הגולמיים, תוך שימוש בעלייה העונתית בפשיעה בחודשי הקיץ כדי לחקור את ההשפעה של שיעורי פשיעה גבוהים באזורים שונים. התוצאות שיקפו את המגמות שזוהו על ידי המודל שלהם.

למרות הדיוק שלו, אמר מנהיג המחקר אישאנו צ'טטופדיאי ב-a בידיעה שהונפקה לתקשורת שאין להשתמש בכלי לקביעה ישירה של הקצאת משאבי המשטרה, אלא ככלי לחקירת אסטרטגיות שיטור טובות יותר. הוא מתאר את המערכת כ"תאומה דיגיטלית של סביבות עירוניות" שיכול לעזור למשטרה להבין את ההשפעות של רמות פשיעה או אכיפה שונות בחלקים שונים של העיר.

האם המחקר יכול לעזור לכוון את תחום השיטור החזוי לכיוון מצפוני ואחראי יותר נותר לראות, אבל כל מאמץ לאזן את פוטנציאל בטיחות הציבור של הטכנולוגיה מול הסיכונים הגדולים שלה הוא צעד בכיוון הנכון.

תמונת אשראי: דייויד פון דימר / Unsplash