Deze AI voorspelt misdaad een week van tevoren - en benadrukt de vooringenomenheid van de politie

Pogingen om AI te gebruiken om misdaad te voorspellen, zijn beladen met controverses vanwege het potentieel om bestaande vooroordelen in het politiewerk te repliceren. Maar een nieuw systeem, aangedreven door machine learning, belooft niet alleen betere voorspellingen te doen, maar ook deze vooroordelen te benadrukken.

Als er iets is waar moderne machine learning goed in is, dan is het wel patronen ontdekken en voorspellingen doen. Het is dus misschien niet verwonderlijk dat velen in de beleids- en wetshandhavingswereld deze vaardigheden graag willen gebruiken. Voorstanders willen trainen AI-modellen met historische misdaadgegevens en andere relevante gegevens om te voorspellen waar en wanneer misdaden zullen plaatsvinden en de resultaten te gebruiken om de politie-inspanningen te sturen.

Het probleem is dat dit soort gegevens vaak verborgen blijven allerlei vooroordelen dat kan te gemakkelijk worden gerepliceerd wanneer het wordt gebruikt om algoritmen onnadenkend te trainen. Eerdere benaderingen bevatten soms valse variabelen zoals de aanwezigheid van graffiti of demografische gegevens, die modellen gemakkelijk kunnen leiden tot het maken van onjuiste associaties op basis van raciale of sociaaleconomische criteria.

Zelfs elementaire politiegegevens over gemelde misdrijven of aantallen arrestaties kunnen verborgen vooroordelen bevatten. Zwaar politietoezicht in bepaalde gebieden waarvan wordt aangenomen dat er veel criminaliteit is vanwege reeds bestaande vooroordelen, zal bijna onvermijdelijk leiden tot meer arrestaties. En in gebieden met een groot wantrouwen jegens de politie, kunnen misdrijven vaak niet worden gemeld.

Desalniettemin kan het de samenleving ten goede komen als we tijdig kunnen anticiperen op trends in criminele activiteiten. Daarom heeft een groep van de Universiteit van Chicago een nieuw machine learning-systeem ontwikkeld dat beter kan voorspellen wanneer en waar misdaden zullen plaatsvinden dan eerdere systemen en dat ook kan worden gebruikt om systemische vooroordelen bij de politie te onderzoeken.

De onderzoekers verzamelden eerst enkele jaren aan gegevens van de politie van Chicago over gewelds- en vermogensdelicten, evenals het aantal arrestaties als gevolg van elk incident. Ze gebruikten deze gegevens om een ​​reeks AI-modellen te trainen die laten zien hoe veranderingen in elk van deze variabelen de andere beïnvloeden.

Hierdoor kon het team misdaadniveaus in 1,000 meter brede delen van de stad tot een week van tevoren voorspellen met een nauwkeurigheid van 90 procent, zoals gerapporteerd in een recent onderzoek. papier in Natuur Menselijk gedrag. De onderzoekers toonden ook aan dat hun aanpak een vergelijkbare nauwkeurigheid bereikte wanneer ze werden getraind op gegevens van zeven andere Amerikaanse steden. En toen ze het testten op een dataset van een voorspellende politie-uitdaging van het National Institute of Justice, presteerden ze beter dan de beste aanpak in 119 van de 120 testcategorieën.

De onderzoekers schrijven hun succes toe aan het verlaten van benaderingen die ruimtelijke beperkingen opleggen aan het model door aan te nemen dat misdaad in hotspots voorkomt voordat deze zich naar de omliggende gebieden verspreidt. In plaats daarvan kon hun model complexere verbindingen vastleggen die konden worden bemiddeld door vervoersverbindingen, communicatienetwerken of demografische overeenkomsten tussen verschillende regio's van de stad.

Echter, in het besef dat de gegevens die voor het onderzoek werden gebruikt waarschijnlijk besmet waren door bestaande vooroordelen in politiepraktijken, onderzochten de onderzoekers ook hoe hun model kon worden gebruikt om te ontdekken hoe dergelijke vooroordelen de manier waarop wetshandhavers hun middelen inzetten zouden kunnen verstoren.

Toen het team het niveau van zowel gewelddadige als vermogenscriminaliteit in rijkere buurten kunstmatig verhoogde, namen de arrestaties toe, terwijl die in armere gebieden daalden. Toen de criminaliteit in arme gebieden toenam, was er daarentegen geen stijging van het aantal arrestaties. De implicatie, zeggen de onderzoekers, is dat rijkere buurten prioriteit krijgen van de politie en middelen kunnen onttrekken aan armere.

Om hun bevindingen te valideren, analyseerden de onderzoekers ook de ruwe politiegegevens, waarbij ze de seizoensgebonden toename van misdaad tijdens de zomermaanden gebruikten om het effect van verhoogde misdaadcijfers in verschillende gebieden te onderzoeken. De resultaten weerspiegelden de trends die door hun model werden geïdentificeerd.

Ondanks de nauwkeurigheid, zei studieleider Ishanu Chattopadhyay in a persbericht dat het instrument niet moet worden gebruikt om de toewijzing van politiemiddelen rechtstreeks te bepalen, maar in plaats daarvan als een instrument om betere politiestrategieën te onderzoeken. Hij beschrijft het systeem als een "digitale tweeling van stedelijke omgevingen" die de politie kan helpen de effecten van verschillende misdaad- of handhavingsniveaus in verschillende delen van de stad te begrijpen.

Of het onderzoek kan helpen het gebied van predictive policing in een meer gewetensvolle en verantwoordelijke richting te sturen, valt nog te bezien, maar elke poging om het potentieel voor de openbare veiligheid van de technologie af te wegen tegen de aanzienlijke risico's is een stap in de goede richting.

Krediet van het beeld: david von diemar / Unsplash