Ta sztuczna inteligencja przewiduje przestępstwa z tygodniowym wyprzedzeniem — i podkreśla uprzedzenia policyjne

Wysiłki zmierzające do wykorzystania sztucznej inteligencji do przewidywania przestępstw były obarczone kontrowersją ze względu na możliwość powielenia istniejących uprzedzeń w działaniach policji. Ale nowy system oparty na uczeniu maszynowym daje obietnicę nie tylko lepszych prognoz, ale także podkreślenia tych błędów.

Jeśli jest coś, w czym współczesne uczenie maszynowe jest dobre, to wykrywanie wzorców i przewidywanie. Nie jest więc zaskakujące, że wiele osób ze świata polityki i organów ścigania chętnie wykorzystuje te umiejętności. Zwolennicy chcą trenować Modele AI z historycznymi rejestrami kryminalnymi i innymi istotnymi danymi, aby przewidzieć, kiedy i gdzie przestępstwo może się zdarzyć, i wykorzystać wyniki do kierowania działaniami policyjnymi.

Problem w tym, że tego rodzaju dane często się ukrywają wszelkiego rodzaju uprzedzenia które mogą być zbyt łatwo replikowane, gdy są używane do bezmyślnego uczenia algorytmów. Wcześniejsze podejścia czasami uwzględniały fałszywe zmienne, takie jak obecność graffiti lub danych demograficznych, które mogą łatwo prowadzić modele do tworzenia błędnych skojarzeń w oparciu o kryteria rasowe lub społeczno-ekonomiczne.

Nawet podstawowe dane policyjne dotyczące zgłoszonych przestępstw lub liczby aresztowań mogą zawierać ukryte uprzedzenia. Intensywne działania policyjne w niektórych obszarach, w których uważa się, że są one obarczone wysoką przestępczością z powodu wcześniejszych uprzedzeń, prawie nieuchronnie doprowadzą do większej liczby aresztowań. A na obszarach o wysokim stopniu nieufności wobec policji przestępstwa często nie są zgłaszane.

Niemniej jednak umiejętność przewidywania trendów w działalności przestępczej z wyprzedzeniem może przynieść korzyści społeczeństwu. Tak więc grupa z University of Chicago opracowała nowy system uczenia maszynowego, który może lepiej przewidywać, kiedy i gdzie mogą wystąpić przestępstwa, niż poprzednie systemy, a także może służyć do badania systemowych uprzedzeń w policji.

Naukowcy najpierw zebrali dane z kilku lat z policji w Chicago dotyczące przestępstw z użyciem przemocy i mienia, a także liczbę aresztowań wynikających z każdego incydentu. Wykorzystali te dane do trenowania zestawu modeli sztucznej inteligencji, które pokazują, jak zmiany w każdej z tych zmiennych wpływają na inne.

Umożliwiło to zespołowi przewidzenie poziomu przestępczości w obszarach miasta o szerokości 1,000 stóp z tygodniowym wyprzedzeniem z 90-procentową dokładnością, jak doniesiono w niedawnym raporcie. papier w Charakter Ludzkie zachowanie. Naukowcy wykazali również, że ich podejście osiągnęło podobną dokładność podczas szkolenia na danych z siedmiu innych miast USA. A kiedy przetestowali go na zbiorze danych z predykcyjnego wyzwania policyjnego prowadzonego przez Narodowy Instytut Sprawiedliwości, osiągnęli lepsze wyniki w 119 ze 120 kategorii testowych.

Naukowcy przypisują swój sukces porzuceniu podejść, które nakładają ograniczenia przestrzenne na model, zakładając, że przestępczość pojawia się w gorących punktach, zanim rozprzestrzeni się na sąsiednie obszary. Zamiast tego ich model był w stanie uchwycić bardziej złożone połączenia, w których pośredniczą połączenia transportowe, sieci komunikacyjne lub podobieństwa demograficzne między różnymi regionami miasta.

Jednak uznając, że dane wykorzystane w badaniu prawdopodobnie zostały skażone istniejącymi uprzedzeniami w praktykach policyjnych, naukowcy zbadali również, w jaki sposób można wykorzystać ich model do odkrycia, w jaki sposób takie uprzedzenia mogą zakłócać sposób, w jaki organy ścigania wykorzystują swoje zasoby.

Kiedy zespół sztucznie podniósł poziom zarówno przemocy, jak i przestępstw przeciwko mieniu w bogatszych dzielnicach, aresztowania skoczyły, podczas gdy liczba aresztowań w biedniejszych obszarach spadła. W przeciwieństwie do tego, gdy poziom przestępczości wzrósł na biednych obszarach, nie nastąpił wzrost aresztowań. Implikacją, zdaniem naukowców, jest to, że bogatsze dzielnice są traktowane priorytetowo przez policję i mogą odciągać zasoby od biedniejszych.

Aby potwierdzić swoje odkrycia, naukowcy przeanalizowali również surowe dane policyjne, wykorzystując sezonowy wzrost przestępczości w miesiącach letnich, aby zbadać wpływ podwyższonej przestępczości na różnych obszarach. Wyniki odzwierciedlały trendy zidentyfikowane przez ich model.

Pomimo swojej dokładności, lider badania Ishanu Chattopadhyay powiedział w komunikat prasowy że narzędzie to nie powinno być wykorzystywane do bezpośredniego określania alokacji zasobów policyjnych, ale jako narzędzie do badania lepszych strategii policyjnych. Opisuje system jako „cyfrowego bliźniaka środowisk miejskich”, który może pomóc policji w zrozumieniu skutków różnych poziomów przestępczości lub egzekwowania prawa w różnych częściach miasta.

To, czy badania mogą pomóc skierować dziedzinę działań policyjnych z predykcją w kierunku bardziej sumiennym i odpowiedzialnym, dopiero się okaże, ale wszelkie wysiłki zmierzające do zrównoważenia potencjału bezpieczeństwa publicznego technologii ze znacznymi zagrożeniami są krokiem we właściwym kierunku.

Kredytowych Image: Davida von Diemara / Unsplash