Esta IA prevê crimes com uma semana de antecedência e destaca o viés de policiamento

Os esforços para usar a IA para prever crimes têm sido repletos de controvérsia devido ao potencial de replicar vieses existentes no policiamento. Mas um novo sistema alimentado por aprendizado de máquina promete não apenas fazer melhores previsões, mas também destacar esses vieses.

Se há uma coisa em que o aprendizado de máquina moderno é bom, é identificar padrões e fazer previsões. Portanto, talvez não seja surpreendente que muitos no mundo da política e da aplicação da lei estejam ansiosos para colocar essas habilidades em uso. Os defensores querem treinar Modelos de IA com registros históricos de crimes e outros dados relevantes para prever quando e onde os crimes podem acontecer e usar os resultados para direcionar os esforços de policiamento.

O problema é que esse tipo de dado muitas vezes esconde todos os tipos de preconceitos que pode ser facilmente replicado quando usado para treinar algoritmos sem pensar. As abordagens anteriores às vezes incluíam variáveis ​​espúrias, como a presença de pichações ou dados demográficos, que podem facilmente levar os modelos a fazer associações falhas com base em critérios raciais ou socioeconômicos.

Mesmo os dados básicos da polícia sobre crimes relatados ou números de prisões podem conter vieses ocultos. O policiamento pesado de certas áreas consideradas de alta criminalidade devido a preconceitos pré-existentes quase inevitavelmente levará a mais prisões. E em áreas com grande desconfiança da polícia, os crimes muitas vezes podem não ser denunciados.

No entanto, ser capaz de antecipar tendências na atividade criminosa pode beneficiar a sociedade. Assim, um grupo da Universidade de Chicago desenvolveu um novo sistema de aprendizado de máquina que pode prever quando e onde os crimes provavelmente acontecerão melhor do que os sistemas anteriores e também ser usado para investigar vieses sistêmicos no policiamento.

Os pesquisadores primeiro reuniram dados de vários anos da polícia de Chicago sobre crimes violentos e contra a propriedade, bem como o número de prisões resultantes de cada incidente. Eles usaram esses dados para treinar um conjunto de modelos de IA que mostram como as mudanças em cada uma dessas variáveis ​​afetam as outras.

Isso permitiu à equipe prever os níveis de criminalidade em áreas de 1,000 metros de largura da cidade com até uma semana de antecedência com 90% de precisão, conforme relatado em um relatório recente. em papel Natureza humana comportamento. Os pesquisadores também mostraram que sua abordagem alcançou precisão semelhante quando treinados com dados de outras sete cidades dos EUA. E quando eles testaram em um conjunto de dados de um desafio de policiamento preditivo executado pelo Instituto Nacional de Justiça, eles superaram a melhor abordagem em 119 das 120 categorias de testes.

Os pesquisadores atribuem seu sucesso ao abandono de abordagens que impõem restrições espaciais ao modelo, assumindo que o crime aparece em pontos críticos antes de se espalhar para as áreas vizinhas. Em vez disso, seu modelo foi capaz de capturar conexões mais complexas que poderiam ser mediadas por ligações de transporte, redes de comunicação ou semelhanças demográficas entre diferentes regiões da cidade.

No entanto, reconhecendo que os dados usados ​​para o estudo provavelmente foram contaminados por vieses existentes nas práticas de policiamento, os pesquisadores também investigaram como seu modelo poderia ser usado para descobrir como esses preconceitos poderiam distorcer a maneira como a aplicação da lei emprega seus recursos.

Quando a equipe aumentou artificialmente os níveis de crimes violentos e contra a propriedade em bairros mais ricos, as prisões aumentaram, enquanto as de áreas mais pobres caíram. Em contraste, quando os níveis de criminalidade aumentaram em áreas pobres, não houve aumento nas prisões. A implicação, dizem os pesquisadores, é que os bairros mais ricos são priorizados pela polícia e podem tirar recursos dos mais pobres.

Para validar suas descobertas, os pesquisadores também analisaram os dados brutos da polícia, usando o aumento sazonal da criminalidade durante os meses de verão para investigar o efeito das taxas elevadas de criminalidade em diferentes áreas. Os resultados espelharam as tendências identificadas pelo seu modelo.

Apesar de sua precisão, o líder do estudo Ishanu Chattopadhyay disse em um comunicados à CMVM que a ferramenta não deve ser usada para determinar diretamente a alocação de recursos policiais, mas sim como uma ferramenta para investigar melhores estratégias de policiamento. Ele descreve o sistema como um “gêmeo digital de ambientes urbanos” que pode ajudar a polícia a entender os efeitos de vários níveis de crime ou fiscalização em diferentes partes da cidade.

Ainda não se sabe se a pesquisa pode ajudar a direcionar o campo do policiamento preditivo em uma direção mais consciente e responsável, mas qualquer esforço para equilibrar o potencial de segurança pública da tecnologia contra seus riscos consideráveis ​​é um passo na direção certa.

Crédito de imagem: david von diemar / Unsplash