Этот ИИ предсказывает преступления на неделю вперед и выявляет предвзятость полиции

Попытки использовать ИИ для прогнозирования преступлений вызвали споры из-за возможности воспроизведения существующих предубеждений в работе полиции. Но новая система, основанная на машинном обучении, обещает не только делать более точные прогнозы, но и выявлять эти предубеждения.

Если есть что-то, в чем современное машинное обучение хорошо, так это обнаружение закономерностей и предсказание. Так что, возможно, неудивительно, что многие в мире политики и правоохранительных органов стремятся использовать эти навыки. Сторонники хотят тренироваться AI модели с историческими записями о преступлениях и другими соответствующими данными, чтобы предсказать, когда и где могут произойти преступления, и использовать результаты для направления усилий полиции.

Проблема в том, что такие данные часто скрывают все виды предубеждений это может быть слишком легко воспроизведено при использовании для бездумного обучения алгоритмов. Предыдущие подходы иногда включали ложные переменные, такие как наличие граффити или демографические данные, которые могут легко привести модели к созданию ошибочных ассоциаций на основе расовых или социально-экономических критериев.

Даже базовые полицейские данные о зарегистрированных преступлениях или количестве арестов могут содержать скрытые предубеждения. Интенсивная работа полиции в определенных районах, которые, как предполагается, являются криминогенными из-за ранее существовавших предубеждений, почти неизбежно приведет к новым арестам. А в районах с высоким недоверием к полиции о преступлениях часто не сообщается.

Тем не менее, возможность заблаговременно предвидеть тенденции преступной деятельности может принести пользу обществу. Итак, группа из Чикагского университета разработала новую систему машинного обучения, которая может предсказывать, когда и где вероятны преступления, лучше, чем предыдущие системы, а также может использоваться для исследования системных предубеждений в работе полиции.

Исследователи сначала сопоставили данные полиции Чикаго о насильственных преступлениях и преступлениях против собственности за несколько лет, а также о количестве арестов в результате каждого инцидента. Они использовали эти данные для обучения набора моделей ИИ, которые показывают, как изменения каждой из этих переменных влияют на другие.

Это позволило команде прогнозировать уровень преступности в районах города шириной 1,000 футов на неделю вперед с точностью 90 процентов, как сообщается в недавнем отчете. бумага в Природа человека. Исследователи также показали, что их подход достиг такой же точности при обучении на данных из семи других городов США. И когда они проверили его на наборе данных из прогнозной полицейской задачи, проводимой Национальным институтом юстиции, они превзошли лучший подход в 119 из 120 категорий тестирования.

Исследователи объясняют свой успех отказом от подходов, которые накладывают пространственные ограничения на модель, предполагая, что преступность возникает в горячих точках, прежде чем распространиться на прилегающие районы. Вместо этого их модель смогла зафиксировать более сложные связи, которые могли быть опосредованы транспортными связями, коммуникационными сетями или демографическими сходствами между различными районами города.

Однако, признавая, что данные, используемые для исследования, вероятно, были испорчены существующими предубеждениями в полицейской практике, исследователи также исследовали, как их модель может быть использована для выявления того, как такие предубеждения могут искажать то, как правоохранительные органы используют свои ресурсы.

Когда команда искусственно повысила уровень как насильственных преступлений, так и преступлений против собственности в более богатых районах, количество арестов подскочило, а количество арестов в более бедных районах снизилось. Напротив, когда в бедных районах повысился уровень преступности, количество арестов не увеличилось. Смысл, говорят исследователи, заключается в том, что полиция отдает приоритет более богатым районам и может отнимать ресурсы у более бедных.

Чтобы подтвердить свои выводы, исследователи также проанализировали необработанные полицейские данные, используя сезонный рост преступности в летние месяцы, чтобы изучить влияние повышенного уровня преступности в различных областях. Результаты отражали тенденции, выявленные их моделью.

Несмотря на точность, руководитель исследования Ишану Чаттопадхьяй сказал в пресс-релизе что этот инструмент следует использовать не для прямого определения распределения ресурсов полиции, а как инструмент для изучения более эффективных стратегий полицейской деятельности. Он описывает систему как «цифрового близнеца городской среды», который может помочь полиции понять последствия различных уровней преступности или правоприменения в разных частях города.

Еще неизвестно, может ли исследование помочь направить область предиктивной полицейской деятельности в более сознательное и ответственное русло, но любые усилия, направленные на то, чтобы сбалансировать потенциал общественной безопасности технологии и ее значительные риски, являются шагом в правильном направлении.

Изображение Фото: Дэвид фон Димар / Unsplash