Den här AI förutsäger brott en vecka i förväg – och framhäver polisinriktning

Ansträngningar att använda AI för att förutsäga brott har varit fyllda med kontroverser på grund av potentialen att replikera befintliga fördomar inom polisväsendet. Men ett nytt system som drivs av maskininlärning har löftet om att inte bara göra bättre förutsägelser utan också belysa dessa fördomar.

Om det är något som modern maskininlärning är bra på så är det att upptäcka mönster och göra förutsägelser. Så det är kanske inte förvånande att många inom policy- och brottsbekämpningsvärlden är angelägna om att använda dessa färdigheter. Förespråkarna vill träna AI-modeller med historiska brottsregister och andra relevanta uppgifter för att förutsäga när och var brott sannolikt kommer att inträffa och använda resultaten för att styra polisinsatser.

Problemet är att den här typen av data ofta gömmer sig alla typer av fördomar som kan replikeras för lätt när det används för att träna algoritmer utan omtanke. Tidigare tillvägagångssätt har ibland inkluderat falska variabler som förekomsten av graffiti eller demografisk data, vilket lätt kan leda till att modeller gör felaktiga associationer baserat på ras eller socioekonomiska kriterier.

Även grundläggande polisdata om rapporterade brott eller antalet gripanden kan innehålla dolda fördomar. Tung polisverksamhet i vissa områden som antas vara hög i brottslighet på grund av redan existerande fördomar kommer nästan oundvikligen att leda till fler arresteringar. Och i områden med hög misstro mot polisen kan brott ofta bli orapporterade.

Att kunna förutse trender inom kriminell verksamhet i förväg kan dock gynna samhället. Så en grupp från University of Chicago har utvecklat ett nytt maskininlärningssystem som kan förutsäga när och var brott sannolikt kommer att hända bättre än tidigare system och även användas för att undersöka systemiska fördomar i polisarbetet.

Forskarna samlade först flera års data från Chicago-polisen om våldsbrott och egendomsbrott, såväl som antalet arresteringar från varje incident. De använde dessa data för att träna en uppsättning AI-modeller som visar hur förändringar i var och en av dessa variabler påverkar de andra.

Detta gjorde det möjligt för teamet att förutsäga brottsnivåer i 1,000 90 fot breda områden i staden upp till en vecka i förväg med XNUMX procents noggrannhet, som rapporterats i en nyligen publicerad papper i Natur Mänskligt beteende. Forskarna visade också att deras tillvägagångssätt uppnådde liknande noggrannhet när de tränades på data från sju andra amerikanska städer. Och när de testade det på en datauppsättning från en prediktiv polisutmaning som drivs av National Institute of Justice, överträffade de det bästa tillvägagångssättet i 119 av 120 testkategorier.

Forskarna satte sin framgång ner på att överge tillvägagångssätt som sätter rumsliga begränsningar på modellen genom att anta att brott uppstår i hotspots innan de sprider sig till omgivande områden. Istället kunde deras modell fånga mer komplexa förbindelser som kunde förmedlas av transportlänkar, kommunikationsnätverk eller demografiska likheter mellan olika regioner i staden.

Men som ett erkännande av att data som användes för studien sannolikt var förorenade av befintliga fördomar i polispraxis, undersökte forskarna också hur deras modell kunde användas för att avslöja hur sådana fördomar kan snedvrida hur brottsbekämpande myndigheter använder sina resurser.

När teamet på konstgjord väg ökade nivåerna av både våldsbrott och egendomsbrott i rikare stadsdelar ökade gripandena, eftersom de i fattigare områden sjönk. När brottsligheten ökade i fattiga områden, var det däremot ingen ökning av antalet arresteringar. Innebörden, säger forskarna, är att rikare stadsdelar prioriteras av polisen och kan dra resurser från fattigare.

För att validera sina fynd analyserade forskarna också den råa polisdatan och använde den säsongsbetonade ökningen av brottslighet under sommarmånaderna för att undersöka effekten av förhöjda brottsfrekvenser i olika områden. Resultaten speglade trenderna som identifierats av deras modell.

Trots dess noggrannhet, sa studieledaren Ishanu Chattopadhyay i en pressmeddelande att verktyget inte ska användas för att direkt bestämma fördelningen av polisresurser utan istället som ett verktyg för att utreda bättre polisstrategier. Han beskriver systemet som en "digital tvilling av stadsmiljöer" som kan hjälpa polisen att förstå effekterna av varierande brottslighet eller tillsynsnivåer över olika delar av staden.

Huruvida forskningen kan hjälpa till att styra området för prediktiv polisverksamhet i en mer samvetsgrann och ansvarsfull riktning återstår att se, men varje ansträngning att balansera teknikens allmänna säkerhetspotential mot dess betydande risker är ett steg i rätt riktning.

Image Credit: David von Diemar / Unsplash