AI นี้คาดการณ์อาชญากรรมล่วงหน้าหนึ่งสัปดาห์—และเน้นย้ำถึงอคติของการรักษา

ความพยายามในการใช้ AI ในการคาดการณ์อาชญากรรมนั้นเต็มไปด้วยการโต้เถียง เนื่องจากมีศักยภาพที่จะทำซ้ำอคติที่มีอยู่ในการรักษา แต่ระบบใหม่ที่ขับเคลื่อนโดยแมชชีนเลิร์นนิงถือสัญญาว่าจะไม่เพียงแค่คาดการณ์ได้ดีขึ้นเท่านั้น แต่ยังเน้นย้ำถึงอคติเหล่านี้ด้วย

หากมีสิ่งหนึ่งที่แมชชีนเลิร์นนิงสมัยใหม่ทำได้ดี ก็คือการจำแนกรูปแบบและการคาดการณ์ ดังนั้นจึงไม่น่าแปลกใจที่หลายคนในโลกนโยบายและการบังคับใช้กฎหมายต่างกระตือรือร้นที่จะนำทักษะเหล่านี้ไปใช้ ผู้เสนอต้องการฝึกอบรม โมเดล AI พร้อมประวัติอาชญากรรมและข้อมูลที่เกี่ยวข้องอื่น ๆ เพื่อคาดการณ์เวลาและสถานที่ที่อาชญากรรมจะเกิดขึ้น และใช้ผลลัพธ์เพื่อควบคุมความพยายามของตำรวจโดยตรง

ปัญหาคือข้อมูลประเภทนี้มักจะซ่อนอยู่ อคติทุกชนิด ที่สามารถทำซ้ำได้ง่ายเกินไปเมื่อใช้ในการฝึกอัลกอริทึมโดยไม่ได้ตั้งใจ วิธีการก่อนหน้านี้บางครั้งอาจรวมถึงตัวแปรปลอมๆ เช่น การแสดงกราฟิตีหรือข้อมูลประชากร ซึ่งสามารถนำไปสู่แบบจำลองเพื่อสร้างความเชื่อมโยงที่มีข้อบกพร่องตามเกณฑ์ทางเชื้อชาติหรือเศรษฐกิจและสังคมได้อย่างง่ายดาย

แม้แต่ข้อมูลพื้นฐานของตำรวจเกี่ยวกับอาชญากรรมที่รายงานหรือจำนวนการจับกุมก็อาจมีอคติที่ซ่อนอยู่ การตรวจสอบอย่างหนักในบางพื้นที่ซึ่งถือว่ามีอาชญากรรมสูง อันเนื่องมาจากอคติที่มีอยู่ก่อนจะนำไปสู่การจับกุมที่มากขึ้นอย่างหลีกเลี่ยงไม่ได้ และในพื้นที่ที่มีความไม่ไว้วางใจในตำรวจสูง อาชญากรรมมักจะไม่ได้รับการรายงาน

อย่างไรก็ตาม ความสามารถในการคาดการณ์แนวโน้มของอาชญากรรมล่วงหน้าอาจเป็นประโยชน์ต่อสังคม ดังนั้น กลุ่มจากมหาวิทยาลัยชิคาโกจึงได้พัฒนาระบบการเรียนรู้ด้วยเครื่องใหม่ที่สามารถคาดการณ์เวลาและสถานที่ที่อาชญากรรมจะเกิดขึ้นได้ดีกว่าระบบก่อนหน้านี้ และยังใช้เพื่อสอบสวนอคติเชิงระบบในการรักษาอีกด้วย

นักวิจัยได้รวบรวมข้อมูลในช่วงหลายปีที่ผ่านมาจากตำรวจชิคาโกเกี่ยวกับอาชญากรรมรุนแรงและอาชญากรรมในทรัพย์สิน ตลอดจนจำนวนการจับกุมที่เกิดจากเหตุการณ์แต่ละครั้ง พวกเขาใช้ข้อมูลนี้เพื่อฝึกชุดแบบจำลอง AI ที่แสดงให้เห็นว่าการเปลี่ยนแปลงในแต่ละตัวแปรเหล่านี้ส่งผลต่อผู้อื่นอย่างไร

ซึ่งช่วยให้ทีมคาดการณ์ระดับอาชญากรรมในพื้นที่กว้าง 1,000 ฟุตของเมืองได้ล่วงหน้าถึงหนึ่งสัปดาห์ด้วยความแม่นยำ 90% ตามรายงานล่าสุด กระดาษเข้า พฤติกรรมมนุษย์ตามธรรมชาติ. นักวิจัยยังแสดงให้เห็นว่าแนวทางของพวกเขามีความแม่นยำเช่นเดียวกันเมื่อได้รับการฝึกอบรมเกี่ยวกับข้อมูลจากอีกเจ็ดเมืองในสหรัฐฯ และเมื่อพวกเขาทดสอบกับชุดข้อมูลจากความท้าทายด้านตำรวจเชิงคาดการณ์ที่ดำเนินการโดย National Institute of Justice พวกเขาทำได้ดีกว่าแนวทางที่ดีที่สุดในการทดสอบ 119 จาก 120 หมวดหมู่การทดสอบ

นักวิจัยวางความสำเร็จของพวกเขาลงไปที่การละทิ้งแนวทางที่กำหนดข้อจำกัดเชิงพื้นที่ในแบบจำลองโดยสมมติว่าอาชญากรรมปรากฏขึ้นในฮอตสปอตก่อนที่จะแพร่กระจายไปยังพื้นที่โดยรอบ แต่โมเดลของพวกเขาสามารถจับการเชื่อมต่อที่ซับซ้อนมากขึ้น ซึ่งอาจเป็นสื่อกลางโดยการเชื่อมโยงการขนส่ง เครือข่ายการสื่อสาร หรือความคล้ายคลึงกันทางประชากรระหว่างภูมิภาคต่างๆ ของเมือง

อย่างไรก็ตาม ด้วยความตระหนักว่าข้อมูลที่ใช้สำหรับการศึกษานี้มีแนวโน้มที่จะเสียไปจากอคติที่มีอยู่ในแนวทางปฏิบัติของตำรวจ นักวิจัยยังได้สำรวจว่าแบบจำลองของพวกเขาสามารถนำมาใช้เพื่อเปิดเผยว่าอคติดังกล่าวอาจบิดเบือนวิธีที่หน่วยงานบังคับใช้กฎหมายใช้ทรัพยากรของตนอย่างไร

เมื่อทีมงานเพิ่มระดับของอาชญากรรมรุนแรงและอาชญากรรมในทรัพย์สินในย่านที่ร่ำรวยขึ้น การจับกุมก็เพิ่มขึ้น ขณะที่ผู้อยู่ในพื้นที่ยากจนลดลง ในทางตรงกันข้าม เมื่อระดับอาชญากรรมเพิ่มขึ้นในพื้นที่ยากจน ก็ไม่มีการจับกุมเพิ่มขึ้น นักวิจัยกล่าวว่าความหมายโดยนัยคือย่านที่มั่งคั่งกว่าจะได้รับการจัดลำดับความสำคัญโดยตำรวจและสามารถดึงทรัพยากรออกจากคนจนได้

เพื่อตรวจสอบการค้นพบของพวกเขา นักวิจัยยังได้วิเคราะห์ข้อมูลดิบของตำรวจ โดยใช้การเพิ่มขึ้นของอาชญากรรมตามฤดูกาลในช่วงฤดูร้อนเพื่อตรวจสอบผลกระทบของอัตราการเกิดอาชญากรรมที่เพิ่มขึ้นในพื้นที่ต่างๆ ผลลัพธ์สะท้อนถึงแนวโน้มที่ระบุโดยแบบจำลองของพวกเขา

แม้จะมีความแม่นยำ Ishanu Chattopadhyay หัวหน้าการศึกษากล่าวใน กดปล่อย ว่าเครื่องมือนี้ไม่ควรใช้เพื่อกำหนดการจัดสรรทรัพยากรของตำรวจโดยตรง แต่เป็นเครื่องมือในการตรวจสอบกลยุทธ์การรักษาที่ดีขึ้น เขาอธิบายว่าระบบนี้เป็น "คู่แฝดดิจิทัลของสภาพแวดล้อมในเมือง" ที่สามารถช่วยให้ตำรวจเข้าใจผลกระทบของอาชญากรรมหรือการบังคับใช้ระดับต่างๆ ในส่วนต่างๆ ของเมือง

การวิจัยสามารถช่วยชี้นำด้านการรักษาแบบคาดการณ์ล่วงหน้าในทิศทางที่มีเหตุผลและมีความรับผิดชอบหรือไม่นั้นยังคงต้องติดตาม แต่ความพยายามใดๆ ในการสร้างสมดุลระหว่างศักยภาพด้านความปลอดภัยสาธารณะของเทคโนโลยีกับความเสี่ยงที่มีขนาดใหญ่นั้นเป็นขั้นตอนในทิศทางที่ถูกต้อง

เครดิตภาพ: เดวิดฟอนเดียมาร์ / Unsplash