Bu Yapay Zeka Suçu Bir Hafta Önceden Tahmin Ediyor ve Polislik Önyargısını Öne Çıkarıyor

Yapay zekayı suçu tahmin etmek için kullanma çabaları, polislikteki mevcut önyargıları tekrarlama potansiyeli nedeniyle tartışmalarla dolu. Ancak makine öğrenimi ile desteklenen yeni bir sistem, yalnızca daha iyi tahminler yapmakla kalmayıp aynı zamanda bu önyargıları da vurgulama vaadini taşıyor.

Modern makine öğreniminin iyi olduğu bir şey varsa o da kalıpları tespit etmek ve tahminlerde bulunmaktır. Bu nedenle, politika ve yasa uygulama dünyasındaki pek çok kişinin bu becerileri kullanmaya istekli olması belki de şaşırtıcı değildir. Taraftarlar eğitim istiyor AI modelleri Suçların ne zaman ve nerede meydana gelebileceğini tahmin etmek ve sonuçları polislik çabalarını yönlendirmek için kullanmak için tarihsel suç kayıtları ve diğer ilgili verilerle.

Sorun şu ki, bu tür veriler sıklıkla gizleniyor her türlü önyargı Bu, algoritmaları düşünmeden eğitmek için kullanıldığında çok kolay bir şekilde kopyalanabilir. Önceki yaklaşımlar bazen grafiti veya demografik verilerin varlığı gibi sahte değişkenleri içeriyordu; bu da modellerin kolayca ırksal veya sosyoekonomik kriterlere dayalı hatalı ilişkiler kurmasına yol açabiliyordu.

Bildirilen suçlara veya tutuklama sayılarına ilişkin temel polis verileri bile gizli önyargılar içerebilir. Önceden var olan önyargılar nedeniyle suçun yüksek olduğu varsayılan bazı bölgelerde yoğun polis denetimi neredeyse kaçınılmaz olarak daha fazla tutuklamaya yol açacaktır. Polise güvensizliğin yüksek olduğu bölgelerde ise suçlar çoğunlukla bildirilmeden kalabiliyor.

Bununla birlikte, suç faaliyetlerindeki eğilimleri önceden tahmin edebilmek topluma fayda sağlayabilir. Bu nedenle Chicago Üniversitesi'nden bir grup, suçların ne zaman ve nerede meydana geleceğini önceki sistemlerden daha iyi tahmin edebilen ve aynı zamanda polislikteki sistemik önyargıları araştırmak için kullanılabilen yeni bir makine öğrenimi sistemi geliştirdi.

Araştırmacılar ilk olarak Chicago polisinin şiddet ve mülkiyet suçları ile her olaydan kaynaklanan tutuklama sayılarına ilişkin birkaç yıllık verilerini derledi. Bu verileri, bu değişkenlerin her birindeki değişikliklerin diğerlerini nasıl etkilediğini gösteren bir dizi yapay zeka modelini eğitmek için kullandılar.

Bu, yakın tarihli bir araştırmada bildirildiği gibi, ekibin şehrin 1,000 metre genişliğindeki bölgelerindeki suç seviyelerini bir haftaya kadar yüzde 90 doğrulukla tahmin etmesine olanak tanıdı. kağıt Doğa İnsan Davranışı. Araştırmacılar ayrıca yaklaşımlarının diğer yedi ABD şehrinden alınan veriler üzerinde eğitildiğinde de benzer doğruluk elde ettiğini gösterdi. Ve bunu Ulusal Adalet Enstitüsü tarafından yürütülen tahmine dayalı polislik yarışmasından elde edilen bir veri seti üzerinde test ettiklerinde, 119 test kategorisinin 120'unda en iyi yaklaşımı geride bıraktılar.

Araştırmacılar başarılarını, suçun çevre bölgelere yayılmadan önce sıcak noktalarda ortaya çıktığını varsayarak modele mekansal kısıtlamalar getiren yaklaşımlardan vazgeçmeye bağladılar. Bunun yerine modelleri, şehrin farklı bölgeleri arasındaki ulaşım bağlantıları, iletişim ağları veya demografik benzerliklerin aracılık ettiği daha karmaşık bağlantıları yakalayabildi.

Bununla birlikte, araştırma için kullanılan verilerin polislik uygulamalarındaki mevcut önyargılar tarafından lekelenmiş olabileceğinin bilincinde olarak araştırmacılar, bu tür önyargıların kolluk kuvvetlerinin kaynaklarını kullanma biçimini nasıl çarpıttığını ortaya çıkarmak için modellerinin nasıl kullanılabileceğini de araştırdılar.

Ekip, daha zengin mahallelerde hem şiddet hem de mülk suçlarının düzeylerini yapay olarak artırdığında, daha fakir bölgelerdeki tutuklamalar düşerken tutuklamalar da arttı. Buna karşılık yoksul bölgelerde suç seviyeleri arttığında tutuklamalarda herhangi bir artış olmadı. Araştırmacılar bunun anlamının, daha zengin mahallelerin polis tarafından önceliklendirildiği ve kaynakları daha fakir mahallelerden uzaklaştırabileceği yönünde olduğunu söylüyor.

Bulgularını doğrulamak için araştırmacılar, farklı bölgelerdeki yüksek suç oranlarının etkisini araştırmak amacıyla yaz aylarında suçtaki mevsimsel artışı kullanarak ham polis verilerini de analiz etti. Sonuçlar, modellerinin belirlediği eğilimleri yansıtıyordu.

Doğruluğuna rağmen, çalışma lideri Ishanu Chattopadhyay şunları söyledi: basın bülteni aracın doğrudan polis kaynaklarının tahsisini belirlemek için kullanılmaması, bunun yerine daha iyi polislik stratejilerini araştırmak için bir araç olarak kullanılması gerektiği. Sistemi, polisin şehrin farklı bölgelerinde değişen suç veya yaptırım seviyelerinin etkilerini anlamasına yardımcı olabilecek "kentsel ortamların dijital ikizi" olarak tanımlıyor.

Araştırmanın öngörülü polislik alanını daha dikkatli ve sorumlu bir yöne yönlendirmeye yardımcı olup olamayacağı henüz belli değil, ancak teknolojinin kamu güvenliği potansiyelini büyük risklere karşı dengelemeye yönelik her türlü çaba doğru yönde atılmış bir adımdır.

Resim Kredi: David von Diemar / Unsplash