Цей штучний інтелект передбачає злочинність на тиждень наперед і висвітлює упередженість поліції

Спроби використати штучний інтелект для прогнозування злочинів були сповнені суперечок через потенціал відтворити існуючі упередження в поліцейській діяльності. Але нова система, заснована на машинному навчанні, обіцяє не тільки робити кращі прогнози, але й висвітлювати ці упередження.

Якщо сучасне машинне навчання є в чому хороше, так це у виявленні закономірностей і прогнозуванні. Тож, мабуть, не дивно, що багато людей у ​​сфері політики та правоохоронних органів прагнуть використати ці навички. Прихильники хочуть тренуватися Моделі AI з історичними записами про злочини та іншими відповідними даними, щоб передбачити, коли і де можуть статися злочини, і використовувати результати для спрямування зусиль поліції.

Проблема в тому, що такі дані часто ховаються усілякі упередження які можна надто легко відтворити, якщо бездумно використовувати їх для навчання алгоритмів. Попередні підходи іноді включали помилкові змінні, такі як наявність графіті або демографічних даних, які можуть легко змусити моделі створювати хибні асоціації на основі расових або соціально-економічних критеріїв.

Навіть основні поліцейські дані про зареєстровані злочини чи кількість арештів можуть містити приховані упередження. Інтенсивна поліцейська робота в певних районах, які вважаються високою злочинністю через існуючі упередження, майже неминуче призведе до нових арештів. А в регіонах з високою недовірою до поліції про злочини часто не повідомляють.

Тим не менш, здатність завчасно передбачати тенденції злочинної діяльності може принести користь суспільству. Таким чином, група з Чиказького університету розробила нову систему машинного навчання, яка може передбачати, коли і де можуть статися злочини, краще, ніж попередні системи, а також використовуватися для дослідження системних упереджень у поліцейській діяльності.

Спочатку дослідники зібрали дані поліції Чикаго за кілька років щодо насильницьких і майнових злочинів, а також кількість арештів у результаті кожного інциденту. Вони використали ці дані для навчання набору моделей ШІ, які показують, як зміни в кожній із цих змінних впливають на інші.

Це дозволило команді прогнозувати рівень злочинності в районах міста площею 1,000 футів за тиждень наперед з 90-відсотковою точністю, як повідомлялося в нещодавньому папір в Природа Поведінка людини. Дослідники також показали, що їхній підхід досяг подібної точності, коли навчався на даних із семи інших міст США. І коли вони протестували його на наборі даних із прогнозу поліцейської перевірки, проведеної Національним інститутом юстиції, вони перевершили найкращий підхід у 119 із 120 категорій тестування.

Дослідники пояснюють свій успіх відмовою від підходів, які накладають просторові обмеження на модель, припускаючи, що злочин з’являється в гарячих точках, перш ніж поширюватися на прилеглі території. Натомість їхня модель змогла охопити складніші зв’язки, які могли бути опосередковані транспортними сполученнями, мережами зв’язку чи демографічною подібністю між різними регіонами міста.

Однак, визнаючи, що дані, використані для дослідження, ймовірно, були заплямовані існуючими упередженнями в поліцейській практиці, дослідники також досліджували, як їх модель може бути використана, щоб виявити, як такі упередження можуть спотворювати те, як правоохоронні органи використовують свої ресурси.

Коли команда штучно підвищила рівень як насильницьких, так і майнових злочинів у заможніших районах, кількість арештів підскочила, а в бідніших районах скоротилося. Навпаки, коли рівень злочинності зріс у бідних районах, не було збільшення арештів. Наслідком, кажуть дослідники, є те, що поліція надає перевагу багатшим районам і може відтягувати ресурси від бідніших.

Щоб підтвердити свої висновки, дослідники також проаналізували необроблені поліцейські дані, використовуючи сезонне зростання злочинності в літні місяці, щоб дослідити вплив підвищеного рівня злочинності в різних областях. Результати відображали тенденції, визначені їхньою моделлю.

Незважаючи на його точність, керівник дослідження Ішану Чаттопадхяй сказав у a прес-реліз що цей інструмент не слід використовувати для безпосереднього визначення розподілу ресурсів поліції, а натомість як інструмент для дослідження кращих поліцейських стратегій. Він описує систему як «цифрового двійника міського середовища», який може допомогти поліції зрозуміти наслідки різного рівня злочинності або правозастосування в різних частинах міста.

Чи допоможе дослідження спрямувати сферу інтелектуальної поліцейської діяльності в більш сумлінний і відповідальний напрямок, ще належить з’ясувати, але будь-яка спроба збалансувати потенціал технології для громадської безпеки та її значні ризики є кроком у правильному напрямку.

Зображення Фото: Девід фон Дімар / Unsplash