یہ AI ایک ہفتہ پیشگی جرم کی پیش گوئی کرتا ہے — اور پولیسنگ کے تعصب کو نمایاں کرتا ہے۔

پولیسنگ میں موجودہ تعصبات کو نقل کرنے کی صلاحیت کی وجہ سے جرائم کی پیشین گوئی کے لیے AI کے استعمال کی کوششیں تنازعات سے بھری ہوئی ہیں۔ لیکن مشین لرننگ سے چلنے والا ایک نیا نظام نہ صرف بہتر پیشین گوئیاں کرنے بلکہ ان تعصبات کو اجاگر کرنے کا وعدہ بھی رکھتا ہے۔

اگر ایک چیز ہے جس میں جدید مشین لرننگ اچھی ہے، تو وہ نمونوں کو تلاش کرنا اور پیشین گوئیاں کرنا ہے۔ لہذا، یہ شاید حیرت کی بات نہیں ہے کہ پالیسی اور قانون نافذ کرنے والی دنیا میں بہت سے لوگ ان مہارتوں کو استعمال کرنے کے خواہاں ہیں۔ حامی تربیت کرنا چاہتے ہیں۔ اے آئی ماڈلز جرائم کے تاریخی ریکارڈ اور دیگر متعلقہ ڈیٹا کے ساتھ یہ اندازہ لگانے کے لیے کہ جرائم کب اور کہاں ہونے کا امکان ہے اور نتائج کو پولیسنگ کی کوششوں کے لیے استعمال کریں۔

مسئلہ یہ ہے کہ اس قسم کا ڈیٹا اکثر چھپ جاتا ہے۔ تمام قسم کے تعصبات اسے بہت آسانی سے نقل کیا جا سکتا ہے جب الگورتھم کو غیر سوچے سمجھے تربیت دینے کے لیے استعمال کیا جائے۔ پچھلے طریقوں میں بعض اوقات جعلی متغیرات شامل ہوتے ہیں جیسے گرافٹی یا آبادیاتی اعداد و شمار کی موجودگی، جو آسانی سے ماڈلز کو نسلی یا سماجی اقتصادی معیار کی بنیاد پر ناقص انجمنیں بنانے کی طرف لے جا سکتے ہیں۔

یہاں تک کہ رپورٹ شدہ جرائم یا گرفتاریوں کی تعداد کے بارے میں پولیس کے بنیادی اعداد و شمار میں بھی پوشیدہ تعصبات ہوسکتے ہیں۔ پہلے سے موجود تعصبات کی وجہ سے بعض علاقوں کی بھاری پولیسنگ جرم میں زیادہ ہونے کا تصور لامحالہ مزید گرفتاریوں کا باعث بنے گی۔ اور ایسے علاقوں میں جہاں پولیس پر زیادہ عدم اعتماد ہوتا ہے، جرائم اکثر غیر رپورٹ ہو سکتے ہیں۔

بہر حال، وقت سے پہلے مجرمانہ سرگرمیوں کے رجحانات کا اندازہ لگانے کے قابل ہونا معاشرے کو فائدہ پہنچا سکتا ہے۔ لہٰذا، شکاگو یونیورسٹی کے ایک گروپ نے ایک نیا مشین لرننگ سسٹم تیار کیا ہے جو یہ اندازہ لگا سکتا ہے کہ جرائم کب اور کہاں ہونے کا امکان پچھلے نظاموں سے بہتر ہے اور اسے پولیسنگ میں نظامی تعصبات کی تحقیقات کے لیے بھی استعمال کیا جا سکتا ہے۔

محققین نے سب سے پہلے شکاگو پولیس سے پرتشدد اور املاک کے جرائم کے ساتھ ساتھ ہر واقعے کے نتیجے میں ہونے والی گرفتاریوں کی تعداد کے بارے میں کئی سالوں کے ڈیٹا کو اکٹھا کیا۔ انہوں نے اس ڈیٹا کو AI ماڈلز کے ایک سوٹ کو تربیت دینے کے لیے استعمال کیا جو یہ ظاہر کرتا ہے کہ ان میں سے ہر ایک میں تبدیلی کس طرح دوسروں پر اثر انداز ہوتی ہے۔

اس سے ٹیم کو شہر کے 1,000 فٹ چوڑے علاقوں میں جرائم کی سطح کا اندازہ 90 فیصد درستگی کے ساتھ ایک ہفتہ تک کرنے کا موقع ملا، جیسا کہ حال ہی میں رپورٹ کیا گیا ہے۔ کاغذ میں فطرت انسانی رویہ. محققین نے یہ بھی ظاہر کیا کہ جب سات دیگر امریکی شہروں کے ڈیٹا پر تربیت دی گئی تو ان کے نقطہ نظر نے اسی طرح کی درستگی حاصل کی۔ اور جب انہوں نے نیشنل انسٹی ٹیوٹ آف جسٹس کے ذریعہ چلائے جانے والے پیشن گوئی کرنے والے پولیسنگ چیلنج سے ڈیٹاسیٹ پر اس کا تجربہ کیا، تو انہوں نے 119 میں سے 120 ٹیسٹنگ کیٹیگریز میں بہترین طریقہ کار سے بہتر کارکردگی کا مظاہرہ کیا۔

محققین نے اپنی کامیابی کو ان طریقوں کو ترک کرنے میں ڈال دیا جو ماڈل پر مقامی رکاوٹیں عائد کرتے ہیں یہ فرض کرتے ہوئے کہ جرائم آس پاس کے علاقوں میں پھیلنے سے پہلے ہاٹ سپاٹ میں ظاہر ہوتے ہیں۔ اس کے بجائے، ان کا ماڈل زیادہ پیچیدہ رابطوں کو حاصل کرنے کے قابل تھا جو کہ نقل و حمل کے روابط، مواصلاتی نیٹ ورکس، یا شہر کے مختلف علاقوں کے درمیان آبادیاتی مماثلت کے ذریعے ثالثی کر سکتے تھے۔

تاہم، اس بات کو تسلیم کرتے ہوئے کہ مطالعہ کے لیے استعمال کیے گئے ڈیٹا کو پولیسنگ کے طریقوں میں موجود تعصبات سے داغدار ہونے کا امکان ہے، محققین نے یہ بھی چھان بین کی کہ ان کے ماڈل کو یہ جاننے کے لیے کس طرح استعمال کیا جا سکتا ہے کہ اس طرح کے تعصبات قانون نافذ کرنے والے اداروں کے اپنے وسائل کی تعیناتی کے طریقے کو کیسے بگاڑ سکتے ہیں۔

جب ٹیم نے مصنوعی طور پر امیر محلوں میں پرتشدد اور املاک کے جرائم دونوں کی سطح کو بڑھایا، تو گرفتاریاں بڑھ گئیں، جیسا کہ غریب علاقوں میں کمی آئی۔ اس کے برعکس جب غریب علاقوں میں جرائم کی سطح کو بڑھایا گیا تو گرفتاریوں میں کوئی اضافہ نہیں ہوا۔ محققین کا کہنا ہے کہ اس کا مطلب یہ ہے کہ پولیس کی طرف سے امیر محلوں کو ترجیح دی جاتی ہے اور وہ غریبوں سے وسائل کو دور کر سکتے ہیں۔

اپنے نتائج کی توثیق کرنے کے لیے، محققین نے پولیس کے خام ڈیٹا کا بھی تجزیہ کیا، جس میں موسم گرما کے مہینوں میں جرائم میں موسمی اضافے کا استعمال کرتے ہوئے مختلف علاقوں میں جرائم کی بلند شرح کے اثرات کی تحقیقات کی گئیں۔ نتائج ان کے ماڈل کے ذریعہ شناخت شدہ رجحانات کی عکاسی کرتے ہیں۔

اس کی درستگی کے باوجود، مطالعہ کے رہنما اشانو چٹوپادھیائے نے ایک میں کہا رہائی دبائیں کہ اس ٹول کو پولیس کے وسائل کی براہ راست مختص کرنے کے لیے استعمال نہیں کیا جانا چاہیے، بلکہ اس کے بجائے پولیسنگ کی بہتر حکمت عملیوں کی چھان بین کے لیے ایک ٹول کے طور پر استعمال کیا جانا چاہیے۔ وہ اس نظام کو "شہری ماحول کے ڈیجیٹل جڑواں" کے طور پر بیان کرتا ہے جو پولیس کو شہر کے مختلف حصوں میں مختلف جرائم یا نفاذ کی سطح کے اثرات کو سمجھنے میں مدد کر سکتا ہے۔

آیا یہ تحقیق پیش گوئی کرنے والی پولیسنگ کے شعبے کو زیادہ ایماندار اور ذمہ دارانہ سمت میں ہدایت دینے میں مدد کر سکتی ہے، یہ دیکھنا باقی ہے، لیکن ٹیکنالوجی کی عوامی حفاظت کی صلاحیت کو اس کے بڑے خطرات کے خلاف متوازن کرنے کی کوئی بھی کوشش درست سمت میں ایک قدم ہے۔

تصویری کریڈٹ: ڈیوڈ وان ڈائمر / Unsplash سے