AI này dự đoán trước tội phạm một tuần — và làm nổi bật khuynh hướng chính sách

Những nỗ lực sử dụng AI để dự đoán tội phạm đã gây ra nhiều tranh cãi do có khả năng tái tạo các thành kiến ​​hiện có trong chính sách. Nhưng một hệ thống mới được hỗ trợ bởi máy học hứa hẹn không chỉ đưa ra các dự đoán tốt hơn mà còn làm nổi bật những thành kiến ​​này.

Nếu có một thứ mà máy học hiện đại làm tốt, đó là phát hiện các mẫu và đưa ra dự đoán. Vì vậy, có lẽ không có gì ngạc nhiên khi nhiều người trong giới thực thi chính sách và pháp luật muốn sử dụng những kỹ năng này. Những người đề xuất muốn đào tạo Mô hình AI với hồ sơ tội phạm lịch sử và dữ liệu liên quan khác để dự đoán thời điểm và vị trí tội phạm có khả năng xảy ra và sử dụng kết quả để chỉ đạo các nỗ lực trị an.

Vấn đề là loại dữ liệu này thường ẩn tất cả các loại thành kiến điều đó có thể dễ dàng bị sao chép khi được sử dụng để huấn luyện các thuật toán một cách thiếu suy nghĩ. Các phương pháp tiếp cận trước đây đôi khi bao gồm các biến giả như sự hiện diện của hình vẽ bậy hoặc dữ liệu nhân khẩu học, điều này có thể dễ dàng khiến các mô hình tạo ra các liên kết sai sót dựa trên các tiêu chí về chủng tộc hoặc kinh tế xã hội.

Ngay cả dữ liệu cơ bản của cảnh sát về tội phạm được báo cáo hoặc số vụ bắt giữ cũng có thể chứa những thành kiến ​​ẩn. Việc kiểm soát chặt chẽ một số khu vực được cho là có nhiều tội phạm do định kiến ​​sẵn có gần như chắc chắn sẽ dẫn đến nhiều vụ bắt giữ hơn. Và ở những khu vực có sự mất lòng tin vào cảnh sát, tội phạm thường có thể không được báo cáo.

Tuy nhiên, có thể dự đoán trước các xu hướng hoạt động tội phạm có thể mang lại lợi ích cho xã hội. Vì vậy, một nhóm từ Đại học Chicago đã phát triển một hệ thống học máy mới có thể dự đoán thời gian và vị trí tội phạm có khả năng xảy ra tốt hơn các hệ thống trước đó và cũng được sử dụng để thăm dò các thành kiến ​​của hệ thống trong việc lập chính sách.

Đầu tiên, các nhà nghiên cứu đối chiếu dữ liệu trị giá trong vài năm của cảnh sát Chicago về tội phạm bạo lực và tài sản, cũng như số vụ bắt giữ từ mỗi vụ việc. Họ đã sử dụng dữ liệu này để đào tạo một bộ mô hình AI cho thấy những thay đổi trong mỗi biến này tác động như thế nào đến các biến khác.

Điều này cho phép nhóm dự đoán mức độ tội phạm trong các khu vực rộng 1,000 foot của thành phố trước tối đa một tuần với độ chính xác 90%, như đã báo cáo trong một số gần đây giấy trong Hành vi của con người. Các nhà nghiên cứu cũng cho thấy cách tiếp cận của họ đạt được độ chính xác tương tự khi được đào tạo dựa trên dữ liệu từ bảy thành phố khác của Hoa Kỳ. Và khi họ thử nghiệm nó trên tập dữ liệu từ một thử thách chính sách dự đoán do Viện Tư pháp Quốc gia thực hiện, họ đã vượt trội hơn cách tiếp cận tốt nhất trong 119 trong số 120 hạng mục thử nghiệm.

Các nhà nghiên cứu đã thành công khi từ bỏ các phương pháp tiếp cận áp đặt các hạn chế về không gian đối với mô hình bằng cách giả định tội phạm xuất hiện ở các điểm nóng trước khi lan ra các khu vực xung quanh. Thay vào đó, mô hình của họ có thể nắm bắt các kết nối phức tạp hơn có thể được trung gian bởi các liên kết giao thông, mạng lưới liên lạc hoặc sự tương đồng về nhân khẩu học giữa các khu vực khác nhau của thành phố.

Tuy nhiên, nhận thấy rằng dữ liệu được sử dụng cho nghiên cứu có thể đã bị ô nhiễm bởi những thành kiến ​​hiện có trong thực hành chính sách, các nhà nghiên cứu cũng đã điều tra xem mô hình của họ có thể được sử dụng như thế nào để phát hiện ra những định kiến ​​đó có thể làm sai lệch cách thực thi pháp luật triển khai các nguồn lực của mình như thế nào.

Khi nhóm nghiên cứu gia tăng một cách giả tạo mức độ của cả tội phạm bạo lực và tội phạm tài sản ở các khu vực giàu có hơn, các vụ bắt giữ đã tăng lên, khi những vụ bắt giữ ở các khu vực nghèo hơn giảm xuống. Ngược lại, khi mức độ tội phạm được gia tăng ở các khu vực nghèo, không có sự gia tăng các vụ bắt giữ. Theo các nhà nghiên cứu, ngụ ý rằng các khu dân cư giàu có hơn được cảnh sát ưu tiên và có thể thu hút tài nguyên khỏi những khu dân cư nghèo hơn.

Để xác thực phát hiện của mình, các nhà nghiên cứu cũng phân tích dữ liệu thô của cảnh sát, sử dụng sự gia tăng tội phạm theo mùa trong những tháng mùa hè để điều tra tác động của tỷ lệ tội phạm gia tăng ở các khu vực khác nhau. Kết quả phản ánh các xu hướng được xác định bởi mô hình của họ.

Mặc dù độ chính xác của nó, trưởng nhóm nghiên cứu Ishanu Chattopadhyay cho biết trong một nhấn phát hành rằng công cụ này không nên được sử dụng để xác định trực tiếp việc phân bổ các nguồn lực của cảnh sát, mà thay vào đó là một công cụ để điều tra các chiến lược trị an tốt hơn. Ông mô tả hệ thống này như một “cặp song sinh kỹ thuật số của môi trường đô thị” có thể giúp cảnh sát hiểu được tác động của các mức độ tội phạm hoặc thực thi khác nhau trên các khu vực khác nhau của thành phố.

Cho dù nghiên cứu có thể giúp định hướng lĩnh vực chính sách dự báo theo hướng tận tâm và có trách nhiệm hơn hay không vẫn còn phải xem xét, nhưng bất kỳ nỗ lực nào để cân bằng tiềm năng an toàn công cộng của công nghệ với những rủi ro lớn của nó là một bước đi đúng hướng.

Ảnh: David von Diễm / Unsplash