Новый алгоритм предсказывает преступления на неделю вперед с точностью 90%
Технологические достижения в области алгоритмов и искусственного интеллекта продолжают расширять границы, даже если это означает постановку перед нами моральных дилемм. Предположим, статистическая модель предсказывает, что в ближайшие три дня в одном из кварталов города с высокой вероятностью произойдет преступление, что мы должны делать с этой информацией? Должны ли мы действовать? Если да, то как и, что более важно, кто должен это делать? Прогностическое моделирование преступности может дать мощные статистические инструменты, но есть важные соображения для исследователей, чтобы они не стали контрпродуктивными и опасными. Новый алгоритм, разработанный американскими исследователями, использует общедоступные данные для точного прогнозирования преступности в восьми городах США, выявляя при этом повышенную реакцию полиции в богатых кварталах за счет менее богатых районов.
Достижения в области машинного обучения и искусственного интеллекта вызвали интерес правительств к использованию инструментов предиктивной полицейской деятельности для сдерживания преступности. Однако первые попытки предсказать преступность были спорными, поскольку они не учитывали системные предубеждения правоохранительных органов и их сложную взаимосвязь с преступностью и обществом.
Новое исследование Чикагского университета (UCChicago), возглавляемое Ротару и его коллегами, похоже, вдохновлено фильмом "Особое мнение", в котором в 2054 году общество будущего искореняет преступность, вооружившись самыми совершенными системы профилактики, выявления и пресечения в мире. Скрытые от всех трое ясновидящих передают образы грядущих преступлений сотрудникам предкриминальной полиции. Здесь это алгоритм, запрограммированный, конечно, людьми, но точность которого будет 90%. Работа команды опубликована в журнале
Более точный и масштабируемый алгоритм
Исследовательская группа, специализирующаяся на данных и социальных науках, разработала новый алгоритм, который предсказывает преступность, изучая закономерности на основе общедоступных данных о насильственных и имущественных преступлениях. Модели сопоставляют географические места с риском преступлений в определенное время, превосходя предыдущие модели прогнозирования.
В предыдущих попытках предсказать преступность часто используется эпидемический или сейсмический подход. Другими словами, преступность, похоже, возникает в определенных "горячих точках" (таких, как эпицентр землетрясения или первый случай инфекции), а затем распространяется на окружающие территории (как сейсмические волны или контактные случаи заболевания). Однако эти инструменты не учитывают сложную социальную среду городов или взаимосвязь между преступностью и последствиями работы полиции. Существуют не только проектные предубеждения, но и многие человеческие предубеждения, часто основанные на расизме или социальных предрассудках.
Социолог и соавтор исследования Джеймс Эванс, профессор Университета Чикаго и Института Санта-Фе, сказал в своем заявлении: "Пространственные модели игнорируют естественную топологию города. В транспортных сетях учитываются улицы, тротуары, железнодорожные и автобусные линии. Коммуникационные сети учитывают районы схожего социально-экономического происхождения. Наша модель позволяет обнаружить эти связи".
Инструмент был протестирован и проверен с использованием исторических данных по городу Чикаго по двум широким категориям зарегистрированных событий: насильственные преступления (убийства, нападения и побои) и имущественные преступления (кражи со взломом, угоны транспортных средств). Эти данные были использованы потому, что вероятность того, что о них сообщат в полицию, выше в городских районах, где исторически сложилось большое доверие и сотрудничество с правоохранительными органами. Эти преступления также менее подвержены предвзятости со стороны правоохранительных органов, как в случае с наркопреступлениями, остановками на дорогах и другими правонарушениями.
Новая модель позволяет выявить преступность путем изучения временных и пространственных координат событий и обнаружения закономерностей для прогнозирования будущих событий. Она делит город на районы диаметром около 305 метров и прогнозирует преступность в этих районах, а не полагается на традиционные кварталы или социально-экономическим границы, которые также подвержены предвзятости. Модель одинаково хорошо работала с данными из семи других городов США: Атланты, Остина, Детройта, Лос-Анджелеса, Филадельфии, Портленда и Сан-Франциско. Модель может предсказывать будущие преступления на неделю вперед с точностью около 90%.
Эванс говорит: "Мы демонстрируем важность обнаружения специфических для города закономерностей для прогнозирования зарегистрированных преступлений, что дает новое понимание городских кварталов, позволяет нам задавать новые вопросы и по-новому оценивать действия полиции".
В рамках отдельной модели исследовательская группа также изучила реакцию полиции на преступления, проанализировав количество арестов после инцидентов и сравнив эти показатели между районами с разным социально-экономическим статусом. Они обнаружили, что преступность в более благополучных районах приводила к увеличению числа арестов, в то время как в бедных районах число арестов уменьшалось. Этот вывод свидетельствует о предвзятости реакции полиции.
Ишану Чаттопадхьяй, доцент медицины в Университете Чикаго и ведущий автор исследования, отмечает, что точность инструмента не означает, что его следует использовать для руководства правоохранительными органами, при этом полиция может использовать его для активного посещения районов с целью предотвращения преступлений. Вместо этого его следует добавить в набор инструментов городской политики и полицейских стратегий по борьбе с преступностью.
Он говорит: "Теперь вы можете использовать его как инструмент моделирования, чтобы увидеть, что произойдет, если преступность возрастет в одной части города, или если в другой части будет усилена охрана правопорядка. Если вы примените все эти разные переменные, вы сможете увидеть, как системы развиваются в ответ".
Фактически, правоохранительные органы Иллинойса объединят информацию об оружии, использованном в преступлениях по всему штату, создав базу данных, которая позволит полиции лучше отслеживать незаконную торговлю оружием, объявил генеральный прокурор штата Кваме Рауль в среду на пресс-конференции в Чикаго.
База данных Иллинойса облегчит поиск и обмен информацией, а алгоритмы будут отмечать подозрительные модели, такие как однозарядные пистолеты, которые фигурируют в преступлениях вскоре после их приобретения, для выявления потенциальных "
На пути к алгоритмическому правосудию?
Наконец, в марте Институт Санта-Фе в сотрудничестве с Чикагским университетом собрал экспертов из различных дисциплин, включая информатику, право, философию и социальные науки, чтобы обсудить вопрос: могут ли алгоритмы склонить чашу весов в сторону справедливости? Семинар был организован профессорами Мелани Мозес и Соней Гипсон Ранкин (Университет Нью-Мексико), а также Тиной Элиасси-Рад (Северо-Восточный университет).
Для начала группа проанализировала само понятие справедливости, которое, как правило, понимается совершенно по-разному компьютерными учеными, этиками и юристами. Компьютерщики склонны иметь узкое, но точно определенное представление о справедливости - представление, которое полезно для написания или анализа алгоритмов, но часто слишком утилитарно, чтобы охватить то, что социологи, философы, юристы и обычные люди подразумевают под "справедливостью".
Одной из задач является поиск практических путей углубления алгоритмического правосудия для включения более широких определений. Они также обсудили, какие нормативные акты или стимулы необходимы для обеспечения честной и этичной работы этих алгоритмов. Мелани Мозес делает вывод в статье: "Мы учимся друг у друга и намечаем путь вперед, на котором искусственный интеллект будет способствовать справедливости, а не усугублять или ускорять несправедливость".