Алгоритм з точністю до 300 метрів дозволяє передбачати, де буде скоєно напад чи крадіжку за тиждень до того, як це станеться. Хоча подібні прогностичні моделі можуть посилити владу держави внаслідок незаконного стеження за невинними людьми, водночас вони дозволяють стежити за державою, виявляючи системну упередженість у діях правоохоронних органів.
Опис свого алгоритму вчені виклали у статті, опублікованій у журналі Nature Human Behavior, інформує UAINFO.org.
Досягнення в галузі машинного навчання та штучного інтелекту викликали чималий інтерес в урядів різних країн. І їхній інтерес зрозумілий: якби існував робочий інструмент для прогнозування злочинів, це спростило б роботу правоохоронних органів і в перспективі кардинально знизило б рівень вуличної злочинності.
Проте більшість попередніх спроб прогнозування злочинності були досить суперечливими та неточними. В основному тому, що часто використовували так званий епідемічний або сейсмічний підхід, коли злочинність виникає в «гарячих точках», які потім поширюються на прилеглі райони. При цьому не беруться до уваги складне соціальне середовище міст та їх природна топологія, не враховується взаємозв'язок між злочинністю та наслідками поліцейського примусу.
Читайте також: США передадуть в Україну робопса Spot для розмінування територій — Foreign Policy. ФОТО
Аналітики даних та соціологи з університету Чикаго (США) розробили новий алгоритм, який прогнозує злочинність, вивчаючи закономірності в часі та географічному розподілі насильницьких злочинів (вбивства, напади, нанесення побоїв і так далі) та злочинів проти власності (крадіжки зі зломом, звичайні вуличні та викрадення автомобілів та інше), використовуючи лише загальнодоступні дані. Модель може будувати прогнози майбутніх злочинів на тиждень наперед із точністю близько 90%.
Нова модель ділить місто на однакові квадрати зі стороною приблизно 300 метрів, аналізує час та місце окремих злочинів та виявляє закономірності для прогнозування майбутніх подій. Спочатку модель тестували на даних про напади та крадіжки у третьому за населенням місті Сполучених Штатів Америки – Чикаго. Однак модель так само добре працювала з даними із семи інших американських міст: Атланти, Остіна, Детройта, Лос-Анджелеса, Філадельфії, Портленда та Сан-Франциско.
В рамках окремої прогностичної моделі дослідницька група вивчила реакцію та дії поліції на злочини у різних частинах міста, проаналізувавши кількість арештів після відповідних інцидентів та порівнявши ці показники серед районів із різним соціально-економічним статусом. Автори роботи помітили, що підвищення рівня злочинності у більш багатих районах призводить до більшої кількості арештів у них, тоді як кількість арештів у неблагополучних районах скорочується. Однак подібне підвищення кількості злочинів у бідних районах не призводить до очікуваного підвищення кількості арештів там, що свідчить про упередженість у реакції поліції та правозастосування.
Читайте також: Закрити Землю "космічною бульбашкою": вчені вигадали, як зупинити потепління
І все ж таки, попри високу точність своєї моделі передбачення злочинів, вчені зазначають, що її не слід використовувати безпосередньо для забезпечення правопорядку. Адже збільшення числа поліцейських у тих районах міста, де очікується злочин, призведе до зміни умов моделювання та лише знизить ефективність та точність передбачення. Натомість модель слід додати до набору інструментів міської політики та поліцейських стратегій для боротьби зі злочинністю.
«Ми створили цифрового двійника міського середовища. Якщо ви надасте йому дані про те, що сталося у минулому, він розповість вам, що станеться у майбутньому. Це не чаклунство, є обмеження, але ми перевірили модель, і вона працює дуже добре. Тепер ви можете використовувати її як інструмент моделювання, щоб побачити, що станеться, якщо злочинність зросте в одному районі міста або посилиться правозастосування в іншому районі. Якщо ви використовуєте всі ці змінні, зможете побачити, як системи розвиваються у відповідь», – підсумував Ішану Чаттопадхьяй, доцент факультету медицини університету Чикаго і старший автор нового дослідження.
Підписуйся на сторінки UAINFO Facebook, Telegram, Twitter, YouTube
