Алгоритм с точностью до 300 метров может прогнозировать место совершения нападения или кражи за неделю до события. Хотя подобные модели могут увеличить власть государства за счёт неправомерного наблюдения за безобидными гражданами, они также позволяют контролировать действия государства, обнаруживая системную предвзятость в работе правоохранительных органов.
Успехи машинного обучения и искусственного интеллекта привлекли внимание правительств многих стран. Понимают это просто: рабочий инструмент для прогнозирования преступлений значительно облегчил бы работу правоохранительных органов и в перспективе мог бы радикально снизить уровень уличной преступности. Об одной из таких моделей, выдающей недельные предсказания о террористических атаках на основе данных только открытого доступа, сообщает Naked Science. рассказывал в прошлом году.
Большинство предшествующих попыток прогнозирования преступности оказались противоречивыми и неточными. Это объясняется применением часто так называемого эпидемического или сейсмического подхода, когда преступность возникает в определённых «горячих точках» и распространяется на прилегающие районы. При этом игнорируется сложная социальная среда городов и их естественная топология, а также связь между преступностью и последствиями полицейского принуждения.
Специалисты по обработке данных и социологи из Чикагского университета создали алгоритм для прогнозирования преступности. Алгоритм изучает закономерности во времени и пространстве, применяя общедоступные данные о преступлениях различных категорий – от убийств до краж. Модель способна предсказывать будущие преступления с точностью около 90% на недельный период. Разработчики изложили описание своего алгоритма стохастического вывода в научной статье. опубликованной в журнале Nature Human Behavior.
Новая модель делит город на квадраты со стороной около 300 метров, анализирует время и место отдельных преступлений и выявляет закономерности для прогноза будущих событий. Модель сначала тестировали на данных о нападениях и кражах в Чикаго. Однако она так же эффективно работала с данными из семи других американских городов: Атланты, Остина, Детройта, Лос-Анджелеса, Филадельфии, Портленда и Сан-Франциско.
Исследователи проанализировали действия полиции на преступления в разных частях города, изучив количество арестов после инцидентов и сравнив показатели между районами с разным социально-экономическим статусом.
Авторы работы обнаружили, что рост преступности в богатых районах приводит к большему числу арестов, тогда как в неблагополучных районах их число сокращается. Вместе с тем, сходный рост преступлений в бедных районах не сопровождается ожидаемым увеличением арестов, что указывает на предвзятость в реакции полиции и правоприменении.
Несмотря на высокую точность модели прогнозирования преступлений, ученые советуют не использовать ее непосредственно для поддержания правопорядка. Увеличение числа полицейских в районах с ожидаемыми преступлениями изменит условия моделирования и снизит эффективность предсказаний. Вместо этого модель должна стать одним из инструментов городской политики и полицейских стратегий противодействия преступности.
Мы разработали цифрового двойника городской среды. Предоставив ему данные о прошлом, можно узнать прогноз на будущее. Это не волшебство, есть ограничения, но проверка модели показала высокую эффективность. Теперь вы можете использовать ее как инструмент моделирования, чтобы увидеть, что произойдет, если преступность возрастет в одном районе города или усилится правоприменение в другом. Используя все эти переменные, можно увидеть динамику развития систем. Ishanu ChattopadhyayВедущий исследователь, доктор, профессор медицинского факультета Чикагского университета.