Используя данные с точностью до 300 метров, можно прогнозировать места совершения нападений или краж за семь дней до их реализации. Несмотря на то, что такие модели прогнозирования могут расширить возможности государства в части неправомерного наблюдения за людьми, не причастными к преступлениям, они также позволяют осуществлять контроль над действиями государственных структур, обнаруживая систематические предубеждения в работе правоохранительных органов.
Прогресс в области машинного обучения и искусственного интеллекта привлек значительное внимание со стороны правительств различных государств. Эта заинтересованность вполне обоснована: наличие эффективного инструмента для прогнозирования преступлений значительно облегчило бы деятельность правоохранительных органов и потенциально позволило бы существенно уменьшить количество уличных преступлений. Naked Science рассказывает об одной из таких моделей, которая предоставляет еженедельные прогнозы террористических актов, основываясь исключительно на данных из открытых источников рассказывал в прошлом году.
Предыдущие попытки прогнозирования преступности часто оказывались неоднозначными и неточными. Это объясняется, главным образом, использованием эпидемиологического или сейсмического подхода, при котором преступления возникают в определенных «горячих точках» и затем распространяются на соседние территории. Такой подход не учитывает сложную социальную структуру городов и их природную организацию, а также взаимосвязь между преступностью и действиями полиции.
Ученые из Чикагского университета (США), объединив усилия аналитиков данных и социологов, создали новый алгоритм, предназначенный для прогнозирования преступной активности. Он основан на анализе закономерностей во времени и географическом распределении насильственных преступлений (включая убийства, нападения и нанесение побоев) и преступлений против собственности (таких как кражи со взломом, уличные кражи и угоны автомобилей), используя исключительно общедоступные источники информации. Разработанная модель способна предсказывать будущие преступления на неделю вперед с уровнем точности, достигающим 90%. Описание разработанного алгоритма стохастического вывода представлено в научной статье, опубликованной в журнале Nature Human Behavior.
Новая модель разбивает город на равносторонние квадраты размером приблизительно 300 метров, изучает время и место совершения отдельных преступлений и определяет тенденции для предсказания будущих происшествий. Первоначально модель проверялась на основе данных о нападениях и кражах в Чикаго — третьем по численности населения городе Соединенных Штатов Америки. Она также продемонстрировала эффективность при работе с информацией из семи других американских городов: Атланта, Остин, Детройт, Лос-Анджелес, Филадельфия, Портленд и Сан-Франциско.
Исследовательская группа применила прогностическую модель для изучения того, как полиция реагирует на преступления в разных районах города. Анализ включал сравнение количества арестов после инцидентов в районах с различным социально-экономическим статусом. В ходе работы было установлено, что рост преступности в более благополучных районах сопровождается увеличением числа арестов, в то время как в неблагополучных районах этот показатель снижается. При этом, аналогичное увеличение числа преступлений в районах с низким социально-экономическим статусом не приводит к ожидаемому росту числа арестов, что указывает на предвзятость в действиях полиции и практике применения закона.
Несмотря на высокую точность модели прогнозирования преступлений, исследователи подчеркивают, что ее нельзя применять непосредственно для поддержания общественного порядка. Увеличение числа сотрудников полиции в районах, где ожидается совершение преступлений, изменит условия, на которых основана модель, что приведет к снижению ее эффективности и точности. Вместо этого модель необходимо интегрировать в комплекс городских политик и стратегий, направленных на борьбу с преступностью.
«Мы разработали цифровой двойник городской среды. Предоставив ему данные о событиях прошлого, вы сможете узнать о прогнозируемых событиях будущего. Это не магия, существуют ограничения, однако мы тщательно проверили модель, и она демонстрирует высокую эффективность. Теперь вы можете применять ее в качестве инструмента моделирования, чтобы оценить последствия роста преступности в определенном районе города или усиления правоохранительных мер в другом. Используя все эти факторы, вы сможете увидеть, как системы будут реагировать и изменяться», — заключил Ишану Чаттопадхьяй ( Ishanu Chattopadhyay), доцент медицинского факультета Чикагского университета и главный автор свежего исследования.