Разработан алгоритм ИИ, предсказывающий преступления на неделю вперед

Достижения в области машинного обучения и искусственного интеллекта вызвали немалый интерес у правительств разных стран. И их интерес понятен: если бы существовал рабочий инструмент для прогнозирования преступлений, это сильно упростило бы работу правоохранительных органов и в перспективе кардинально снизило уровень уличной преступности. Об одной из подобных моделей, дающей недельные предсказания о террористических атаках на основе данных только из открытых источников, Naked Science рассказывал в прошлом году.  

Однако большинство предыдущих попыток прогнозирования преступности были довольно противоречивыми и неточными. В основном потому, что зачастую использовали так называемый эпидемический или сейсмический подход, когда преступность возникает в неких «горячих точках», которые затем распространяются на близлежащие районы. При этом упускаются из виду сложная социальная среда городов и их естественная топология, не учитывается взаимосвязь между преступностью и последствиями полицейского принуждения. 

Аналитики данных и социологи из Чикагского университета (США) разработали новый алгоритм, который прогнозирует преступность, изучая закономерности во времени и географическом распределении насильственных преступлений (убийства, нападения, нанесение побоев и так далее) и преступлений против собственности (кражи со взломом, обычные уличные кражи и угоны автомобилей и прочее), используя лишь общедоступные данные. Модель может строить прогнозы будущих преступлений на неделю вперед с точностью около 90%. Описание своего алгоритма стохастического вывода ученые изложили в статье, опубликованной в журнале Nature Human Behavior. 

Новая модель делит город на одинаковые квадраты со стороной примерно 300 метров, анализирует время и место отдельных преступлений и выявляет закономерности для прогнозирования будущих событий. Изначально модель тестировали на данных о нападениях и кражах в третьем по населению городе Соединенных Штатов Америки — Чикаго. Однако модель так же хорошо работала с данными из семи других американских городов: Атланты, Остина, Детройта, Лос-Анджелеса, Филадельфии, Портленда и Сан-Франциско. 

В рамках отдельной прогностической модели исследовательская группа изучила реакцию и действия полиции на преступления в различных частях города, проанализировав число арестов после соответствующих инцидентов и сравнив эти показатели среди районов с разным социально-экономическим статусом. Авторы работы заметили, что повышение уровня преступности в более богатых районах приводит к большему числу арестов в них, в то время как количество арестов в неблагополучных районах сокращается. Однако сходное повышение числа преступлений в бедных районах не приводит к ожидаемому повышению числа арестов там, что свидетельствует о предвзятости в реакции полиции и правоприменении.

И все же, несмотря на высокую точность своей модели предсказания преступлений, ученые отмечают, что ее не следует использовать напрямую для обеспечения правопорядка. Ведь увеличение числа полицейских в тех районах города, где ожидается преступление, приведет к изменению условий моделирования и лишь снизит эффективность и точность предсказания. Вместо этого модель следует добавить в набор инструментов городской политики и полицейских стратегий для борьбы с преступностью. 

«Мы создали цифрового двойника городской среды. Если вы предоставите ему данные о том, что произошло в прошлом, он расскажет вам, что произойдет в будущем. Это не волшебство, есть ограничения, но мы проверили модель, и она работает очень хорошо. Теперь вы можете использовать ее как инструмент моделирования, чтобы увидеть, что произойдет, если преступность возрастет в одном районе города или усилится правоприменение в другом районе. Если вы используете все эти переменные, сможете увидеть, как системы развиваются в ответ», — подытожил Ишану Чаттопадхьяй (Ishanu Chattopadhyay), доцент факультета медицины Чикагского университета и старший автор нового исследования.

Закладка

Скопировать ссылку

Email

Печать

Twitter

VK

Telegram