Med liten fanfare og enda mindre offentlig åpenhet har minst 60 byer i USA og Europa implementert kriminalitetsvarslingssystemer. Det er på tide med en nasjonal diskusjon om politiets politikk og borgerbeskyttelse. ⁃ TN Editor
Hva om du kunne forutsi hvor en forbrytelse vil finne sted før den skjedde, til og med å bestemme tidspunktet for hendelsen og identiteten til den skyldige på forhånd? Høres litt ut som science fiction, ikke sant? Samfunnsforskere har lenge trodd at historiske kriminalitetstrender ofte påvirker fremtidens mønstre.
Revolusjonen i avansert maskinlæring setter testene deres. En ny generasjon av kriminalitetsvarslingsverktøy er i ferd med å endre karakteren av rettshåndhevelse - og vårt privatliv - for alltid. Og det er viktigere enn noen gang at vi lyser over algoritmene som driver disse innovasjonene.
Leksjoner fra en av verdens mest kriminalitetsrammede byer
Mens de fremdeles er tidlig på dagen, har i det minste 60 politiavdelinger i amerikanske og europeiske byer rullet ut utrullingssystem for kriminalitetsvarsel - med blandede resultater. Forskere sliter med å få mening om resultatene. Et av problemene er at politiet ikke liker å dele det de gjør med publikum. En annen er at det er svært vanskelig å gjøre det pakke ut algoritmene de bruker siden de er proprietære. Vi vet rett og slett ikke hva som er inni den svarte boksen.
For bedre å forstå potensialet i kriminalitetsprediksjon, har vi nylig designet en åpen kildekode for kriminalitetsprediksjon for en særlig kriminalitetsberørt by, Rio de Janeiro. I gjennomsnitt omtrent 1,000 mennesker blir myrdet årlig i den viltvoksende metropolen på 6 millioner. Det er dobbelt så mange mennesker som ble drept i hele Canada, et land med seks ganger befolkningen. Og kriminalitetssituasjonen har blitt verre de siste årene, er imidlertid ikke så forferdelig som mange tror.
I Rio de Janeiro, som de fleste byer rundt om i verden, er det vanskelig å få en tydelig lesning av sikkerhet og sikkerhet. Offentlig statistikk er ikke lett tilgjengelig, og det er ofte lange forsinkelser før de blir utgitt. Forverre saken, når lokale nyhetssteder også kjører kriminalhistorier, fører de vanligvis med sensasjonelle overskrifter som gjør mer for å spre frykt enn å gi innsikt. Det er neppe en overraskelse det 81% av lokalbefolkningen mener de risikerer å bli myrdet.
Som i mange byer rundt om i verden, lider Rios innbyggere under et farlig kunnskapsklyft når det gjelder å vurdere risikoen for kriminalitet. For eksempel er det få innbyggere som vet at drapsratene fortsatt er 50% av det de var et tiår tilbake. Det er en bekymringsfull sammenheng mellom hvordan mennesker oppfatter kriminell vold og dens faktiske utbredelse. Denne frykten for kriminalitet påvirker de daglige beslutningene som tas av mange av byens innbyggere dramatisk, inkludert hvorvidt de vil henvende seg til privat sikkerhet, inngjerdede lokalsamfunn eller skytevåpen for personlig forsvar.
Hva seismologi forteller oss om å forutsi kriminalitet
Den gode nyheten er at voldelig kriminalitet kan reverseres, eller i det minste delvis unngås. I mange byer provoserer spredningen av smarttelefoner, sosiale medier og datakunnskaper endringer i situasjonsbevissthet og atferd. Tjenester som Amazons rangeringssystemer, Facebook, Instagram, Snapchat, Telegram og Yelp er skape en kultur der folk nå forventer å ha tilgang til data om alle tenkelige produkter og tjenester - og avkaster tilbud der data ikke er tilgjengelige.
Hva mer, forbedringer i avansert maskinlæring bety at det er mulig å lage mye mer nøyaktig og målrettet analyse for å analysere kriminalitetsdynamikk, selv i komplekse byer som Rio de Janeiro. Forebygging av kriminalitet er bare ett eksempel på dette. Det er basert på forventningen om at kriminalitet er hyperkonsentrert på bestemte steder og smittsom blant visse typer mennesker.
De underliggende matematiske modellene for forutsigelse av kriminalitet kan spores til en usannsynlig kilde - seismologi. Svært generelt er kriminalitet analog med jordskjelv: innebygde funksjoner i miljøet påvirker sterkt tilhørende etterskjelv. For eksempel kan forbrytelser tilknyttet en bestemt nattklubb, boligblokk eller gatehjørne påvirke intensiteten og spredningen av fremtidig kriminell aktivitet.
wpDiscuz