متخصصان فناوری موفق شدند، یک الگوریتم هوش مصنوعی بسازند که می تواند جنایات آینده را یک هفته قبل از وقوع، با دقت 90 درصد پیش بینی می کند. برای آشنایی بیشتر با نحوه کار این الگوریتم تا پایان مطلب با های فن تک همراه باشید.
این الگوریتم جدید مبتنی بر هوش مصنوعی، با استفاده از الگوهای زمانی و موقعیت های جغرافیایی داده های عمومی در مورد جرایم خشونت آمیز، می تواند زمان وقوع جرم را پیش بینی می کند. می تواند جنایات آینده را یک هفته قبل با دقت 90 درصد پیش بینی کند.
این مدل رایانهای جدید از دادههای در دسترس عموم هشت شهر ایالات متحده، برای پیشبینی دقیق جرم و جنایت استفاده کرده و واکنش پلیس در محلههای ثروتمند را نسبت به مناطق کمتر برخوردار، نشان میدهد.
پیشرفتها در هوش مصنوعی و یادگیری ماشینی باعث علاقه دولتهایی شده است که میخواهند پلیس، از این ابزارها برای پیشبینی و جلوگیری از وقوع جرم استفاده کنند. با این حال، تلاشهای اولیه برای پیشبینی جرم بحثبرانگیز بوده است، زیرا این سیستم ها نمی توانند سوگیریهای پلیس و رابطه پیچیده آن با جرم و جنایت و جامعه را در نظر نمیگیرند.
دانشمندان علوم اجتماعی و دادههای دانشگاه شیکاگو، الگوریتم جدیدی ایجاد کردهاند که با یادگیری الگوهای زمانی و موقعیتهای جغرافیایی از دادههای عمومی در مورد جرایم خشونتآمیز و دارایی، جرم را پیشبینی میکند. این الگوریتم، در پیش بینی جنایات آینده یک هفته قبل با دقت تقریباً 90 درصد موفقیت نشان داده است. شما مثل من، به یاد فیلم آمریکایی مظنونین افتادید؟!!!
در یک مدل جداگانه، تیم محققان همچنین واکنش پلیس به جرم و جنایت را با تجزیه و تحلیل تعداد دستگیریها پس از حوادث و مقایسه آن نرخها در میان محلههایی با وضعیت اجتماعی-اقتصادی متفاوت، را مورد مطالعه قرار دادند. آنها دیدند که جنایت در مناطق ثروتمندتر منجر به دستگیری بیشتر شد، در حالی که دستگیری در محله های محروم کاهش یافت. با این حال، جنایت در محلههای فقیرنشین منجر به دستگیریهای بیشتری نشد، که نشاندهنده سوگیری در واکنش و اجرای پلیس است.
دکتر ایشانو چاتوپادیای، استادیار پزشکی در UChicago و نویسنده ارشد این مطالعه جدید، گفت: «آنچه که ما میبینیم این است که وقتی سیستم را تحت فشار قرار میدهیم، به منابع بیشتری برای دستگیری افراد در زمان وقوع جرم در یک منطقه ثروتمند نیاز دارد و منابع پلیس را از مناطق با موقعیت اجتماعی-اقتصادی پایینتر دور میکند.»
نتایج این تحقیقات، 30 ژوئن سال 2022 در مجله Nature Human Behaviour منتشر شد.
این ابزار جدید با استفاده از دادههای تاریخی شهر شیکاگو گزارششده و معتبر استفاده کرد: جنایات خشونتآمیز (قتل، حمله، و باتری) و جرایم اموال (سرقت، سرقت، و سرقت وسایل نقلیه موتوری). این داده ها، به احتمال زیاد در مناطق شهری که بی اعتمادی تاریخی و عدم همکاری با مجریان قانون وجود دارد، به پلیس گزارش می شود. این گونه جرائم نیز کمتر مستعد سوگیری اجرایی هستند، همانطور که در مورد جرایم مواد مخدر، توقف های ترافیکی و سایر تخلفات بزهکارانه صدق می کند.
روش های قبلی برای پیشبینی جرم اغلب از یک رویکرد اپیدمی یا لرزهای استفاده میکنند، که در آن جرم به صورت ظهور در «نقاط پرخطر» که به مناطق اطراف گسترش مییابد به تصویر کشیده میشود. با این حال، این ابزارها از تحلیل محیط اجتماعی پیچیده شهرها، رابطه بین جرم و جنایت و نحوه اجرای قانون توسط پلیس را در نظر نمی گیرند.
جیمز ایوانز، جامعه شناس و یکی از نویسندگان مقاله و پروفسور ماکس پالوسکی در شیکاگو و موسسه سانتافه گفت: «مدل های فضایی توپولوژی طبیعی شهر را نادیده می گیرند. شبکه های حمل و نقل به خیابان ها، مسیرهای پیاده روی، خطوط قطار و اتوبوس احترام می گذارند. شبکه های ارتباطی به حوزه هایی با پیشینه اجتماعی-اقتصادی مشابه احترام می گذارند. مدل ما امکان کشف این ارتباطات را فراهم می کند.»
مدل جدید با مشاهده مختصات زمانی و مکانی رویدادهای مجزا و کشف الگوهایی برای پیشبینی رویدادهای آینده، جرم را جدا میکند. این شهر را به کاشیهای فضایی تقریباً 1000 فوتی تقسیم میکند و به جای تکیه بر مرزهای محلی یا سیاسی سنتی، که در معرض تعصب هستند، جنایت را در این مناطق پیشبینی میکند. این مدل با داده های هفت شهر دیگر ایالات متحده شامل آتلانتا، آستین، دیترویت، لس آنجلس، فیلادلفیا، پورتلند و سانفرانسیسکو، همان عملکرد خوب را از خود نشان داد.
ایوانز گفت: «ما اهمیت کشف الگوهای خاص شهر را برای پیشبینی جرم گزارششده نشان میدهیم، که دید تازهای را در محلههای شهر ایجاد میکند و به ما امکان میدهد سؤالات جدیدی بپرسیم و اقدامات پلیس را به روشهای جدید ارزیابی کنیم.»
Chattopadhyay مراقب است که توجه داشته باشد که دقت این ابزار به این معنی نیست که باید برای هدایت اجرای قانون استفاده شود، زیرا ادارات پلیس از آن در محلههای شلوغ، برای جلوگیری از جرم و جنایت استفاده میکنند. در عوض، باید به جعبه ابزار آن، سیاستهای شهری و استراتژیهای پلیسی برای رسیدگی به جرم اضافه شود.
ما یک دوقلوی دیجیتالی از محیطهای شهری ایجاد کردیم. اگر دادههایی را که در گذشته اتفاق افتاده است را تغذیه کنید، به شما خواهد گفت که در آینده چه اتفاقی خواهد افتاد. این جادویی نیست، محدودیتهایی وجود دارد، اما ما آن را امتحان کردیم و واقعاً خوب کار میکند.» اکنون میتوانید از این بهعنوان یک ابزار شبیهسازی استفاده کنید تا ببینید اگر جنایت در یک منطقه از شهر افزایش یابد، یا در منطقهای دیگر افزایش یابد، چه اتفاقی میافتد. اگر همه این متغیرهای مختلف را اعمال کنید، میتوانید ببینید که سیستمها چگونه در نحوه ی پاسخ گویی تکامل مییابند.»