Τεχνητή νοημοσύνη προβλέπει το έγκλημα μία εβδομάδα νωρίτερα με 90% ακρίβεια

Αν και έχει αποδειχτεί σε άλλες περιπτώσεις στο παρελθόν ότι τέτοια συστήματα στην ουσία διαιωνίζουν τις ρατσιστικές προκαταλήψεις στην αστυνόμευση -και το ίδιο θα μπορούσε να ισχύει και σε αυτήν την περίπτωση- οι ερευνητές που εκπαίδευσαν το συγκεκριμένο μοντέλο AI ισχυρίζονται ότι θα μπορούσε να χρησιμεύσει και για να εκθέτει και να αποκαλύπτει τέτοιες προκαταλήψεις.

Ο Ishanu Chattopadhyay στο Πανεπιστήμιο του Chicago και οι συνεργάτες του δημιούργησαν ένα μοντέλο Τεχνητής Νοημοσύνης, το οποίο ανέλυσε ιστορικά εγκληματολογικά δεδομένα από το Chicago του Illinois την περίοδο από το 2014 έως το τέλος του 2016 και στη συνέχεια κατάφερε να προβλέψει τα επίπεδα εγκληματικότητας για τις εβδομάδες που ακολούθησαν. Το μοντέλο AI κατάφερε να προβλέψει τη πιθανότητα να συμβούν κάποια εγκλήματα σε όλη την έκταση της πόλης, η οποία είχε χωριστεί σε τετράγωνα περίπου 300 μέτρων, περίπου μία εβδομάδα πριν πραγματοποιηθούν και με ακρίβεια που έφτανε το 90%. Επίσης, εκπαιδεύτηκε και δοκιμάστηκε σε δεδομένα που προήλθαν από επτά άλλες μεγάλες πόλεις των ΗΠΑ, με παρόμοιο επίπεδο απόδοσης.

Προηγούμενες προσπάθειες που σχετίζονταν με τη χρήση AI για την πρόβλεψη του εγκλήματος ήταν ανακριβείς και αποδείχτηκαν τουλάχιστον ανακριβείς επειδή διαιώνιζαν τις φυλετικές προκαταλήψεις. Τα τελευταία χρόνια, το Αστυνομικό Τμήμα του Chicago δοκίμαζε έναν αλγόριθμο, ο οποίος δημιούργησε μία λίστα με άτομα που εκτιμούσε ότι είχαν πιθανότητα να εμπλακούν περισσότερο σε καταστάσεις με πυροβολισμούς, είτε ως θύματα, είτε ως θύτες. Αρχικά, οι λεπτομέρειες για τον αλγόριθμο και τη λίστα κρατήθηκαν μυστικές, αλλά όταν τελικά δημοσιοποιήθηκε η λίστα, αποδείχθηκε ότι περιείχε το 56% των μαύρων ανδρών στην πόλη, ηλικίας μεταξύ 20 και 29 ετών.

Ο Ishanu Chattopadhyay παραδέχτηκε ότι τα δεδομένα που χρησιμοποιεί το μοντέλο AI ενδέχεται να είναι επίσης μεροληπτικά ωστόσο τόνισε ότι έχουν γίνει προσπάθειες για να μειωθεί η μεροληψία και ότι η Τεχνητή Νοημοσύνη στη συγκεκριμένη περίπτωση δεν εντοπίζει υπόπτους, παρά μόνο τους πιθανούς τόπους εγκλήματος. «Δεν είναι το Minority Report» είπε. «Οι πόροι όσον αφορά τις αρχές επιβολής του νόμου δεν είναι άπειροι. Επομένως, το ιδανικό είναι να χρησιμοποιούνται με τον βέλτιστο τρόπο. Θα ήταν υπέροχο να γνωρίζαμε που θα συμβούν ανθρωποκτονίες» συμπλήρωσε ο κ. Ishanu Chattopadhyay. Οι εκτιμήσεις της Τεχνητής Νοημοσύνης θα μπορούσαν να χρησιμοποιηθούν με μεγαλύτερη ασφάλεια για την ενημέρωση της πολιτικής σε υψηλότερο επίπεδο, παρά για να αξιοποιηθούν για την απευθείας για την κατανομή των αστυνομικών πόρων. Τα δεδομένα και ο αλγόριθμος που χρησιμοποιήθηκαν στη μελέτη είναι δημοσίως διαθέσιμα, έτσι ώστε και άλλοι ερευνητές να μπορέσουν να μελετήσουν τα αποτελέσματα.

Οι ερευνητές χρησιμοποίησαν επίσης τα δεδομένα για να αναζητήσουν περιοχές όπου η ανθρώπινη προκατάληψη επηρεάζει την αστυνόμευση. Ανέλυσαν τον αριθμό των συλλήψεων μετά από εγκλήματα σε γειτονιές του Chicago με διαφορετικό κοινωνικοοικονομικό επίπεδο. Τα δεδομένα έδειξαν ότι στις πιο πλούσιες περιοχές όπου πραγματοποιήθηκαν εγκλήματα έγιναν περισσότερες συλλήψεις από ότι στις φτωχότερες γειτονιές, υποδηλώνοντας μεροληψία όσον αφορά την αντίδραση της αστυνομίας.

Ο Lawrence Sherman στο Κέντρο Αστυνόμευσης βάσει Τεκμηρίων του Cambridge, στο Ηνωμένο Βασίλειο εξέφρασε την ανησυχία του για τη συμπερίληψη δεδομένων ενεργητικής και προληπτικής αστυνόμευσης στη μελέτη ή για εγκλήματα που τείνουν να καταγράφονται επειδή καταγγέλλονται από τους ανθρώπους και εγκλήματα που τείνουν να καταγράφονται επειδή η αστυνομία βγαίνει να αναζητήσει τους ενόχους. Ο τελευταίος τύπος δεδομένων είναι πολύ επιρρεπής στη μεροληψία υποστηρίζει ο κ Sherman. «Θα μπορούσε να αντικατοπτρίζει σκόπιμη διάκριση από την αστυνομία σε ορισμένες περιοχές» είπε.

• τεχνητή νοημοσύνη