Как использование аналитики данных может помочь предотвратить преступность
Представьте, что вы отправили своего 12-летнего ребенка купить молока в супермаркете рядом с вашим домом. Вы знаете, что ваш район в безопасности, и отпускаете его одного. К сожалению, кое-что происходит.
Плохой парень приближается к вашему ребенку, пытаясь затащить его в свою машину: вашего ребенка собираются похитить. В этот момент приближается патруль, и двое полицейских слышат крик вашего ребенка.
Они выходят из машины и арестовывают плохого парня.
Ваш ребенок в безопасности.
Ух ты! Как вам повезло, что патруль был там именно в этот момент, не так ли?
Что ж, не повезло. Это была прогнозирующая работа полиции.
О чем это?
Не существует однозначного определения того, что означает прогнозирующая полицейская деятельность.
Идея состоит в том, чтобы использовать аналитические методы для определения целей вмешательства полиции и предотвращения преступлений.
В этой статье я хотел бы привлечь ваше внимание к имеющимся сегодня свидетельствам эффективности прогнозной полицейской службы, а также к основным проблемам, связанным с использованием таких технологий. .
Две техники, одна цель
Программное обеспечение, наиболее используемое в США в 2020 году, называется PredPol. PredPol, разработанный профессором Калифорнийского университета в Лос-Анджелесе, предназначен для прогнозирования того, когда и где будет совершено конкретное преступление в ближайшие 12 часов. Благодаря ежедневно обновляемым данным PredPol отображает прогнозы с помощью цветных полей на карте.
Это программное обеспечение, такое как Keystats, HunchLab, Palantir и другие, использует так называемый анализ горячих точек для определения местоположений статистически значимых горячих и холодных точек на основе предоставленных данных. .
Примером другого используемого метода является KeyCrime. KeyCrime, разработанный итальянским полицейским, использует технику установления связи между преступлениями, чтобы найти связь между серией преступлений и затем предсказать, когда и где те же преступники, скорее всего, нанесут следующий удар.
Ключевым моментом здесь является то, что какую бы технику ни использовало программное обеспечение, основная цель - предоставить информацию, которая позволит лучше использовать полицейских, чтобы они могли оказаться в нужном месте в нужное время. Это вопрос распределения ресурсов для максимальной эффективности.
Несколько случаев
Город Санта-Крус, штат Калифорния, был одним из первых городов в стране, который принял на вооружение технологии прогнозирования полицейской службы еще в 2011 году. Тем не менее, спустя девять лет Санта-Крус стал одним из первых городов США, одобривших запрет на их использование.
В 2020 году департамент полиции Лос-Анджелеса, один из старейших клиентов PredPol, объявил о прекращении программы прогнозирования полиции из-за «финансовых ограничений, вызванных вспышкой коронавируса». Проблема была не только в финансах: они не смогли достоверно оценить общую эффективность программы².
Это всего лишь примеры, но во многих городах США по-прежнему используется прогнозирующая полицейская работа.
Работает, но не везде и не для всех преступлений
Фактическая эффективность прогнозирующей полицейской деятельности не может быть оценена универсально, поскольку она зависит от используемой модели и должна оцениваться индивидуально. Обзор литературы, проведенный в 2019 году, показал, что технологии прогнозирования полицейской деятельности имеют потенциал, но не все преступления можно уменьшить с их помощью.
Например, с момента внедрения технологий прогнозной полиции общий индекс преступности в Нью-Йорке снизился на 6%.
Однако в других местах нет таких релевантных результатов, которые могли бы оправдать переход от традиционных методов.
Алгоритмические предубеждения и непрозрачность
Если оставить в стороне финансовые причины и эффективность, наибольшую озабоченность в связи с этими технологиями вызывает то, что они могут привести к неравенству между социальными группами и расизму.
Алгоритмы, обученные на основе данных об арестах, могут быть предвзятыми, поскольку известно, что полицейские в США арестовывают больше чернокожих или представителей других групп меньшинств. Кроме того, арест человека не означает, что он будет осужден. С другой стороны, обучение алгоритмов на основе сообщения жертвы также проблематично из-за вероятности сообщения о преступлении.
Сообщение жертв также связано с доверием общества или недоверием к полиции. Так что, если вы находитесь в сообществе с исторически коррумпированным или заведомо предвзятым по расовым мотивам полицейским отделением, это повлияет на то, как и будут ли люди сообщать о преступлениях.
Рашида Ричардсон - юрист и исследователь, изучающий алгоритмическую предвзятость
Кроме того, растет беспокойство по поводу отсутствия прозрачности того, как работают эти алгоритмы и почему они возвращают определенные результаты. Чтобы защитить свой бизнес, поставщики не хотят делиться такой информацией, и с черными ящиками трудно работать, потому что, когда они ошибаются, трудно найти, как их исправить.
Другими словами, если полицейский принимает неверное решение, он может объяснить, почему. Если полицейский принимает неверное решение из-за предложения, сделанного алгоритмом, он не может объяснить ничего, кроме:
«это сказал алгоритм»
Заключительные примечания
Как и в случае с любым алгоритмом машинного обучения, если поступают неверные данные, получаются худшие прогнозы. Совершенно очевидно, что у прогнозирующей политики есть несколько важных проблем, которые необходимо исправить.
Существует также несоответствие между заявленными и эффективными преимуществами этих технологий, и это отчасти является причиной того, что их использование было пересмотрено в последние годы.
Спасибо за уделенное время 😉
Ресурсы
[2]: https://www.latimes.com/local/lanow/la-me-ln-lapd-data-20190312-story.html
[3]: https://atlasofsurveillance.org/search?utf8=%E2%9C%93&location=&technologies%5B86%5D=on
