Hoe AI en ML criminaliteit kunnen voorspellen - en bestrijden

We kennen allemaal die science-fictionfilms waarin een (soms angstaanjagende) toekomst wordt geschetst over voorspellende AI die criminaliteit bestrijdt. Maar deze toekomst wordt steeds meer nu.

AI/ML wordt in de misdaadbestrijding al jaren gebruikt voor het vaststellen van de identiteit van de daders, de verblijfplaats van de daders op het moment van een misdrijf en hun handelingen en hun verblijfplaats voorafgaand aan en na een misdrijf. Handmatig zijn dit lastige taken, maar AI-categorisering door middel van het doorzoeken van enorme hoeveelheden visuele gegevens, samen met ML-gedragsscripts geven AL/ML-algoritmen de mogelijkheid menselijke fouten te elimineren.

Het voorkomen van geweldsdelicten

"Voorspellende misdaadbestrijding" is de praktijk van het identificeren van de datum, tijden en locaties waar specifieke misdrijven het meest waarschijnlijk zullen voorkomen, en vervolgens het plannen van politie-inzet om in die gebieden te patrouilleren in de hoop dat er geen misdrijven zullen plaatsvinden, waardoor de buurten veiliger worden gehouden. Na veel onderzoek en input van grote politiediensten in samenwerking met softwareleveranciers zijn de voorspellende analysemodellen voortdurend verfijnd. Verdere conclusies hebben prioriteit gegeven aan het verzamelen van de drie belangrijkste datapunten: de datum en het tijdstip van het misdrijf, de locatie van het misdrijf en het soort misdrijf - en dus aan het vereenvoudigen en mogelijk verminderen van het verzamelen van gegevens.

Een profielmatrix kan worden opgebouwd uit een database met bekende wetsovertreders, eventueel gevonden DNA op de plaats van het misdrijf, enz. Naast het onderzoeken van video's van beveiligingscamera's en verkeers- en controlecamera's kunnen onderzoekers in wetshandhaving een nauwkeurige arrestatie uitvoeren, waardoor het aantal onrechtmatige arrestaties kan worden verminderd. Er is veel te doen over het gebruik van roodlichtcamera's en of die gegevens die aan de rechtshandhaving mogen worden verstrekt. Maar de beschikbaarheid van consistente punten voor het verzamelen van gegevens is in mijn opinie van cruciaal belang om criminaliteit te voorkomen.

Misdaad bestaat uit niet willekeurige patronen

Uit criminaliteitsanalyse blijkt dat criminelen patronen hebben en dat criminaliteit dus niet willekeurig is. Er bestaan criminaliteit/plaats-netwerken, zo genoemd door David L. Weisburd, een Israëlisch/Amerikaanse criminoloog die bekend staat om zijn onderzoek naar de theorie van criminaliteitplaatsing in de opsporing. Zijn onderzoek - samen met ander onderzoek van de wetenschappers Tamara Herold en John Eck - bevestigt consequent dat criminele activiteiten patronen hebben die verband leggen tussen plaatsen, slachtoffers en daders die historisch consistent in kaart kunnen worden gebracht.

Tegenwoordig kan de rechtshandhaving enorme hoeveelheden gegevens verzamelen en opslaan, om complexe analysemodellen toe te passen en door middel van analyse kaartpatronen te maken van mogelijke criminele hotspots. Politiestrategieën ondersteunen de inzet op plaatsen met een hoge criminaliteit, initiatieven om slachtoffers met een hoog risico te beschermen en mogelijke afschrikkende maatregelen te nemen voor recidivisten. Het moderne politiewerk omvat het plannen van patrouillepatrouilles op basis van deze kaarten, die laten zien waar de meest waarschijnlijke plaatsen voor criminaliteit zich zullen voordoen. Typische kenmerken van de plaats delicten worden ingevoerd als belangrijke prestatie-indicatoren, samen met historische referentiegegevens over criminaliteit en beelden van terugkerende criminele plaatsen en dat alles om criminaliteit bevorderende gedragspatronen inzichtelijk te maken.

De Amerikanen zijn daar al ver mee. Het door Leslie Kennedy, Joel Caplan, Eric Piza, Grant Drawve en het Rutgers Center on Public Security (RCPS) ontwikkelde "Risk Terrain Modeling" (RTM) framework illustreert ontwerpmatrixen die gebaseerd zijn op de risicoanalyse van een mogelijk in uitvoering zijnd misdrijf. De Loss Prevention Research Council (LPRC) Violence Crime Working Group en diens Anti-Violence Innovation Team hebben deze analyse-instrumenten geïmplementeerd in de hoop het geweld in de openbare ruimte tegen scholen, arena's, kerken, overheidsgebouwen, enz. voor te zijn. Het beschermen van werknemers en het publiek tegen massaal geweld is hun doel, haalbaar door de politie op de juiste plaats en tijd neer te zetten voordat er geweld plaatsvindt. Daarnaast blijken AI-algoritmen zeer effectief te zijn in zowel de medische als de forensische wetenschappen, inclusief DNA-analyse en radiologische beeldinterpretatie, die beide worden gebruikt om de doodsoorzaak en -wijze nauwkeuriger te bepalen.

Neurale netwerken maken AI/ML menselijker

Door de training van neurale netwerken op big data, worden complexe machine learning en big data gebruikt voor de inzet van betaalbare snelle grafische verwerkingseenheden (GPU's). Projecten zoals Lifelong Learning Machines (L2M), van het Defense Advanced Research Projects Agency (DARPA), zijn gericht op het creëren van veiligheidssystemen die continu leren door middel van big data analyse in de uitvoering van taken, terwijl de huidige mogelijkheden behouden blijven en zo de nauwkeurigheid van de besluitvorming verbeteren. L2M brengt wetenschappers samen om te onderzoeken hoe het leren biologisch gebeurt voor de ontwikkeling en verbetering van computationele architecturen en algoritmes. Deze constructies bootsen het menselijk leren na en evolueren op basis van de uitvoering van taken in steeds complexere bestaande en nieuwe situaties. Door middel van lagen van neurale netwerken bootsen machines het menselijk leren na door eenvoudige patronen voor altijd te herkennen en te categoriseren en zo meer complexe patronen te creëren.

Naast het doel publiek geweld te stoppen, heeft het LPRC een gloednieuw Innovative Next Retail Center (NRC) gelanceerd om activa en de retail supply chain te beschermen. Op het gebied van fraudedetectie voeren retailbedrijven en bedrijven die zijn aangesloten bij online betalingsverwerking, zoals Amazon en PayPal, voortdurend enorme hoeveelheden gegevens in hun AI/ML fraudedetectiesysteem in. Door gebruik te maken van complexe algoritmes om abnormale patronen te voorspellen en te identificeren en nieuwe patronen te leren kennen, kunnen fraudegevallen worden voorspeld nadat ze zich hebben voorgedaan, zoals ze zich voordoen en soms voordat ze zich voordoen. De wetshandhaving concentreert zich rond AI/ML-systemen vanwege de overweldigende positieve resultaten en de duurzame vermindering van de criminaliteit. Middelen worden effectiever ingezet en gebruikt en grondige onderzoeken en nauwkeurige veroordelingen worden tijdig gerealiseerd.

De afgelopen tien jaar zijn de belangrijkste trends op het gebied van criminaliteit in een neerwaartse spiraal terechtgekomen, wat aantoont dat investeringen in voorspellende rechtshandhaving of "voorspellende politiezorg" succesvol zijn. Politiek gezien is "lagere criminaliteitstrends" een belangrijk discussiepunt voor herverkiezingscampagnes en alleen al om die reden de moeite waard. AI/ML-softwaresystemen blijven een enorm succes bij het opsporen en voorkomen van criminaliteit, waardoor de lopende criminaliteit wordt gestopt en mogelijk zelfs al voordat het plaatsvindt.

Related:

Copyright © 2019 IDG Communications, Inc.

Discover what your peers are reading. Sign up for our FREE email newsletters today!