Алгоритм с точностью до 300 метров позволяет предсказывать, где будет совершено нападение или кража за неделю до того, как это произойдет. Хотя подобные прогностические модели могут усилить власть государства за счет незаконной слежки за невиновными людьми, в то же время они позволяют осуществлять слежку за государством, выявляя системную предвзятость в действиях правоохранительных органов.

Достижения в области машинного обучения и искусственного интеллекта вызвали немалый интерес у правительств разных стран. И их интерес понятен: если бы существовал рабочий инструмент для прогнозирования преступлений, это сильно упростило бы работу правоохранительных органов и в перспективе кардинально снизило уровень уличной преступности. Об одной из подобных моделей, дающей недельные предсказания о террористических атаках на основе данных только из открытых источников, Naked Science рассказывал в прошлом году.

Однако большинство предыдущих попыток прогнозирования преступности были довольно противоречивыми и неточными. В основном потому, что зачастую использовали так называемый эпидемический или сейсмический подход, когда преступность возникает в неких «горячих точках», которые затем распространяются на близлежащие районы. При этом упускаются из виду сложная социальная среда городов и их естественная топология, не учитывается взаимосвязь между преступностью и последствиями полицейского принуждения.

Аналитики данных и социологи из Чикагского университета (США) разработали новый алгоритм, который прогнозирует преступность, изучая закономерности во времени и географическом распределении насильственных преступлений (убийства, нападения, нанесение побоев и так далее) и преступлений против собственности (кражи со взломом, обычные уличные кражи и угоны автомобилей и прочее), используя лишь общедоступные данные. Модель может строить прогнозы будущих преступлений на неделю вперед с точностью около 90%.

Описание своего алгоритма стохастического вывода ученые изложили в статье, опубликованной в журнале Nature Human Behavior.

Новая модель делит город на одинаковые квадраты со стороной примерно 300 метров, анализирует время и место отдельных преступлений и выявляет закономерности для прогнозирования будущих событий. Изначально модель тестировали на данных о нападениях и кражах в третьем по населению городе Соединенных Штатов Америки — Чикаго. Однако модель так же хорошо работала с данными из семи других американских городов: Атланты, Остина, Детройта, Лос-Анджелеса, Филадельфии, Портленда и Сан-Франциско.

В рамках отдельной прогностической модели исследовательская группа изучила реакцию и действия полиции на преступления в различных частях города, проанализировав число арестов после соответствующих инцидентов и сравнив эти показатели среди районов с разным социально-экономическим статусом. Авторы работы заметили, что повышение уровня преступности в более богатых районах приводит к большему числу арестов в них, в то время как количество арестов в неблагополучных районах сокращается. Однако сходное повышение числа преступлений в бедных районах не приводит к ожидаемому повышению числа арестов там, что свидетельствует о предвзятости в реакции полиции и правоприменении.

И все же, несмотря на высокую точность своей модели предсказания преступлений, ученые отмечают, что ее не следует использовать напрямую для обеспечения правопорядка. Ведь увеличение числа полицейских в тех районах города, где ожидается преступление, приведет к изменению условий моделирования и лишь снизит эффективность и точность предсказания. Вместо этого модель следует добавить в набор инструментов городской политики и полицейских стратегий для борьбы с преступностью.

«Мы создали цифрового двойника городской среды. Если вы предоставите ему данные о том, что произошло в прошлом, он расскажет вам, что произойдет в будущем. Это не волшебство, есть ограничения, но мы проверили модель, и она работает очень хорошо. Теперь вы можете использовать ее как инструмент моделирования, чтобы увидеть, что произойдет, если преступность возрастет в одном районе города или усилится правоприменение в другом районе. Если вы используете все эти переменные, сможете увидеть, как системы развиваются в ответ», — подытожил Ишану Чаттопадхьяй (Ishanu Chattopadhyay), доцент факультета медицины Чикагского университета и старший автор нового исследования.