U filmu Minoriti Report iz 2002., reditelj Stiven Spilberg je zamislio budućnost u kojoj tri vidovnjaka mogu da „vide“ ubistva pre nego što se ona dese. Njihova vidovitost omogućava Tomu Kruzu i njegovoj policiji „Prekriminal“ da spreče skoro sva potencijalna ubistva.
Dvadeset godina kasnije, u stvarnom svetu, naučnici i agencije za sprovođenje zakona koriste rudarenje podataka i mašinsko učenje da oponašaju te vidovnjake. Takav „prediktivni rad policije“, kako se naziva, zasniva se na činjenici da mnogi zločini — i kriminalci — imaju obrasce koji se mogu otkriti.
Prediktivna policija je imala neke uspehe. U studiji slučaja u Sjedinjenim Državama, jedna policijska uprava uspela je da smanji incidente sa oružjem za 47% tokom tipično srećne novogodišnje noći. Policija Mančestera u Velikoj Britaniji bila je na sličan način u stanju da predvidi i smanji pljačke, provale i krađe iz motornih vozila za dvocifrene brojke u prvih 10 nedelja od uvođenja prediktivnih mera.
Prediktivna policija je napredovala u skokovima i granicama. U prošlosti, ljudi su morali ručno da pregledaju izveštaje o zločinima ili da filtriraju kroz nacionalne baze podataka o kriminalu. Sada, u doba velikih podataka, rudarenja podataka i moćnih računara, taj proces se može automatizovati.
Ali samo pronalaženje informacija nije dovoljno za odvraćanje od kriminala. Podaci se moraju analizirati da bi se otkrili osnovni obrasci i odnosi. Naučnici primenjuju algoritme i matematičke modele kao što je mašinsko učenje, koje imitira način na koji ljudi uče, kako bi iz postojećih podataka izvukli korisne informacije i uvide.
Nedavno smo se okrenuli matematičkoj metodi osmišljenoj u 18. veku da bismo poboljšali svoj pristup. Podešavanjem postojećeg algoritma zasnovanog na ovoj metodi, značajno smo poboljšali stope predviđanja zločina.
Ovaj nalaz obećava primenu prediktivne policije u kontekstu sa nedostatkom resursa kao što je Južna Afrika. Ovo bi moglo pomoći da se smanji nivo kriminala — neki od najviših u svetu i koji raste. To je situacija koju policija u zemlji izgleda loše opremljena da obuzda.
Udruživanje dva različita pristupa
Tomas Bejs je bio britanski matematičar. Njegova čuvena Bajesova teorema u suštini opisuje verovatnoću da se događaj desi na osnovu nekog prethodnog znanja o uslovima koji mogu biti povezani sa tim događajem. Danas je Bajesova analiza uobičajena u različitim oblastima kao što su veštačka inteligencija, astrofizika, finansije, kockanje i vremenska prognoza. Fino smo podesili Naivni Bajes algoritam i stavili ga na test kao prediktor zločina.
Bajesova analiza može koristiti izjave o verovatnoći da odgovori na istraživačka pitanja o nepoznatim parametrima statističkih modela. Na primer, kolika je verovatnoća da je osumnjičeni optužen za krivično delo kriv? Ali ići dublje – poput izračunavanja kako se poker karte mogu razvijati, ili kako će se ponašati ljudi (posebno ljudi sa kriminalnim namerama) – zahtevaju sve sofisticiranije tehnologije i algoritme.
Naše istraživanje je zasnovano na naivnom Bajes algoritmu ili klasifikatoru, popularnom nadgledanom algoritmu mašinskog učenja, za predviđanje zločina.
Naivni Bajes polazi od premise da su karakteristike – varijable koje služe kao ulaz – uslovno nezavisne, što znači da prisustvo jedne karakteristike ne utiče na druge.
Fino smo podesili Naivni Bajes algoritam tako što smo ga spojili sa drugim algoritmom poznatim kao Rekurzivna eliminacija karakteristika. Ovaj alat pomaže u odabiru značajnijih karakteristika u skupu podataka i uklanjanju slabijih, sa ciljem poboljšanja rezultata.
Zatim smo primenili naš fini algoritam na popularni eksperimentalni skup podataka izvučen iz sistema CLEAR (Analiza i izveštavanje o sprovođenju zakona građana) policije Čikaga, koji je korišćen za predviđanje i smanjenje kriminala u tom američkom gradu. Taj skup podataka se primenjuje globalno zbog bogatih podataka koje sadrži: pruža podatke o zločinima na nivou incidenta, registrovanim prestupnicima, zabrinutostima zajednice i lokacijama policijskih stanica u gradu.
Uporedili smo rezultate našeg poboljšanog Naive Baiesa sa rezultatima originalnog Naive Baiesa, kao i sa drugim prediktivnim algoritmima kao što su nasumične šume i ekstremno nasumična stabla (algoritmi na kojima smo takođe radili za predviđanje zločina). Otkrili smo da bismo mogli da poboljšamo predviđanja Naivnog Bajesa za oko 30% i da možemo da se podudaramo ili da poboljšamo predviđanja drugih algoritama.
Podaci i pristrasnost
Iako naš model obećava, postoji jedan element koji veoma nedostaje u primeni na južnoafričke kontekste: podaci. Kao što Chicago CLEAR sistem ilustruje, prediktivni modeli najbolje funkcionišu kada imate puno relevantnih podataka za rad. Međutim, južnoafričke policijske snage su kroz istoriju bile veoma stisnute sa svojim podacima, možda zbog problema sa poverljivošću. Naišao sam na ovaj problem u svom doktorskom istraživanju o otkrivanju i mapiranju serijala zločina.
Ovo se polako menja. Trenutno vodimo malu studiju slučaja u Belvilu, predgrađu oko 20 km od centralnog poslovnog okruga Kejptauna i oblasti u kojoj se nalazi naš univerzitet, koristeći podatke Južnoafričke policijske službe za prediktivnu policiju.
Ništa od ovoga ne sugeriše da će samo prediktivna policija rešiti problem kriminala u Južnoj Africi. Algoritmi za predviđanje i rad policije nisu bez svojih nedostataka. Čak i vidovnjaci u izveštaju o manjinama, pokazalo se, nisu bili bez grešaka. Strahovi da ovi algoritmi mogu jednostavno pojačati rasne predrasude, na primer, podignuti su iu Južnoj Africi i drugde.
Ali verujemo da bi, uz kontinuirano tehnološko unapređenje, prediktivni rad policije mogao da igra važnu ulogu u jačanju reagovanja policije i da može biti mali korak ka poboljšanju poverenja javnosti u policiju.
