Borba protiv trgovine ljudima ima aspekt Davida i Golijata. Prstenovi trgovine ljudima su globalna pošast sa oko 25 miliona žrtava i 150 milijardi dolara godišnje zarade. Međutim, agencije i nevladine organizacije koje imaju zadatak da zaustave trgovce ljudima su obično male i nemaju dovoljno sredstava. Nedavno se pojavio tehnološki alat koji pomaže da se zatvori ovaj jaz: algoritmi mašinskog učenja (ML).
Napunjeni sa dovoljno relevantnih podataka, ovi algoritmi mogu pronaći skrivene tragove o tome kako trgovci ljudima rade i šta će verovatno raditi u budućnosti. U principu, agencije za borbu protiv trgovine ljudima mogu da koriste predviđanja o pranju novca da usmere svoje oskudne resurse u oblasti najvećeg rizika.
Abhishek Rai, docent u oblasti informacionih sistema i upravljanja operacijama na Poslovnoj školi Univerziteta George Mason, dodao je svoju stručnost ovom naporu. Sa saradnicima Viplove Arora (istraživačica post-doc na SISSA, Italija), Kaise Mass (sa Northeastern univerziteta) i Mario Ventresca (sa Univerziteta Purdue), Rai je razvio model koji smanjuje nagađanje implementacije ML predviđanja.
Kao što Rej objašnjava, model obezbeđuje „sloj na vrhu“ za poboljšanje rezultata postojećih rešenja za ML. Naoružan stopama uspeha i neuspeha (tj. istinitim/lažnim negativnim rezultatima i pozitivnim otkrivanjem trgovine ljudima) agencije za borbu protiv trgovine ljudima, ona traži scenarije u kojima bi agencija mogla da postigne isti broj uspeha sa manje grešaka.
U nedavno objavljenom radu u IISE Transactions, Rej i njegovi koautori primenjuju svoj model na dve agencije iz stvarnog života: Global Fishing Vatch (GFV), koja cilja na trgovinu u globalnoj industriji morskih plodova, i Love Justice International (LjI), koja prati tranzitne stanice na indijsko-nepalskoj granici.
Rešenje za pranje novca koje koristi GFV povezuje veliku bazu podataka aktivnosti ribarskih plovila, koja se dobija putem satelita, sa podacima organa za sprovođenje zakona o trgovini ljudima. Rezultirajuća predviđanja ukazuju na tipove plovila, ponašanja i karakteristike koje bi agencija trebalo da pažljivo prati.
Ali kriminalci ponekad uče brže od mašina. „Ako je neko uhvaćen na dugoj kočari, a zna da može da bude uhvaćen, nikada više neće ići na dugačku kočaricu“, objašnjava Rej. Taktike trgovaca ljudima koji se razvijaju možda neće biti u potpunosti obuhvaćene ogromnim, širokim skupovima podataka, kao što su oni izvedeni iz satelitskog nadzora plovila. Promene u stopama uspeha agencija, s druge strane, bliže su akciji i mogu da pokupe najnovije faze ove igre mačke i miša.
Osvrćući se na podatke agencija iz 2012-2018, istraživači su otkrili da bi, da je njihov model korišćen uz ML, GFV verovatno otkrio više slučajeva trgovine ljudima, dok bi počinio mnogo manje lažno negativnih i lažnih pozitivnih rezultata. Pored toga, preporuke za praćenje su se značajno promenile tokom šest godina. Na primer, pod određenim uslovima, plovila s parangalom su bili najverovatniji osumnjičeni za godine 2012-2017. U 2018. godini, međutim, zamenili su ih džigeri za lignje i izdvojeni su kao među najsumnjivije. Ovo mešanje prioriteta može odražavati da trgovci menjaju svoje plovilo po izboru da bi izbegli otkrivanje.
U slučaju Love Justice International, Rejov model bi mogao da posluži kao rešenje za ograničenja kao što je nedostatak dobro obučenog osoblja. LjI bi mogao da unese ciljni rezultat u algoritam, kao što je osnovni broj pozitivnih ID-a trgovaca ljudima, i da dobije preporuke kako da na najbolji način iskoristi napregnute resurse.
Za Reja je borba protiv trgovine ljudima lična. Kao dete koje je odrastalo u Kalkuti u Indiji, o njemu se brinula uposlenica koja je — kako su njegovi roditelji kasnije saznali — bila žrtva trgovine ljudima kada je i ona bila dete. „Ovo sam naučio dok sam doktorirao u SAD“, kaže on. „To je kao da ti je oduzet deo detinjstva. Došao si u kontakt sa nečim zločinačkim i nisi imao razumevanja.“
„Kada bih mogao da dam doprinos rešavanju problema, smatrao bih da to vraćam ono što sam nesvesno uzeo.
Da bi u potpunosti iskoristile Rejovo „sloj na vrhu“ ML rešenja, agencije za borbu protiv trgovine ljudima bi trebale da kreiraju efikasne sisteme za prikupljanje i centralizaciju podataka. U zavisnosti od konteksta, ovo može predstavljati izazove u rasponu od ograničenja resursa do političke klime u kojoj se podaci o trgovini ljudima mogu koristiti protiv već žrtava. „Maksimalna vrednost našeg okvira je kada deluje u realnom vremenu sa podacima u realnom vremenu“, kaže Rej.
