Zločiny nás děsí i fascinují. Jejich obětí se může stát kdokoli a nikdo si nemůže být před nekalými úmysly ostatních lidí zcela jist. Pro většinu populace jsou myšlenky, které vedou člověka ke spáchání trestného činu, často obtížně pochopitelné, a proto lidé nemohou ani přes veškerou snahu výskyt zločinů odhadnout předem. Umělá inteligence by to však dokázat mohla.
Snahu o využívání algoritmů k předpovídání nekalých skutků však provází řada kontroverzí, z nichž nejpalčivější je obava, že počítače budou opakovat a prohlubovat předsudky panující mezi policisty. Nicméně nově vyvinuté systémy strojového učení dle webu SingularityHub slibují nejen konfirmačním zkreslením nezatížené předpovědi, ale i zvýraznění možných lidských předsudků ve výstupech. Jestli totiž umělé inteligenci obecně něco doopravdy jde, je to vytváření vzorců a zobecňování na jejich základě. Právě to jí umožňuje odhadovat budoucnost, čehož chtějí strážci zákona využívat.
Lidský faktor
Algoritmy policisté plánují trénovat na databázi skutečných případů, záznamech o historických zločinech a dalších relevantních materiálech. Díky nim chtějí zjistit, na jakých místech existuje vyšší statistická pravděpodobnost, že zde dojde ke zločinu, aby mohli například posílit hlídky v dané oblasti.
To by umělá inteligence hravě zvládla, problém je však v datech. Pokud se informace použijí k bezmyšlenkovitému trénování algoritmu, bude plný zkreslení, jež se příliš snadno replikují. Předchozí AI systémy totiž zahrnovaly například irelevantní proměnné, jako jsou graffiti na zdech, jež sice vyvolávají atmosféru zdánlivého nebezpečí, ale ve skutečnosti se zločiny nesouvisí, anebo demografická data, což vedlo modely k vytváření chybných asociací na základě rasových nebo socioekonomických kritérií.
Umělou inteligenci však mohou dovést k nerelevantním závěrům i prostá data o nahlášených zločinech nebo počtech zatčených. Když totiž v určité oblasti častěji dochází ke zločinům, policie se na ni přirozeně zaměřuje, operuje tam častěji a intenzivněji, což vede k vyšším počtům objasněných událostí a potažmo zatčených osob. Tak zároveň vzniká předsudek o zvýšené kriminalitě na dotčeném místě. Naopak v oblastech, kde panuje silná nedůvěra vůči světské spravedlnosti, volají obyvatelé policii méně často, a tak se tu přestupky ve statistikách nezobrazují tak hojně, jak k nim skutečně dochází.
Vítězové na celé čáře
Skupina vědců z Chicagské univerzity je přesvědčena, že se jí zatím daří popasovat se všemi zmíněnými nástrahami. Vyvinula systém, který dokáže předpovídat, kdy a kde pravděpodobně dojde k trestným činům, lépe než jeho předchůdci a zároveň umí upozornit policisty na systémové předsudky, jichž se sami dopouští.
Výzkumníci nejprve shromáždili veškeré informace o násilných a majetkových zločinech z databáze chicagské policie a následně ke každému incidentu připsali odpovídající počet zatčených. Na takto sestaveném datasetu pak nechali umělou inteligenci trénovat, aby se naučila zjišťovat, jak každá z proměnných ovlivní zbytek.
Tým vědců tak dle časopisu Nature Human Behaviour, kde byla studie publikována, získal nástroj, který dokáže předpovídat výskyt kriminality na týden dopředu v oblasti tisíců čtverečních metrů s až 90procentní přesností. A Chicagem to nekončí – AI vykázala obdobné výsledky i v sedmi dalších amerických městech. Proto vědci přikročili k testování programu na datové sadě z prediktivní policejní výzvy provozované Národním institutem spravedlnosti. ,Vyhráli‘ a zatím drží prvenství ve 119 ze 120 kategorií.
Jak to dokázali? Ve studii píší, že se domnívají, že nejvíc jim pomohlo opustit prostorová omezení algoritmu. Místo toho předpokládají, že zločin se zkrátka objeví v určitém bodě a odtud se šíří díl. Proto nechali systém sledovat složitější spojení – například dopravní linky, komunikační sítě anebo demografické podobnosti mezi jednotlivými čtvrtěmi.
„Prostorové modely ignorují přirozenou topologii města,“ uvádí sociolog, profesor z UChicago a spoluautor studie James Evans. „Dopravní sítě však respektují ulice, chodníky, vlakové a autobusové linky. Komunikační sítě zase respektují oblasti podobného socioekonomického zázemí. Náš model umožňuje objevování těchto souvislostí,“ vysvětluje.
Sociální nerovnost
Vědci sice uznávají, že ani tento systém se nevyhne stereotypům, nicméně se rozhodli z toho udělat výhodu – dále trénovali umělou inteligenci tak, aby je uměla odhalit, a pomoci policii nasazovat své posádky efektivněji. Když například vědci v systému uměle zvýšili kriminalitu v bohaté oblasti, korelovalo to se skokovým růstem počtu zatčení. Naopak v chudších regionech poté logicky hlídek ubylo, čehož jejich obyvatelé využili a spáchali o to více trestných činů. Kvůli nedostatku policistů však zůstali nepotrestáni. „Z toho vyplývá, že policisté upřednostňují incidenty v bohatších čtvrtích,“ vysvětlují vědci. „Pokud se něco stane v bohaté oblasti, policie čerpá zdroje z těch chudých,“ dodávají.
Aby výzkumníci potvrdili svá zjištění, analyzovali také nezpracovaná policejní data. Ke zkoumání toho, co s městem provede zvýšení výskytu kriminality v konkrétní oblasti, využili každoroční letní nárůst zločinnosti jako takové. Výsledky pokusu odrážely trendy nastíněné modelem.
Navzdory vysoké přesnosti svého vynálezu však vedoucí studie Ishanu Chattopadhyay v tiskové zprávě uvedl, že popsaný nástroj by neměl být používán k přímé alokaci policejních zdrojů, ale spíše jako pomůcka pro zlepšování vyšetřovacích strategií. Systém popsal jako ,digitální dvojče‘ skutečného města, v němž se dá leccos nasimulovat.
Skutečnému mechanismu vzniku zločinu ale nerozumí ani algoritmus, a tak se nemůže stát jediným řešením potírání kriminality. Nicméně pokud dokáže alespoň trochu pomoci s objasňováním trestné činnosti a zvýšit bezpečnost v ulicích, je to krok správným směrem, myslí si vědec.
