Sztuczna inteligencja coraz sprawniej przewiduje przestępstwa
Naukowcy opracowali model sztucznej inteligencji, który trafniej niż dotychczasowe metody przewiduje przestępstwa, łącząc dane o tym, gdzie i kiedy do nich dochodzi, z szerszymi wzorcami społecznymi.
Przestrzeń i czas
.Sercem rozwiązania jest połączenie dwóch technik. Pierwsza to grafowa sieć konwolucyjna, która rozpoznaje zależności między lokalizacjami, czyli ujmuje wymiar przestrzenny. Druga to transformer, architektura sztucznej inteligencji zaprojektowana do wykrywania wzorców w czasie. Razem pozwalają systemowi uchwycić jednocześnie przestrzenne i czasowe tendencje w aktywności przestępczej, których pojedyncza metoda zwykle nie obejmuje. Szczegóły podejścia badacze opisali na łamach „International Journal of Innovative Computing and Applications”.
Rywalizacja sieci
.Do tego dochodzi generatywna sieć przeciwstawna (GAN), czyli układ, w którym dwa modele rywalizują ze sobą, by wzajemnie poprawiać swoje wyniki. Naukowcy wzmocnili ją wariacyjnym autoenkoderem, metodą, która pomaga generować bardziej reprezentatywne dane i ogranicza typowe problemy treningu, takie jak obciążone, stronnicze wyniki oraz zanikający gradient, gdy uczenie zwalnia lub całkiem się zatrzymuje. Dzięki połączeniu kilku technik uczenia maszynowego system analizuje złożone zbiory danych, z którymi tradycyjne metody często sobie nie radzą.
Skuteczność 86 procent
.Model przetestowano na danych historycznych z kilku amerykańskich miast, w tym z Los Angeles i Seattle. Przy przewidywaniu rozbojów osiągnął skuteczność na poziomie 86,3 procent, podczas gdy najlepsze z konkurencyjnych systemów uzyskiwały 83,2 procent. Dobre rezultaty model uzyskał także w innych kategoriach przestępstw, co sugeruje, że jego przewaga nie ogranicza się do jednego typu zdarzeń.
Obietnice i granice
.Zdaniem badaczy trafne prognozy mogłyby pomóc organom ścigania skuteczniej rozdzielać zasoby i wskazywać obszary o podwyższonym ryzyku. Rozwiązanie ma jednak wyraźne ograniczenia. System był mniej dokładny tam, gdzie danych o przestępczości jest niewiele, i miał trudność z prognozami w miejscach o znikomej lub żadnej historii zdarzeń. To istotne, bo właśnie jakość i kompletność danych decydują o tym, czy taka prognoza pomaga, czy raczej myli.
Co dalej
.Kolejne prace mają skupić się na dostosowaniu modelu do takich ubogich w dane środowisk za pomocą uczenia transferowego, które pozwala przenosić wiedzę zdobytą w jednym kontekście na inny. Jeżeli uda się tego dokonać, model mógłby działać również tam, gdzie dziś milczy z braku danych. Jeżeli jednak luki w danych pozostaną, narzędzie będzie tak dobre jak informacje, którymi je nakarmiono, a przewidywanie przestępstwa wciąż nie będzie tym samym co jego zapobieganie.
Szymon Ślubowski
