Blir AI bättre på att förutsäga brott?

Sci-fi-böcker och filmer har föreställt en framtid där polisen kan förutsäga brott långt innan artificiell intelligens (AI) gjorde det möjligt. Nu är det inte bara en teoretisk möjlighet utan en verklighet, med flera städer som experimenterar med AI-driven prediktiv polisverksamhet. Ändå är det inte nödvändigtvis en vanlig praxis ännu, så vad står i vägen?

Noggrannhet och tillförlitlighet har varit problem för alla prediktiva analytiska tillämpningar under åren. Men tekniken har mognat tillräckligt för att skapa vågor över branscher som tillverkning och leveranskedjan. Så är den redo för en större utrullning i brottsförutsägelse?

AI-brottsförutsägelsens tillstånd idag

Prediktiv polisverksamhet kan inte ännu vara normen, men den har sett några stora utvecklingar under de senaste åren. Dessa steg faller in i tre breda kategorier — verkliga brottsförutsägande AI, experimentella studier och tillkännagivna men inte ännu startade brottsförutsägelseprojekt.

1. Positiva verkliga resultat

Vissa städer har redan sett imponerande resultat från AI-drivna prediktiva polisverksamheter. Dubais polismyndighets allmänna utredningsavdelning säger att allvarliga brottsfrekvenser minskade med 25% efter att ha implementerat ett AI-verktyg för att förutsäga brott. Mindre allvarlig brottslig verksamhet minskade med 7,1%.

Liksom många AI-brottsförutsägelser verktyg fungerar lösningen genom att analysera tidigare rapporter och jämföra dem med nuvarande förhållanden. Att belysa trender i tidigare brott låter maskinlärningsmodellerna identifiera områden och tider där liknande händelser sannolikt kommer att inträffa. Polisen kan sedan mobilisera resurser i förväg för att avskräcka brott eller hantera saker som kan leda till det innan det händer.

San Jose, Kalifornien, har sett framgång från en annan typ av AI-modell. Medan staden inte förutsäger brott ännu, upptäcker det hål och klotter med AI för att hantera dem snabbare. Enligt myndigheterna minskar rengöring av ett område sannolikheten för brottslig verksamhet där, så denna process minskar fortfarande incidenter.

2. Löftesrika experimentella modeller

Medan den verkliga prediktiva polisverksamheten växer, har tidig testning av liknande tillämpningar också visat sig vara lovande. I många jurisdiktioner innebär införandet av ett brottsförutsägelsesystem i sin helhet betydande regulatoriska hinder, vilket bromsar teknologins antagande. Exempel i den experimentella fasen driver saker framåt under tiden.

En studie från 2022 från University of Chicago skapade en modell som kan förutsäga brott med 90% noggrannhet en vecka i förväg. Mer viktigt är att systemet är mindre benäget för partiskhet än äldre system eftersom det använder annan data. Istället för att dela in staden i grannskap eller politiska gränser, delar det in den i distinkta och lika stenar för att ge en ny titt på området.

Att bygga digitala tvillingar av en stad för att kartlägga brott längs ett ursprungssystem istället för att förlita sig på äldre, partiskt benägna register kan producera mer tillförlitliga insikter. Polisstyrkor har inte börjat använda detta system, men forskningen visar vad ny teknik inom detta område kan göra.

3. Kommande prediktiva polisinvesteringar

Blickar vi framåt har flera områden nyligen avslöjat AI-brottsförutsägelsemål. Dessa projekt har inte startat ännu, men deras uppkomst signalerar en växande förändring mot denna teknik, möjligen från ökad regeringstillit till dess effektivitet.

I juli 2024 tillkännagav Argentinas säkerhetsministerium planer för AI-brottsförutsägelse och respons. Enligt resolutionen kommer polismyndigheterna att analysera historisk brottsdata för att förutsäga framtida händelser och reagera därefter för att förhindra att något händer. Det nämner också realtidsavvikelseupptäckt, som kan fungera i tandem med den prediktiva modellen.

Mer nyligen avslöjade Storbritannien att de arbetar på ett mordförutsägelser verktyg för att identifiera personer som kan presentera den största risken för att bli våldsamma brottslingar. Det är oklart hur myndigheterna skulle reagera på dessa data, och det finns motstridiga rapporter om vilken data lösningen kommer att använda. Justitiedepartementet har sagt att projektet är för forskning bara vid denna punkt, men forskning idag kunde leda till riktiga världen projekt imorgon.

Hur har AI-brottsförutsägelse förbättrats?

Dessa nuvarande och framtida prediktiva polisverksamhetsapplikationer är långt ifrån de första exemplen på denna teknik. Men de utgör en positiv förändring. Tidigare iterationer har inte kunnat uppnå samma nivåer av noggrannhet och tillförlitlighet. University of Chicagos lösning med 90% noggrannhet och Dubais 25% minskning av allvarliga brott är en lång väg från tidigare försök.

I 2024 betalade Pasco County, Floridas, sheriffskontor en ersättning på 105 000 dollar och stängde av sitt prediktiva polisprogram efter dåliga resultat. Systemet resulterade i att officerare upprepade gånger besökte och till och med arresterade medborgare som inte hade begått brott ännu baserat på AI-modellens förutsägelser.

På liknande sätt stängde Chicago av sitt brottsförutsägelsemål efter flera klagomål. Studier fann att systemet inte hade någon betydande inverkan på vapenrelaterad brottslighet trots en ökning av arresteringsbenägenhet. Mer oroväckande visade forskningen hur algoritmen var inbyggt rasistiskt, vilket gjorde att människor av färg var mer benägna att arresteras.

En annan populär lösning som används av flera städer, Geolitica, som tidigare gick under namnet PredPol, visade bara 0,6% noggrannhet när det gäller att förutsäga grova övergrepp. Noggrannhetsgraden för inbrott var en ringa 0,1% i vissa områden.

Jämfört med dessa misslyckade program är nyare AI-brottsförutsägelser remarkabelt exakta. Medan det inte har varit så många berättelser om verkliga polisstyrkor som använder dessa mer avancerade lösningar, målar tidiga resultat en skarp kontrast mellan AI igår och AI idag.

Den mörka sidan av AI i brottsförutsägelse

Det är lätt att se varför så många jurisdiktioner investerar i AI-brottsförutsägelse. Att stoppa brottslig verksamhet innan den börjar är en enorm vinst för allmän säkerhet, och AI kan upptäcka trender som kan vara motsatta mänskliga antaganden. Till exempel mer än hälften av alla inbrott sker under dagen, trots den allmänna uppfattningen att de är mer sannolika på natten. AI kan se genom vad som verkar vara sant för att hitta faktiska trender.

Samtidigt bär prediktiv polisverksamhet betydande integritets- och etiska problem. Det finns en anledning till varför 52% av amerikanerna är mer oroliga för AI än de är entusiastiska för det. Även de mest avancerade modellerna är benägna för hallucination, och AI har en historia av att förstärka, till och med förstora, mänsklig partiskhet när den tränas på fördomsfull data.

Historisk brottsdata är potentiellt missvisande i bästa fall och inbyggt rasistiskt i värsta fall. Arrestregister kan signifiera områden som är mer intensivt poliserade än de reflekterar faktiskt brott. Följaktligen kan data reflektera långvariga rasistiska fördomar, som har en väl dokumenterad historia inom lagföring.

AI-modeller som lär sig från partisk data kan leda polisen att patrullera svarta grannskap mer intensivt eller vara mer misstänksamma mot människor av färg. Chicago- och Pasco County-fallen visar just det. Som ett resultat kan tillit till AI-förutsägelser utan att erkänna dessa fördomar öka den orättvisa behandlingen av historiskt överpoliserade och missgynnade demografiska grupper.

Rasrättvisa åsidosatt, kan insamling av så mycket data om medborgare leda till integritetsrisker. Statliga myndigheter är den åttonde mest utsatta industrin för cyberbrott, så ett dataintrång från ett prediktivt polisverksamhetssystem är högst möjligt, utöver att vara skadligt. Även om inga cyberattacker lyckas, övervakning av medborgare för att de kan begå ett brott väcker frågor om övervakning och rättvisa.

AI-brottsförutsägelse förbättras, men problem kvarstår

AI-brottsförutsägelsemodeller är mycket mer exakta idag än de var för några år sedan. Men problemen med partiskhet, effektivitet och rättvisa är fortfarande framträdande. Beslutsfattare och AI-företag måste hantera dessa frågor för att säkerställa att denna teknik verkligen kan ge en säkrare framtid.