Blir AI bättre på att förutsäga brott?

Sci-fi-böcker och filmer har föreställt sig 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-drivna prediktiva polisiära metoder. 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 moget tillräckligt för att skapa vågor över branscher som tillverkning och leveranskedjan. Så, är den redo för en större utrullning i brottsförutsägelse?

Brottspredicerande AI idag

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

1. Positiva verkliga resultat

Några städer har redan sett imponerande resultat från AI-drivna prediktiva polisiära metoder. 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 aktivitet minskade med 7,1%.

Liksom många AI-brottsförutsägelser 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 gropar och klotter med AI för att hantera dem snabbare. Enligt myndigheterna minskar rengöring av ett område sannolikheten för brottslig aktivitet där, så detta förfarande minskar fortfarande incidenter.

2. Löftesrika experimentella modeller

Medan den verkliga prediktiva polisiära verksamheten växer, har tidiga tester av liknande tillämpningar också visat löfte. I många jurisdiktioner innebär införandet av ett brottsförutsägelsetool i full skala 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 fördomar än äldre system eftersom det använder annan data. Istället för att dela upp staden i grannskap eller politiska gränser, delar det upp 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, fördomsbenägna register kan producera mer tillförlitliga insikter. Polisstyrkor har inte börjat använda detta system, men forskningen visar vad nya teknologier inom detta område kan göra.

3. Kommande prediktiva polisiära investeringar

Om man tittar framåt har flera områden nyligen tillkännagett AI-brottsförutsägelser. 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 svara därefter för att förhindra att något händer. Det nämner också realtidsanomalidetektering, som kan fungera i tandem med den prediktiva modellen.

Mer nyligen avslöjade Storbritannien att de arbetar med ett mordförutsägelsetool för att identifiera personer som kan utgöra den största risken för att bli våldsamma brottslingar. Det är oklart hur myndigheterna skulle svara på dessa data, och det finns motstridiga rapporter om vilken data lösningen kommer att använda. Justitieministeriet har sagt att projektet är för forskning ännu, men forskning idag kan leda till verkliga projekt imorgon.

Hur har AI-brottsförutsägelse förbättrats?

Dessa nuvarande och framtida prediktiva polisiära tillämpningar är långt ifrån de första exemplen på denna teknik. Men de signalerar 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.

2024 betalade Pasco County, Floridas, sheriffskontor 105 000 dollar i skadestånd och stängde av sin prediktiva polisiära verksamhet efter dåliga resultat. Systemet resulterade i att poliser upprepade gånger besökte och till och med arresterade medborgare som inte hade begått brott ännu, baserat på AI-modellens förutsägelser.

Likaså stängde Chicago av sitt brottsförutsägelsetool 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 fördomsfull, vilket gjorde att människor av färg blev 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 gällde att förutsäga grova övergrepp. Noggrannhetsgraden för inbrott var en ynka 0,1% i vissa områden.

Jämfört med dessa misslyckade program är nyare AI-brottsförutsägelser anmärkningsvärt exakta. Medan det inte har funnits lika många berättelser om verkliga polismyndigheter som använder dessa mer avancerade lösningar, målar tidiga resultat upp 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 aktivitet innan den börjar är en enorm vinst för allmän säkerhet, och AI kan upptäcka trender som kan strida mot mänskliga antaganden. Till exempel mer än hälften av alla inbrott sker under dagen, trots den vanliga 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 över det. Även de mest avancerade modellerna är benägna för hallucinationer, och AI har en historia av att förstärka, till och med förstora, mänskliga fördomar när de tränas på fördomsfulla data.

Historisk brottsdata är potentiellt missvisande som bäst och inbyggt rasistiskt som sämst. Arrestregister kan signifiera områden som är mer intensivt bevakade 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 fördomsfulla data kan leda polisen att patrullera svarta grannskap mer intensivt eller vara mer misstänksamma mot människor av färg. Chicagofallet och Pasco County-fallet visar just det. Som ett resultat kan tillit till AI-förutsägelser utan att erkänna dessa fördomar öka den orättvisa behandlingen av historiskt överpoliserade och underprivilegierade demografiska grupper.

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

AI-brottsförutsägelse förbättras, men problem kvarstår

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