начало статьи, читать окончание >>
Можно ли обучить искусственный интеллект “мыслить, как преступник”, чтобы спрогнозировать преступление до совершения и предотвратить его?
Сегодня в "топе" наиболее “мощных” инструментов для борьбы с преступностью не оружие, а “большие данные”, “умные” алгоритмы их анализа и прогнозирования (“искусственный интеллект”, “ИИ”). Они стали настолько производительными, что способны даже “предсказывать” преступления до их совершения.
“С тех пор, как в 1950-х годах был опубликован фантастический роман Филиппа К. Дика “Особое мнение”, футуристы и философы начали жить концепцией “pre-crime” — “предсказание преступления”. Представьте себе банду грабителей банков, которые приезжают на очередной грабеж, но находят там лишь вооруженное подразделение полиции, уже готовое к их появлению. Или представьте себе, как вы идете по темному переулку и испытываете страх, но, затем, видите “успокаивающие” синие огни полицейской машины, “приглядывающей” за вами. Теперь представьте, что все это стало возможным, благодаря математике”. [1]
По всему миру города ищут способы извлечь выгоду из новых, экспоненциально растущих технологий, передовой аналитики и больших данных, чтобы предоставлять своим жителям более интеллектуальные, эффективные и выгодные услуги. Правоохранительные органы не исключены из этого процесса. От Великобритании до Китая, от США до Японии, сотрудники сил общественной безопасности изучают вопрос: могут ли инструменты анализа данных прогнозировать преступления, сократить затраты денег и ресурсов? [2]
Безопасность является одной из базовых потребностей человека. В приложении к обществу, государству, городу, речь идет о необходимости обеспечивать и повышать уровень общественной безопасности. В предметном рассмотрении это означает необходимость повысить эффективность работы правоохранительных органов, во-первых, для предотвращения преступлений и, во-вторых, для более эффективного расследования уже совершенных преступлений.
В России ежегодно регистрируется около 2 млн преступлений. Почти каждое второе преступление остается нераскрытым. Прямой и косвенный ущерб экономике России от совершенных преступлений составляет, по разным оценкам, от 1,3 до 5,7 трлн рублей ежегодно.
Причем для общества предотвращение преступления значимо “выгоднее”, чем даже его успешное расследование, поскольку в первом случае нет ни ущерба, ни жертвы преступления, ни затрат на нахождение и последующее “исправление” преступника. Об этом, еще в середине 18-го века, говорил философ права Чезаре Беккариа (Cesare Beccaria): “Лучше предотвращать преступления, чем наказывать их. Это конечная цель любого хорошего законодательства..”.
Искусственный интеллект и большие данные. Что могут предложить новые технологии правоохранительным органам для предотвращения преступлений?
Сегодня правоохранительные органы и силы общественной безопасности в любой стране уже собирают и хранят огромный объем данных. Обладая возможностью использовать эти данные эффективно, они могли бы, например, получать оперативные прогнозы о местах и времени возможных будущих преступлений для организации “точечной” работы и эффективного распределения ресурсов. Присутствие сил охраны порядка в “нужном месте” и в “нужное время” может привести к предотвращению преступления, сохранению жизни и/или материального благополучия граждан и, в целом, повысить уровень общественной безопасности.
Но разве это не фантастично — “предвидеть” место и время совершения преступления? Оказывается, что искусственный интеллект и машинное обучение на основе больших данных, с применением определенных теоретических (криминологических, социологических, экономических) теорий и математических моделей, могут справиться с этим вполне успешно, во всяком случае, в отношении отдельных видов преступлений. Так совершается переход от научной фантастики к технологическому “мейнстриму”.
“Искусственный интеллект”, — по определению известного визионера и одного из ведущих мировых экспертов в этой области, Кай-Фу Ли (Kai-Fu Lee), — это выполнение машинами задач, обычно предназначенных для человеческого познания: распознавать закономерности, предсказывать результаты, отмеченные неопределенностью, и принимать сложные решения.
В целом, большая часть полезной применимости искусственного интеллекта заключается именно в его способности делать “удивительно” точные прогнозы на основе больших данных, осмыслить которые человек просто не в силах.
Однако, до этого, и сам искусственный интеллект нуждается в “обучении” правильной работе с этими данными. В ходе обучения верность полученных выводов и прогнозов оценивается экспериментально и, при необходимости, обучение корректируется.
“На самом деле в ИИ существует лишь одна фундаментальная инновация — глубокое обучение. И всё, что делается сейчас в области ИИ — лишь подстройка глубокого обучения под нужны конкретных прикладных областей” [3]. “Такие алгоритмы не работают в вакууме. Для проведения анализа им требуются огромные наборы данных и огромные вычислительные мощности для их обработки. (Поэтому) современный ИИ функционирует только в четко определенных единичных областях” [4], Кай-Фу Ли (Kai-Fu Lee).
“Большие данные” — это “наборы” данных, настолько большие и сложные, что их становится трудно эффективно хранить и обрабатывать с использованием традиционных подходов к обработке/хранению, как минимум, с точки зрения времени, приемлемого для решения управленческих задач. Условно говоря, обработка данных, продолжительностью в 1 год, едва ли подойдет для большинства задач, стоящих перед бизнес-компанией, городом или регионом. А именно такие наборы данных и генерирует современный мир: компьютеры и мобильные устройства, мессенджеры и социальные сети, кредитные карты и криптовалюты, вся инфраструктура “умных” городов, зданий и производств, оснащенных сенсорами и датчиками, а также транспорт и логистические системы, товары в цепи поставок и т.д. В целом, эти данные уже “непостижимы” для человеческого разума с точки зрения анализа и принятия эффективных решений, а эффективно они могут использоваться лишь машинными средствами. Это приводит к “радикальным” идеям, типа передачи принятия широкого круга управленческих решений искусственному интеллекту в рамках модели “стохастического управления” — “алгоритмического управления населением и территорией на основе больших данных и морально нейтральной технологии”[5]. И это сильно перекликается с концепцией “Умного города 3.0” (“Data-Driven City”, “DDC”).
Подобным идеям есть рациональное обоснование: эффективный анализ больших данных может извлекать из них скрытое, но ключевое (“инсайты”), раскрывая недоступные для осмысления человеком шаблоны и связи, предоставляя эффективное содействие в принятии сложных решений путем анализа различных и даже, на “человеческий” взгляд, противоречащих друг другу вариантов.
ИИ: “мыслить, как преступник”. Одной из тех областей, в которых искусственный интеллект демонстрирует способность делать весьма точные прогнозы, стала общественная безопасность. Сейчас в мире развернуты несколько пилотных проектов для прогнозирования преступлений, в том числе, на основе анализа больших данных и машинного обучения (искусственного интеллекта).
Одной из наиболее известных является “PredPol” (“Predictive Policing”) - американская система прогнозирования преступлений, разработанная компанией “The Predictive Policing Company”. В настоящее время развернуто не менее 50 локальных систем прогнозирования в департаментах полиции США разных штатов.
“PredPol” использует алгоритм машинного обучения для создания прогнозов преступлений на основе всего трех типов данных: вид преступления, место преступления, дата и время преступления. И, на “выходе”, генерирует соответствующий прогноз: что произойдет (вид преступления), где произойдет (место преступления) и когда произойдет (дата / время преступления).
Для машинного обучения (алгоритм прогнозирования преступлений) используются наборы данных криминальной статистики за период от 2 до 5 лет. При этом для каждого города должна работать своя отдельная система, с поправкой на специфику местных условий. После первого запуска и начального обучения, система “PredPol” самостоятельно и ежедневно обновляет алгоритм прогнозирования (“самообучается”), на основе полученных данных о новых преступлениях.
Система “PredPol” сейчас используется в более чем 50 полицейских управлениях по всей территории США [1]. Стоимость ее использования для 1 полицейского департамента достигает 150 тыс долл в год [7].
Подробнее о том, как работает эта, и подобные ей, системы, Вы сможете узнать в одном из наших следующих обзоров.
Понравился пост? Поставьте 👍 или поделитесь им в социальной сети, чтобы мы могли рассказать ещё больше о новых технологиях.
Подпишитесь на наш канал "Умная безопасность" ( @smartsafecity ) в Телеграм , чтобы узнать больше новостей о новых технологиях.
Источники:
[1] Mark Smith. Can we predict when and where a crime will take place? / BBC, Oct.,2018 / https://www.bbc.com/news/business-46017239
[2] Peter Sloly, Lauren Jackson. Safe. Smart. Connected / Deloitte, May, 2018 / https://www2.deloitte.com/ca/en/pages/public-sector/articles/safe-smart-connected.html
[3] Сергей Карелов. Впереди ИИ-национализм и ИИ-национализация: анализ влияния технологий ИИ на геополитику / Medium, Окт., 2018 / https://bit.ly/2QEx1B0
[4] Kai-Fu Lee. The Four Waves of A.I. / Fortune, Oct., 2018 / http://fortune.com/2018/10/22/artificial-intelligence-ai-deep-learning-kai-fu-lee/
[5] Carrie B. Sanders, James Sheptycki. Policing, crime and ‘big data’; towards a critique of the moral economy of stochastic governance // Crime, Law and Social Change. — September 2017, Volume 68, Issue 1–2, pp 1–15
[6] The Three Pillars of Predictive Policing / The Predictive Policing Company, 2019 / https://www.predpol.com/law-enforcement/#predPolicing
[7] Ellen Huet. Server And Protect: Predictive Policing Firm PredPol Promises To Map Crime Before It Happens \ Forbes, Feb., 2015 \ https://www.forbes.com/sites/ellenhuet/2015/02/11/predpol-predictive-policing/#10b254004f9b
