В последние годы развитие алгоритмов машинного обучения привело к революции в правоохранительной деятельности. Внедрение машинного обучения в работу полиции дает нам лучшее представление о совершенном преступлении. Мы углубимся в то, как ML используется в борьбе с преступниками, а также в потенциальных преимуществах и проблемах, связанных с этой технологией.

Наиболее часто используемые алгоритмы машинного обучения – это алгоритмы интеллектуального контроля. Инструменты прогнозирования для полицейских создаются путем передачи данных, таких как отчеты о преступлениях, записи об арестах и ​​изображения номерных знаков, в алгоритм, который обучен искать закономерности, чтобы предсказать, где и когда произойдет определенный тип преступления. Затем эту информацию можно использовать для более эффективного распределения ресурсов и предотвращения преступлений до их совершения. Например, правоохранительные органы могут использовать прогностические полицейские алгоритмы для выявления районов с высоким уровнем преступности и развертывания дополнительных патрулей или других мер для предотвращения преступлений. Сторонники утверждают, что интеллектуальная полиция может помочь предсказывать преступления более точно и эффективно, чем традиционные полицейские методы.

Анализ преступлений — еще одно важное применение машинного обучения. Алгоритмы машинного обучения могут анализировать большие объемы данных о преступлениях, выявлять тенденции и закономерности, а также давать представление о мотивах и методах преступников. Это помогает офицерам принимать взвешенные решения.

Распознавание лиц стало причиной бесчисленных арестов. Поиски с распознаванием лиц, которые приводят к уголовным обвинениям, чаще всего начинаются с изображения, часто с камер видеонаблюдения. Эта фотография проходит через систему, которая сравнивает изображение с изображениями в большой базе данных, например, с коллекцией фотографий или фотографий с водительских прав. Если совпадение будет найдено, оно может быть признано судом в качестве доказательства.

В 19 веке доктор Чезаре Ломброзо утверждал, что физические черты людей отражают их нравственные качества. Многие исследователи пытались создать приложение, которое могло бы отличать преступника от непреступника. В последнее время было проведено исследование доктора Сяолинь Ву и доктора Си Чжан, в котором использовался искусственный интеллект, чтобы провести различие путем анализа изображений законопослушных граждан и преступников. Они утверждают, что в отличие от экзаменатора/судьи алгоритм или классификатор компьютерного зрения не имеет субъективного багажа, не имеет эмоций, никаких предубеждений из-за прошлого опыта.

Несмотря на множество преимуществ машинного обучения в правоохранительных органах, с этой технологией также связаны некоторые потенциальные проблемы. Одной из основных проблем является смещение обучающих данных, используемых для обучения различных алгоритмов. Это может привести к неравному обращению с различными группами и увековечению существующих предубеждений в системе уголовного правосудия. Системы распознавания лиц с большей вероятностью неправильно идентифицируют людей, которые не являются белыми мужчинами, в том числе людей с темной кожей, женщин и молодых людей. Существует значительный диапазон точности, и качество изображения остается проблемой. Последний тест NIST, который в значительной степени опирается на базу данных высококачественных фотографий, показал, что даже самые лучшие алгоритмы могут ошибаться более чем в 20% случаев.

В заключение следует отметить, что с этой технологией, как и с любой новой технологией, связано много потенциальных проблем, которые необходимо решить, чтобы обеспечить ее эффективное использование. С каждым днем ​​создаются лучшие алгоритмы и совершенствуются технологии. Возможно, однажды мы сможем идентифицировать преступника с помощью машинного обучения, а до тех пор наш предел — небо.