คู่มืออุตสาหกรรม
อัลกอริทึมการคาดการณ์อาชญากรรม
อัลกอริทึมการคาดการณ์อาชญากรรมจะวิเคราะห์บันทึกเพื่อคาดการณ์ว่าเหตุการณ์บางอย่างอาจเกิดขึ้นที่ใด หรือบุคคลใดอาจตรงตามเกณฑ์ความเสี่ยงที่กำหนดไว้
ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min
บนหน้านี้อ่าน 3 นาที
ภาพรวม
ผลลัพธ์ที่ได้ขึ้นอยู่กับข้อมูลและตัวเลือกนโยบาย และสามารถเสริมการวนซ้ำข้อเสนอแนะเมื่อการใช้งานของตำรวจสร้างกิจกรรมที่บันทึกไว้มากขึ้น การคาดการณ์ไม่ใช่ข้อพิสูจน์ถึงการกระทำผิดหรือเป็นสิ่งทดแทนการรักษาที่ถูกต้องตามกฎหมายและมีความรับผิดชอบ
เจาะลึก
การตรวจรักษาเชิงคาดการณ์จะอธิบายกลุ่มของวิธีการ ไม่ใช่อัลกอริธึมเดียว ระบบตามสถานที่อาจประเมินว่าเหตุการณ์ที่บันทึกไว้มีแนวโน้มที่จะเกิดขึ้นที่ใด ในขณะที่ระบบตามบุคคลอาจจัดอันดับบุคคลตามเป้าหมายความเสี่ยงที่กำหนดไว้ บางระบบใช้แบบจำลองทางสถิติ คนอื่นๆ ใช้กฎ แผนที่ หรือการเรียนรู้ของเครื่อง การคาดการณ์ขึ้นอยู่กับสิ่งที่เอเจนซี่นับเป็นเหตุการณ์ หน่วยทางภูมิศาสตร์หรือส่วนบุคคลที่คาดการณ์ และการตอบสนองที่ตามมา แผนที่ลาดตระเวนและรายชื่อบุคคลจึงเป็นเครื่องมือที่แตกต่างกันและมีความเสี่ยงต่างกัน บันทึกของตำรวจวัดผลการบังคับใช้และการรายงานตลอดจนเหตุการณ์ที่ซ่อนอยู่ หากมีการส่งเจ้าหน้าที่ไปยังสถานที่แห่งหนึ่งมากขึ้น พวกเขาอาจสังเกตและบันทึกกิจกรรมเพิ่มเติมที่นั่น บันทึกใหม่เหล่านั้นสามารถใช้เป็นหลักฐานว่าสถานที่ดังกล่าวยังต้องการความสนใจมากกว่านี้ วงจรป้อนกลับนี้สามารถขยายความแตกต่างในอดีตในการบังคับใช้ได้ แม้ว่าจะไม่ทราบกิจกรรมที่ไม่ได้รายงานก็ตาม ข้อผิดพลาดของข้อมูล การเปลี่ยนแปลงคำจำกัดความ และการรายงานที่ไม่สม่ำเสมอ ยังอาจทำให้ความแม่นยำที่ชัดเจนของระบบทำให้เข้าใจผิดได้ รายงานของกระทรวงยุติธรรมสหรัฐอเมริกาในปี 2024 เกี่ยวกับ AI และกระบวนการยุติธรรมทางอาญาแนะนำการประเมินผลกระทบก่อนการปรับใช้งาน การทดสอบ การตรวจสอบ การตรวจสอบคุณภาพฐานข้อมูล และการประเมินใหม่เป็นระยะสำหรับการใช้ตำรวจเชิงคาดการณ์ นอกจากนี้ยังชี้ให้เห็นถึงความกังวลเกี่ยวกับผลตอบรับและเรื่องความเสมอภาค การประเมินอย่างมีความรับผิดชอบเริ่มต้นด้วยการใช้งานตามวัตถุประสงค์เฉพาะและเป็นพื้นฐานที่สะท้อนถึงแนวทางปฏิบัติในปัจจุบัน หน่วยงานควรทดสอบข้อมูลที่ไม่ได้ใช้ในการสร้างแบบจำลอง ตรวจสอบบันทึกบุคคลเพื่อดูคุณสมบัติและข้อผิดพลาด และตรวจสอบความถูกต้องและภาระในกลุ่มและสถานที่ที่เกี่ยวข้อง การคาดการณ์ที่แม่นยำทางเทคนิคอาจยังคงกำหนดทิศทางทรัพยากรไปในทางที่ไม่มีประสิทธิภาพหรือไม่ยุติธรรม หน่วยงานควรบันทึกว่าคำแนะนำมีอิทธิพลต่อการใช้งานอย่างไร และผลลัพธ์ใดบ้างที่วัดได้ การทำนายไม่ควรกลายเป็นการค้นพบว่ามีคนกระทำหรือจะก่ออาชญากรรม เจ้าหน้าที่ต้องปฏิบัติตามมาตรฐานกฎหมายทั่วไปในการหยุด ตรวจค้น และจับกุม นโยบายควรจำกัดการเข้าถึง ระบุว่าใครสามารถแทนที่คำแนะนำ ระบุการเก็บรักษา และจัดให้มีการกำกับดูแลของชุมชน ข้อตกลงการจัดซื้อจัดจ้างควรอนุญาตให้มีการตรวจสอบที่เป็นอิสระและอธิบายการใช้ข้อมูล
การใช้งานจริงในโลกแห่งความเป็นจริง
แผนที่ของแผนกหนึ่งรายงานการลักขโมย แต่ระบุว่าผลลัพธ์เป็นบันทึกเหตุการณ์ที่ได้รับรายงาน ไม่ใช่แผนที่ที่สมบูรณ์ของอาชญากรรมทั้งหมด
เมืองจะตรวจสอบว่าการคาดการณ์ตามพื้นที่เปลี่ยนแปลงการจัดสรรหน่วยลาดตระเวนและวัดทั้งผลลัพธ์ด้านความปลอดภัยสาธารณะและภาระของชุมชนหรือไม่
หน่วยบันทึกจะลบรายการที่ซ้ำกันและตรวจสอบว่าบันทึกตามบุคคลตรงตามเกณฑ์การรวมที่ระบุไว้หรือไม่ก่อนที่จะรันแบบจำลอง
ทีมจัดซื้อจำเป็นต้องมีการทดสอบอิสระและการประเมินผลกระทบก่อนที่จะพิจารณาระบบคาดการณ์ของบุคคลที่สาม
อนาคตของอัลกอริธึมการรักษาแบบคาดการณ์ล่วงหน้า
หน่วยงานตำรวจอาจเผชิญกับแรงกดดันที่เพิ่มขึ้นในการจัดทำเอกสารว่าเหตุใดจึงใช้ระบบการทำนายและสิ่งที่พวกเขาบรรลุผลสำเร็จ เครื่องมือตรวจสอบที่ดีกว่าอาจทำให้อินพุตโมเดล เวอร์ชัน และการตัดสินใจปรับใช้ง่ายต่อการติดตาม ในเวลาเดียวกัน แหล่งข้อมูลใหม่อาจขยายขอบเขตการเฝ้าระวังหรือปิดบังรูปแบบการบังคับใช้ทั่วไปให้เป็นการคาดการณ์ที่เป็นกลาง นโยบายของรัฐบาลกลางและท้องถิ่นสามารถเปลี่ยนแปลงได้ ดังนั้นหน่วยงานควรตรวจสอบข้อกำหนดที่เกี่ยวข้องอีกครั้งก่อนใช้งาน ระบบในอนาคตใดๆ ควรได้รับการประเมินโดยเทียบกับทางเลือกที่มีความหมาย รวมถึงวิธีการแก้ไขบันทึก และแสดงผลประโยชน์สาธารณะตามสัดส่วนของผลกระทบ
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- บริบทและกฎ. บริบททางอุตสาหกรรมเป็นตัวกำหนดว่าแนวคิด AI จะรอดจากการสัมผัสกับความเป็นจริงหรือไม่
- การควบคุมคุณภาพ. ข้อจำกัดของโดเมนมีอิทธิพลต่ออัตราข้อผิดพลาดที่ยอมรับได้และแบบจำลองการควบคุมดูแล
- สร้างทางเลือก. การปรับใช้ที่ประสบความสำเร็จจะปรับความสามารถทางเทคนิคให้สอดคล้องกับเวิร์กโฟลว์แนวหน้า
ระวัง
- ข้อกำหนดด้านกฎระเบียบอาจทำให้ต้นแบบที่แข็งแกร่งเป็นโมฆะได้
- ข้อมูลในอดีตอาจเข้ารหัสอคติที่เป็นอันตรายต่อชุมชนบางแห่ง
- ระบบเดิมสามารถสร้างปัญหาคอขวดในการบูรณาการและต้นทุนแอบแฝงได้
ขั้นตอนต่อไป
- ให้ผู้เชี่ยวชาญโดเมนมีส่วนร่วมตั้งแต่การกำหนดกรอบปัญหาไปจนถึงการประเมิน
- ออกแบบเส้นทางการตรวจสอบและเอกสารประกอบก่อนการเปิดตัว
- ตรวจสอบการปฏิบัติตามข้อกำหนดและภาระผูกพันด้านความปลอดภัยตั้งแต่เนิ่นๆ
- เปิดตัวเป็นระยะโดยมีเกณฑ์การหยุดและย้อนกลับที่ชัดเจน
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ทำแบบทดสอบอัลกอริทึม Predictive Policing
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
อัลกอริธึม Predictive Policing คืออะไร?
อัลกอริธึมของตำรวจเชิงคาดการณ์จะวิเคราะห์บันทึกเพื่อประเมินว่าเหตุการณ์บางอย่างอาจเกิดขึ้นที่ใด หรือบุคคลใดที่อาจตรงตามเกณฑ์ความเสี่ยงที่กำหนดไว้ ผลลัพธ์ที่ได้ขึ้นอยู่กับข้อมูลและตัวเลือกนโยบาย และสามารถเสริมการวนซ้ำข้อเสนอแนะเมื่อการใช้งานของตำรวจสร้างกิจกรรมที่บันทึกไว้มากขึ้น การคาดการณ์ไม่ใช่ข้อพิสูจน์ถึงการกระทำผิดหรือเป็นสิ่งทดแทนการรักษาที่ถูกต้องตามกฎหมายและมีความรับผิดชอบ
ระบบตามสถานที่ทำเครื่องหมายบล็อกด้วยจำนวนเหตุการณ์ที่คาดการณ์ไว้สูงกว่า ผลลัพธ์นั้นแสดงถึงอะไร?
ระบบคาดการณ์เป้าหมายรวม มันไม่ได้สร้างพฤติกรรมส่วนบุคคล
การลาดตระเวนที่เพิ่มขึ้นจะสร้างวงจรป้อนกลับในระบบคาดการณ์ได้อย่างไร
การบังคับใช้อาจส่งผลต่อข้อมูลที่ใช้เป็นแนวทางในการบังคับใช้ในภายหลัง
ก่อนที่จะปรับใช้ระบบตรวจรักษาเชิงคาดการณ์ ขั้นตอนใดที่ DOJ แนะนำมีความเกี่ยวข้อง
รายงาน DOJ เรียกร้องให้มีการประเมินก่อนการปรับใช้งานและการประเมินอย่างต่อเนื่อง
แบบจำลองคาดการณ์การโทรที่รายงานได้ดี แต่ไม่มีการวัดเหตุการณ์ที่ไม่ได้รับรายงาน มีข้อจำกัดอะไรตามมา?
รายงานที่สังเกตได้ไม่จำเป็นต้องเป็นการวัดเหตุการณ์ที่สมบูรณ์
เหตุใดผู้ตรวจสอบอิสระจึงควรสามารถตรวจสอบได้มากกว่าคะแนนความแม่นยำของหัวข้อข่าวของผู้ขาย
ตัวชี้วัดพาดหัวไม่แสดงโมเดลที่เกี่ยวข้องและความเสี่ยงในการปรับใช้ทั้งหมด
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้