Декілька років тому співробітники поліцейського департаменту в районі Сан-Франциско звернулися [2] до штучного інтелекту, щоб розкрити старе вбивство. Використовуючи зразки ДНК із місця злочину, спеціальна програма створила 3D-фоторобот підозрюваного. Художник малював портрет убивці, додавши йому вуса — деталь, яку вказували свідки. Портрет був опублікований, потім поліцейські пропустили його через систему розпізнавання осіб. Пошук нічого не дав, але розбурхав громадськість: багато хто вважав дії поліцейських неетичними і не цілком законними.

Видання novayagazeta.eu [3], як правоохоронні органи по всьому світу застосовують у своїй роботі технології штучного інтелекту та які у цих технологій перспективи.

Що вже використовується

Розумне відеоспостереження

Поліцейські по всьому світу активно застосовують інструменти відеоаналітики (Video content analysis) — технології, що використовують методи комп'ютерного зору для отримання даних із зображень відеокамер в режимі реального часу або з архівних записів. Це дозволяє слідчим ідентифікувати особи підозрюваних базами даних, відстежувати їх переміщення, а також зіставляти дані — наприклад, співвідносити номер автомобіля, що використовується при правопорушенні, з ім'ям його господаря. Платформа відеоаналітики ізраїльської компанії BriefCam, яка допомогла в розслідуванні вибуху на Бостонському марафоні та упійманні терориста Андерса Брейвіка, вже використовується [4] в поліцейських управліннях більш ніж у 40 країнах.

Презентація платформи BriefCam

Також у деяких країнах використовується [5] технологія ANPR (Automatic Number Plate Recognition — «Автоматична система розпізнавання номерів»). Вона зчитує номери автомобілів, що проїжджають, і зіставляє їх з номерами з всесвітньої бази. ANPR допомагає розшукувати викрадені автомобілі та відслідковувати правопорушників. У Великій Британії в 2021 році вона дозволила [6] заарештувати грабіжників, автомобіль яких вже фігурував в іншому крадіжці.

Робота з базами даних

У правоохоронних органів накопичуються великі обсяги даних, які часто не структуровані, тому в них важко знайти потрібну інформацію, і тут на допомогу приходять нейромережі. Вони знаходять приховані зв'язки між різними справами, використовуючи безліч параметрів, зокрема аналізуючи дані злочинців і посередників, записи розмов, використання скорочених позначень чи кодових слів. Такі інструменти пропонує [7], наприклад, американська Voyager Labs.

Є і більш універсальні рішення, які поєднують у собі аналіз баз даних та біометричної інформації (фотографій, записів голосу та відбитків пальців). Таку систему розробив [8] індійський стартап Staqu. ABHED (Artificial Intelligence Based Human Efface Detection – «Точне впізнання людей на основі штучного інтелекту») використовується [9] для оцифрування кримінальних звітів та аналізу інформації в режимі реального часу.

В даний час ABHED працює з базою даних, що містить відомості про більш ніж 1 млн. злочинців.

На цій основі створена система GAIT, яка дозволяє розпізнавати людей, які перебувають у розшуку, на основі аналізу їхніх осіб, жестів та ходи. Крім того, ABHED допомагає шукати зниклих людей за допомогою ШІ-технології розпізнавання осіб. Їхні знімки завантажуються в базу даних, а поліцейські при виявленні безпритульних людей або тіл можуть сфотографувати їх, щоб зіставити з цією базою.

Пошук зниклих дітей через систему ABHED / iФото: ndianbureaucracy.com

Нарешті, рішення аналізує біометричні дані (голос та відбитки пальців), щоб виявляти рецидивістів. Так, воно може встановити особу злочинця, який вимагає викуп, якщо запис його голосу вже є в базі.

Пошук кримінальних патернів

Поліцейські розробляють [10] і власні інструменти ШІ для допомоги в розслідуваннях. Так, відділ боротьби зі злочинністю поліції Нью-Йорка вже кілька років застосовує програму Patternizr, яка порівнює [11] мільйони випадків пограбувань, крадіжок та крадіжок з бази даних, щоб допомогти слідчим виявляти патерни серійних злочинів. Наприклад, інструмент може знаходити випадки, коли злочинець використовує одні й самі інструменти для злому, а також орудує в одній зоні. Проте Patternizr виключає з аналізу фактор расової приналежності підозрюваних, щоб уникнути упередженості під час розслідування конкретного злочину. Ця програма вже допомогла поліції виявити кілька серійних грабіжників. Для навчання алгоритму використовували набір даних злочинів протягом десятирічного періоду, і навіть шаблони серійних злочинів від відділу аналітики.

Маршрути патрулювання

ІІ дозволяє не лише аналізувати дані з баз, а й прогнозувати злочини. Так, поліцейські в США застосовують [12] систему ResourceRouter, яка навчалася на кримінальній статистиці та прогнозує ймовірність злочинів на основі даних про вид правопорушення, місце, дату та час. Це дозволяє вибудовувати ефективні маршрути патрулювання перед кожною зміною поліції, а також заощаджує аналітикам департаментів до 80% часу. Система не використовує персональну інформацію (демографічну, етнічну чи соціально-економічну).

Інтерфейс ResourceRouter/soundthinking.com

Аналогічну систему компанія Singular Perturbations почала впроваджувати [13] у деяких префектурах Японії. Вона використовує кримінологічні, математичні та статистичні методи аналізу даних про час, місце, погоду, географічні умови та інші характеристики злочинів та інцидентів, а також інформацію із соцмереж.

Ризики застосування ШІ

Співзасновник та генеральний директор компанії – розробника рішень щодо виявлення відбитків пальців Innovatrics Ян Лунтер вказує [14] на такі небезпеки при використанні ШІ для розкриття злочинів:

- хибні арешти. За словами Лунтера, технологія розпізнавання осіб не завжди добре працює при ідентифікації особистості, а іноді буває упередженою;

- відсутність прозорості та підзвітності. Лунтер зазначає, що законодавство поки що явно не регулює використання ШІ. Так, у США лише готуються [15] зобов'язати розробників технологій розпізнавання осіб розкривати навчальні дані, які вони використовують при створенні системи, а Європейський Союз ухвалив Закон про штучний інтелект — перший у світі масштабний закон про ШІ;

- нестача даних для навчання ШІ. Експерт вказує на те, що системи можуть бути упередженими через недостатній обсяг навчальної інформації з різних категорій населення, зокрема етнічних меншин. Тому, за його словами, потрібно генерувати більше наборів таких даних, щоби навчати більш справедливі системи.

Потенціал застосування ШІ

Прогноз злочинів

Дослідники працюють над інструментами передиктивної аналітики, які у майбутньому дозволять знизити кількість злочинів. Так, фахівці університету Чикаго представили алгоритм [16], який прогнозує кількість і географію злочинів насильницького та майнового характеру за один тиждень до їх скоєння з точністю більше 90%. ШІ аналізує закономірність розвитку подій у часі та географію на підставі відкритих даних щодо правопорушень. Потім він ділить місто на квадрати площею близько 300 метрів кожен і розраховує злочинність у них. Роботу системи перевірили у Чикаго, Атланті, Детройті, Лос-Анджелесі, Філадельфії, Портленді, Сан-Франциско та інших містах. Дослідники вважають, що інструмент буде корисним при розподілі поліцейських нарядів та посилення заходів безпеки в небезпечних районах.

Виявлення рецидивістів

ШІ може стати ефективним інструментом не лише для прогнозування злочинів, а й для запобігання рецидивам. Дослідники вже застосовують [17] нейромережі для прогнозування повторних злочинів, пов'язаних із домашнім насильством, а також рецидивів з різних правопорушень у зв'язку з расовою приналежністю. Автори останньої роботи зазначили [18], що для своєї нейромережі вони використовували безліч вибірок, щоб позбавитися расової упередженості. Подібне прогнозування дозволить не лише виявити потенційних рецидивістів, а й покращити умови реабілітації у виправних установах.

Розкриття старих злочинів

Крім того, ШІ можна залучити для розкриття старих злочинів. Цим уже опікується [19] голландська поліція. Вона почала оцифровувати звіти, пов'язані з нерозкритими справами, починаючи з 1988 року. Система машинного навчання буде аналізувати ці записи і підбирати під них показання свідків і результати пізнішої експертизи ДНК. Потім планується автоматизувати аналіз і в інших сферах судової експертизи. До поліції Нідерландів вже звернувся [20] Інтерпол із запитом на розкриття 22 вбивств жінок, скоєних з 1976 до 2005 року.

Фото: Uwe Anspach. Фото: Альтернативні зображення / Getty Images

Ідентифікація підозрюваних

Технології розпізнавання осіб неодноразово критикували за неточність роботи та упередженість. Однак дослідники працюють над більш сучасними альтернативами. Наприклад, дослідницька лабораторія армії США з 2021 року розробляє [21] набір даних для навчання системи розпізнавання осіб, яка працює у темряві. Visible-Thermal Face (ARL-VTF) вже включає 500 тисяч зображень, знятих як у звичайних умовах, так і за допомогою тепловізійних камер за низького освітлення. А незалежні дослідники представили [22] метод потрійної ідентифікації особи, у тому числі з використанням теплових зображень, що дозволяє досягти точності 90%.

Пошук доказів

ШІ може використовуватися для більш детального вивчення відео з місць злочинів. Дослідники з Університету Леона на північному заході Іспанії навчили [23] нейронні мережі виявляти на них докази. Це робиться шляхом завантаження до комп'ютера тисяч зображень з місць злочинів, щоб алгоритми машинного навчання знали, що саме їм потрібно шукати. Експериментальну модель навчали на датасеті із зображеннями, які демонстрували предмети із кімнати, де знімали дитячу порнографію. Нейросітка змогла успішно виявити 75% предметів із цього набору даних на фотографіях інших сцен злочину.

Дослідники вважають, що система ефективно працюватиме і в інших випадках. Крім того, нейромережа навчається пошуку всіх слідів, залишених на місці злочину, а також зіставленню їх із конкретними типами та брендами взуття.

Вивчення мікроскопічних доказів

Штучний інтелект дозволить [24] аналізувати і мікроскопічні частинки, залишені на місці злочину, заощадивши судово-медичним експертам тижні чи місяці роботи. Нейросети здатні класифікувати ці частинки, щоб зосередитися саме на тих, які можуть допомогти слідству, і відсікати непотрібні (наприклад, шерсть домашніх тварин).

Вгорі: камери відеоспостереження у Гамбурзі. Фото: Marcus Brandt / Альтернативні зображення / Getty Images

• Кібербитва за врожай: як штучний інтелект змінює сільське господарство [26]
• Штучний інтелект вперше перевершив у точності традиційні моделі прогнозу погоди [27]
• Штучний інтелект розробив ліки уперше в історії [28]