یک مدل رایانه‌ای جدید از داده‌های در دسترس عموم برای پیش بینی دقیق جرم و جنایت در هشت شهر ایالات متحده استفاده می‌کند. همچنین نشان می‌داد که واکنش پلیس در محله‌های ثروتمند، نسبت به محله‌های فقیر سریع‌تر است.
هرجند هوش مصنوعی با خطرهایی برای انسان همراه است، اما پیشرفت‌ها در هوش مصنوعی و یادگیری ماشینی باعث ایجاد علاقه‌مندی دولت‌هایی شده است که می‌خواهند از این ابزارها به عنوان جایگزین پلیس برای پیش بینی و جلوگیری از جرم استفاده کنند. با این حال، تلاش‌های اولیه برای پیش بینی جرم بحث‌برانگیز بوده است، زیرا دولت‌ها سوگیری‌های سیستمی در اجرای پلیس و رابطه پیچیده آن با جرم و جنایت و جامعه را در نظر نمی‌گیرند.
داده‌های دانشگاه شیکاگو و دانشمندان علوم اجتماعی الگوریتم تازه‌ای ایجاد کرده‌اند که با یادگیری الگوهای زمانی و موقعیت‌های جغرافیایی از داده‌های عمومی، در مورد جرایم خشونت‌آمیز و دارایی، جرم را پیشبینی می‌کند. این الگوریتم در پیش بینی جنایاتی که ممکن بوده در هفته آینده رخ دهد، تقریبا موفقیتی ۹۰ درصدی داشته است.
در یک مدل جداگانه، تیم محققان همچنین واکنش پلیس به جرم و جنایت را با تجزیه و تحلیل تعداد دستگیری‌ها پس از حوادث، و مقایسه آن نرخ‌ها در میان محله‌هایی با وضعیت اجتماعی و اقتصادی متفاوت مورد مطالعه قرار دادند. آنها دیدند که جنایت در مناطق ثروتمندتر منجر به دستگیری بیشتر شده، در حالی که دستگیری در محله‌های محروم کاهش یافته. یعنی جنایت بیشتر در محله‌های فقیرنشین منجر به دستگیری‌های بیشتری نشد، که همین مسئله نشان‌دهنده سوگیری در واکنش و اجرای پلیس است.
دکتر ایشانو چاتوپادیای، استادیار و پروفسور پزشکی در دانشگاه شیکاگو و نویسنده ارشد این مطالعه جدید، که در ۳۰ ژوئن ۲۰۲۲، در مجله Nature Human Behaviour منتشر شد، چنین می‌گوید: «آنچه ما متوجه شدیم این است که وقتی سیستم را تحت فشار قرار می‌دهیم، به منابع بیشتری برای دستگیری افراد بیشتر در پاسخ به جرم در یک منطقه ثروتمند نیاز دارد و منابع پلیس را از مناطق با موقعیت اجتماعی و اقتصادی پایین‌تر دور می‌کند.»
ابزار جدید با استفاده از داده‌های تاریخی شهر شیکاگو در مورد دو دسته کلی از رویدادهای گزارش شده آزمایش و اعتبارسنجی شد: جنایات خشونت‌آمیز (قتل، حمله و ضرب و جرح) و جرایم اموال (سرقت خانه یا مغازه و دزدیدن پول یا وسایل نقلیه). این داده‌ها به این دلیل مورد استفاده قرار گرفتند که به احتمال زیاد در مناطق شهری که عدم اطمینان تاریخی و عدم همکاری با مجری قانون وجود دارد، به پلیس گزارش می‌شود. این گونه جرائم نیز کمتر مستعد سوگیری اجرایی هستند، همانطور که در مورد جرایم مواد مخدر، توقف‌های ترافیکی و سایر تخلفات بزهکارانه صدق می‌کند.
تلاش‌های پیشین برای پیشبینی جرم اغلب از یک رویکرد همه‌گیر یا متزلزل استفاده می‌کنند، که جرم در «نقاط حساس» اتفاق می‌افتد و بعد هم در مناطق اطراف گسترش پیدا می‌کند. با این حال، این ابزارها محیط اجتماعی پیچیده شهرها را از دست می‌دهند و رابطه بین جرم و جنایت و تأثیرات اجرای پلیس را در نظر نمی‌گیرند.
جیمز ایوانز، جامعه شناس و نویسنده، عنوان کرد: «مدل‌های فضایی، وضعیت مکانی طبیعی شهر را نادیده می‌گیرند. شبکه‌های حمل و نقل با خیابان‌ها، مسیرهای پیاده روی، خطوط قطار و اتوبوس ارتباط دارند. همچنین شبکه‌های ارتباطی با حوزه‌هایی با پیشینه اجتماعی و اقتصادی مشابه در ارتباط هستند. مدل ما امکان کشف این ارتباطات را فراهم می کند.»
چاتوپادیای تاکید می‌کند که دقیق بودن این وسیله، بدین معنا نیست که باید برای هدایت اجرای قانون استفاده شود صرفا چون ادارات پلیس برای جلوگیری از جرم و جنایات محله‌ای از آن بهره می‌برند. در عوض، باید به عنوان ابزاری کمکی به سیاست‌های شهری و استراتژی‌های پلیسی برای رسیدگی به جرم اضافه شود.
وی همچنین اضافه کرد: «ما دو قلویی دیجیتال از فضاهای شهری ایجاد کرده‌ایم. اگر داده‌هایی را که مربوط به جرم و جنایت‌های گذشته بوده است را به او بدهید، می‌تواند آنچه را که ممکن در آینده اتفاق بی‌افتد پیش بینی کند. با جادو کار نمی‌کند و دارای محدودیت است. اما ما درجه صحت‌ش را سنجیده‌ایم و بسیار خوب عمل می‌کند. اکنون می‌توانید از این وسیله به عنوان یک ابزار شبیه‌سازی استفاده کنید تا ببینید اگر جرم و جنایت در یک منطقه از شهر بیشتر شود، یا در منطقه‌ای دیگر در حال افزایش باشد، چه اتفاقی می‌افتد. اگر همه این متغیرهای مختلف را اعمال کنید، متوجه خواهید شد که سیستم‌ها چگونه در پاسخ تکامل می‌یابند.»
از هرچیزی مربوط به این رباتهایی ک میخوان بیان
و جایگزین نیروی انسانی بشن
م ت ن ف ر م……
خیلی باحال مرسی خوبه بدونیم همچین چیزایی وجود دارن هرچند فکر نکنم ایران حالا حالا ها قادر بشه و بوجش برسه دست به اینکارا بزنه ولی بازم هم جالب بود