Μπορεί η σύγχρονη τεχνολογία να βοηθήσει στην πρόβλεψη -και εν συνεχεία στην αντιμετώπιση- της εγκληματικότητας;
Αυτό που μοιάζει ως... χολιγουντιανή ιδέα μιας παλαιότερης εποχής, φαίνεται ότι μπορεί να γίνει εφικτό στις μέρες μας.
Διαβάστε επίσης
Με βάση ειδικά μοντέλα και την αξιοποίηση συγκεκριμένων δεδομένων, φαίνεται ότι οι ειδικοί μπορούν να είναι σε θέση να «προβλέψουν» πού, πότε και ποιο θα είναι το επόμενο έγκλημα.
Έλληνες ερευνητές, από το ΕΚΠΑ, παρουσίασαν πρόσφατα στο Βίλνιους της Λιθουανίας την εργασία τους με θέμα «Προβλέποντας το έγκλημα στην Αθήνα: Η προσέγγιση της Μηχανικής Μάθησης».
Πρόκειται για την πρώτη πειραματική προσπάθεια δημιουργίας ενός μοντέλου πρόβλεψης του εγκλήματος αξιοποιώντας τη δύναμη των Μεγάλων Δεδομένων και των αλγορίθμων της Μηχανικής Μάθησης, που παρήγαγε μάλιστα πολύ αξιόπιστα αποτελέσματα.
Η Μαριλένα Βαρδάκη παρουσιάζει την ερευνητική εργασία σε ειδικό συνέδριο της Ε.Ε. στη Λιθουανία
Η Μαριλένα Βαρδάκη παρουσιάζει την ερευνητική εργασία σε ειδικό συνέδριο της Ε.Ε. στη Λιθουανία
Η εργασία των Κωνσταντίνου Μουρλά, Μαριλένας Βαρδάκη, Κατερίνας Σωτηράκου παρουσιάστηκε στο συνέδριο του Οργανισμού της Ευρωπαϊκής Ένωσης για την κατάρτιση στον τομέα της επιβολής του νόμου (CEPOL) με θέμα «Προετοιμασία των Αρχών Επιβολής του Νόμου για την ψηφιακή εποχή» και υλοποιήθηκε στο πλαίσιο του Μεταπτυχιακού Προγράμματος «Ψηφιακά Μέσα Επικοινωνίας και Περιβάλλοντα Αλληλεπίδρασης», του Τμήματος Επικοινωνίας και ΜΜΕ, ΕΚΠΑ.
Οι ερευνητές, αξιοποιώντας τα αδόμητα δεδομένα που ελήφθησαν από τις επίσημες ανακοινώσεις της ΕΛ.ΑΣ που αφορούσαν στο χρονικό διάστημα 2015- 2020, δημιούργησαν ένα μοντέλο που προέβλεψε τις κλοπές και τις ληστείες με ακρίβεια 75,2%!
Κωνσταντίνος Μουρλάς, Μαριλένα Βαρδάκη, Κατερίνα Σωτηράκου
Κωνσταντίνος Μουρλάς, Μαριλένα Βαρδάκη, Κατερίνα Σωτηράκου
Η μέθοδος που ακολούθησαν οι ερευνητές
Η Μαριλένα Βαρδάκη, απόφοιτη του μεταπτυχιακού στα Ψηφιακά Μέσα με εξειδίκευση στην Επιστήμη Δεδομένων, στη Δημοσιογραφία και την Επικοινωνία, εργαζόμενη στο υπουργείο Προστασίας του Πολίτη, εξηγεί στο iefimerida.gr τη μέθοδο που ακολούθησαν οι ερευνητές για να φτάσουν σε αυτό το αποτέλεσμα:
«Δημιουργήθηκε μια βάση δεδομένων η οποία στη συνέχεια συνδυάστηκε με επίσημα δημογραφικά στοιχεία, ώστε αφού κωδικοποιηθεί κατάλληλα να προβλέψει την κατηγορία του εγκλήματος. Το ενδιαφέρον μας εστιάστηκε κυρίως στα εγκλήματα που αφορούσαν τις κλοπές, τις ληστείες και τις απάτες. Με την βοήθεια των αλγορίθμων Δέντρο Απόφασης (Decision Tree) και Τυχαίο Δάσος (Random Forest) κατασκευάστηκαν συνολικά τέσσερα προβλεπτικά μοντέλα.
Θεωρούμε ότι ο αρχικός σκοπός της εργασίας να δημιουργηθεί ένα προβλεπτικό μοντέλο με αδόμητα δεδομένα που συνδυάζει την δύναμη των Μεγάλών Δεδομένων και της Τεχνητής Νοημοσύνης για να προβλεφθεί το έγκλημα στην Αττική, έχει επιτευχθεί. Το μοντέλο μας πρόβλεψε ανάμεσα σε κλοπή και ληστεία με ακρίβεια 75,2%, ενώ οι 5 πιο σημαντικές μεταβλητές που χρησιμοποίησε ήταν η ηλικία, η μέρα της εβδομάδας που τελούνταν το έγκλημα, ο ταχυδρομικός κώδικας της περιοχής, το σύνολο των εργαζομένων μιας περιοχής και η εθνικότητα. Αντίστοιχα, λιγότερο σημαντικές θεωρήθηκαν μεταβλητές όπως το αν ήταν κάποιος ημεδαπός ή αλλοδαπός και το φύλο», επισημαίνει.
Η σημασία της «προγνωστικής αστυνόμευσης»
Σχετικά με τη χρήση αυτών των προγνωστικών μοντέλων επί του... πεδίου, η Μαριλένα Βαρδάκη εξηγεί:
«Το predictive policing ή αλλιώς η προγνωστική αστυνόμευση είναι ευρέως διαδεδομένη στο εξωτερικό όπου με την βοήθεια των αλγορίθμων γίνεται μια προσπάθεια πρόβλεψης και χαρτογράφησης του εγκλήματος. Η Τεχνητή Νοημοσύνη μπορεί να αποκαλύψει μοτίβα και συσχετίσεις που κρύβονται μέσα σε ένα μεγάλο όγκο ιστορικών δεδομένων και να δώσει λύσεις σε διάφορες τομείς της κοινωνίας μας.
Δεν είναι άλλωστε τυχαίο το γεγονός ότι το τελευταίο διάστημα γίνονται συζητήσεις σε Ευρωπαϊκό επίπεδο για την χρήση των ευφυών αλγορίθμων καθώς και την σταδιακή ενσωμάτωσή τους από πολλές ευρωπαϊκές χώρες».
Η Μηχανική Μάθηση στο παρόν και το μέλλον
Ρώταμε τον αναπληρωτή καθηγητή του Τμήματος Επικοινωνίας και ΜΜΕ, Κωνσταντίνο Μουρλά, που συμμετείχε στην εργασία, τον τρόπο που λειτουργεί η Μηχανική Μάθηση και ποια είναι η πρακτική χρήση της.
«Τροφοδοτούμενη από την πρόοδο στη Στατιστική και την Επιστήμη των Υπολογιστών, την ύπαρξη μεγάλων συνόλων δεδομένων και την ανάπτυξη των νευρωνικών δικτύων, η μηχανική μάθηση έχει πραγματικά απογειωθεί τα τελευταία χρόνια.
Σήμερα, είτε το γνωρίζουμε είτε όχι, η μηχανική μάθηση είναι παντού - αυτοματοποιημένη μετάφραση, αναγνώριση εικόνας, τεχνολογία φωνητικής αναζήτησης, αυτοοδηγούμενα αυτοκίνητα και όχι μόνο. Η μηχανική μάθηση μπορεί να εφαρμοστεί και να αξιοποιήσει τεράστια σε όγκο δεδομένα παράγοντας αποτελέσματα που έχουν πολύ μεγαλύτερη ακρίβεια σε σύγκριση με την ανθρώπινη προσπάθεια.
Οι αλγόριθμοι εποπτευόμενης μάθησης κάνουν προβλέψεις με βάση ιστορικά δεδομένα εκπαίδευσης για τα οποία γνωρίζουμε την κατηγορία τους. Κάθε δείγμα εκπαίδευσης περιλαμβάνει μια είσοδο και μια επιθυμητή έξοδο. Ένας τέτοιος αλγόριθμος μηχανικής μάθησης αναλύει αυτά τα δείγματα δεδομένων και εξάγει ένα συμπέρασμα -βασικά, μια συσχέτιση για τον προσδιορισμό των κατηγοριών σε δεδομένα που δεν έχει ακόμη συναντήσει.
Για παράδειγμα, εάν θέλουμε να εντοπίζουμε αυτόματα ανεπιθύμητα μηνύματα, θα πρέπει να τροφοδοτήσουμε έναν αλγόριθμο μηχανικής μάθησης με παραδείγματα μηνυμάτων ηλεκτρονικού ταχυδρομείου που γνωρίζουμε ως ανεπιθύμητα καθώς και άλλα που είναι σημαντικά και δεν πρέπει να θεωρούνται ανεπιθύμητα. Ο αλγόριθμος μπορεί να βρει τις συσχετίσεις μεταξύ των χαρακτηριστικών των μηνυμάτων και των κατηγοριών Ανεπιθύμητο, Σημαντικό, και έτσι να αποφασίζει για μελλοντικά μηνύματα που θα λάβουμε τοποθετώντας τα αυτόματα σε μία από τις δύο κατηγορίες».
Πηγή: iefimerida.gr