این سامانه با بررسی محل وقوع جرایم، زمان رخداد آن‌ها و الگوهای اجتماعی گسترده‌تر، توانست سرقت‌ها را در چند شهر آمریکا با دقت ۸۶.۳ درصد پیش‌بینی کند.

پیش‌بینی جرم، یکی از دشوارترین چالش‌ها در حوزه امنیت عمومی است، زیرا عوامل متعددی بر رفتارهای مجرمانه تاثیر می‌گذارند. جرایم به‌صورت تصادفی رخ نمی‌دهند؛ برخی مناطق به‌طور طبیعی نرخ جرم بالاتری دارند و وقوع جرایم نیز اغلب از الگوهای زمانی مشخصی مانند روزهای خاص، فصل‌های سال یا رویدادهای اجتماعی پیروی می‌کند.

پژوهشگران برای حل این چالش، چندین فناوری پیشرفته هوش مصنوعی را در قالب یک سامانه واحد ترکیب کردند. بخشی از این مدل ارتباط میان مناطق مختلف را بررسی می‌کند و مناطقی را که الگوهای مشابهی از جرم دارند نیز شناسایی می‌کند. بخش دیگری نیز تغییرات زمانی را تحلیل می‌کند تا روندها را تشخیص داده و زمان‌های محتمل وقوع جرم را پیش‌بینی کند.

محققان همچنین از فناوری «شبکه متخاصم مولد» (GAN) بهره بردند. در این روش، دو مدل هوش مصنوعی به‌نوعی با یکدیگر رقابت می‌کنند و همین رقابت موجب می‌شود که سامانه در شناسایی الگوها و انجام پیش‌بینی‌های دقیق‌تر عملکرد بهتری داشته باشد.

علاوه بر این، پژوهشگران از روش یادگیری ماشین به نام «خودرمزگذار متغیر» استفاده کردند که به تولید داده‌های آموزشی واقع‌گرایانه‌تر کمک می‌کند و برخی مشکلات رایجی را برطرف می‌سازد که می‌توانند دقت سامانه‌های هوش مصنوعی را کاهش دهند.

ترکیب این فناوری‌ها به سامانه جدید امکان می‌دهد حجم عظیمی از داده‌های پیچیده را پردازش کند، داده‌هایی که تحلیل آن‌ها برای روش‌های سنتی اغلب دشوار است.

این مدل با استفاده از داده‌های تاریخی جرایم در چند شهر آمریکا از جمله لس‌آنجلس و سیاتل آزمایش شد. نتایج نشان داد سامانه جدید توانسته الگوهای سرقت را در ۸۶.۳ درصد موارد به‌درستی پیش‌بینی کند. این در حالی است که بهترین مدل‌های رقیب به دقت ۸۳.۲ درصدی دست یافته بودند.

سامانه جدید در تحلیل سایر انواع جرایم نیز عملکرد قابل قبولی از خود نشان داد؛ موضوعی که نشان می‌دهد این رویکرد می‌تواند کاربردهای گسترده‌تری در پیش‌بینی جرایم داشته باشد.

به باور پژوهشگران، چنین ابزارهایی می‌توانند به نیروهای نظامی کمک کنند منابع و امکانات خود را کارآمدتر مدیریت کنند. اگر پلیس بتواند مناطقی را که در معرض خطر بالاتر وقوع جرم قرار دارند، شناسایی کند، برنامه‌ریزی گشت‌ها و اقدامات پیشگیرانه نیز با دقت بیشتری انجام خواهد شد.

با این حال، این فناوری هنوز محدودیت‌هایی دارد. دقت مدل در مناطقی که داده‌های جرایم اندکی در دسترس بود کاهش یافت و در مکان‌هایی که سابقه ثبت جرایم بسیار محدود یا تقریبا وجود نداشت، عملکرد ضعیف‌تری از خود نشان داد.

برای رفع این مشکل، پژوهش‌های آینده بر فناوری «یادگیری انتقالی» متمرکز خواهد شد. این روش به سامانه هوش مصنوعی اجازه می‌دهد دانشی را که در یک منطقه آموخته است، برای پیش‌بینی در مناطق دیگر به کار گیرد. چنین قابلیتی می‌تواند دقت پیش‌بینی‌ها را در مناطقی که داده‌های تاریخی کمی دارند افزایش دهد.

نوریج گزارش کرد، هرچند هوش مصنوعی نمی‌تواند همه جرایم را پیش‌بینی کند، اما نتایج این پژوهش نشان می‌دهد، سامانه‌های پیشرفته یادگیری ماشین می‌توانند به ابزاری ارزشمند برای درک بهتر الگوهای جرم و کمک به تصمیم‌گیری‌های آگاهانه‌تر در حوزه امنیت عمومی تبدیل شوند.

انتهای پیام