Das Versprechen – und Gefahren – der Predictive Policing basierend auf Big Data

Polizeidienststellen, wie alle anderen auch, möchte mehr wirksam zu sein, während die Ausgaben weniger. Die enorme Aufmerksamkeit auf big Data in den letzten Jahren und der Wert, den es von der Astronomie bis hin zur Medizin zur Verfügung gestellt hat, sollte es keine Überraschung sein, dass Polizeidienststellen Datenanalyse verwendest, Einsatz von knappen Ressourcen zu informieren. Geben Sie die Ära der sogenannten "predictive policing."

Irgendeine Form von predictive policing dürfte jetzt in Kraft in einer Stadt in Ihrer Nähe. Memphis war ein "early Adopter". Städte von Minneapolis nach Miami haben vorausschauende Polizeiarbeit umarmt. Time Magazin benannt predictive policing (mit besonderem Bezug zu der Stadt Santa Cruz), einer der 50 besten Erfindungen des Jahres 2011. New York City Polizei-Beauftragter William Bratton sagte kürzlich, dass prädiktive Polizeiarbeit ist "die Welle der Zukunft."

Der Begriff "predictive policing" suggeriert, dass die Polizei ein Verbrechen zu antizipieren und da sein, um es zu stoppen, bevor es passiert und/oder die Schuldigen sofort begreifen können. Wie die Los Angeles Times weist darauf hin, hängt es "anspruchsvolle EDV Analyse der Informationen über die früheren Verbrechen, vorherzusagen, wann und wo Verbrechen stattfindet."

Auf einer sehr grundlegenden Ebene ist es leicht für jedermann zu lesen eine Verbrechen Karte und Nachbarschaften mit höheren Kriminalitätsraten zu identifizieren. Es ist auch leicht zu erkennen, dass Einbrecher sind in der Regel Zielunternehmen in der Nacht, wenn sie leer sind, bis zum Ziel Häuser während des Tages, wenn Bewohner Weg bei der Arbeit sind. Die Herausforderung ist, nehmen eine Kombination von Dutzenden von solchen Faktoren zu bestimmen, wo Verbrechen sind eher passieren und wer eher zu begehen ist. Polizeiliche Vorhersagealgorithmen sind immer gut bei solchen Analyse bekommen. In der Tat war die Prämisse des Films Minority Report, in dem die Polizei verhaften und Mörder zu überführen, bevor sie ihre Verbrechen begehen können.

Vorhersage einer Straftat mit Sicherheit ist etwas, das Science-Fiction ein Feldtag mit haben können. Aber als Data Scientist, ich kann Ihnen versichern, dass in Wirklichkeit wir nirgendwo nahe an der Gewissheit, selbst mit modernster Technologie. Zunächst vorhersagen können nur so gut sein wie die input-Daten, und nicht selten diese input-Daten Fehler haben.

Aber auch mit perfekten, fehlerfreien Eingabedaten und unvoreingenommene Bearbeitung was die Algorithmen bestimmen letztlich Korrelationen sind. Auch wenn wir vollkommene Kenntnis von Ihrer schwierigen Kindheit, Ihre Geselligkeit mit Gang-Mitglieder, Ihr Mangel an feste Anstellung, Ihre Wacko Beiträge auf social Media und Ihre neue Waffe Einkäufe, alles, was der beste Algorithmus tun kann ist zu sagen, es ist wahrscheinlich, aber nicht sicher, dass Sie ein Gewaltverbrechen begehen werden. Immerhin ist zu glauben, solche Vorhersagen wie garantiert, freien Willen zu verweigern.

Führen Sie Daten, Wahrscheinlichkeiten raus

Was Daten tun können, ist uns Wahrscheinlichkeiten, sondern als Sicherheit geben. Gute Daten gepaart mit gute Analyse können uns sehr gute Schätzungen der Wahrscheinlichkeit geben. Wenn Sie in vielen Fällen Wahrscheinlichkeiten addieren, erhalten Sie in der Regel eine robuste Schätzung des gesamten.

Zum Beispiel bieten Datenanalyse eine Wahrscheinlichkeit, die ein besonderes Haus an einem bestimmten Tag, basierend auf historischen Aufzeichnungen für ähnliche Häuser in dieser Gegend auf ähnliche Tagen unterteilt werden. Ein Versicherungsunternehmen kann dadurch über alle Tage im Jahr zu entscheiden, wie viel für die Versicherung, dass Haus laden hinzugefügt.

Eine Polizeibehörde kann über alle Häuser in einer Nachbarschaft diese Wahrscheinlichkeiten addieren um abzuschätzen, wie wahrscheinlich es ist, dass es einen Einbruch in der Nachbarschaft sein werden. Sie können dann platzieren mehr Offiziere in Gegenden mit höheren Wahrscheinlichkeiten für das Verbrechen mit der Idee, dass die Präsenz der Polizei Verbrechen abhalten könnte. Dies scheint wie ein Sieg rundum: weniger Kriminalität und gezielten Einsatz von Polizeikräften. In der Tat unterstützen die Statistiken in Bezug auf die geringere Kriminalitätsraten, unsere intuitiven Erwartungen.

Wahrscheinlich bedeutet nicht unbedingt, dass

Ähnliche Argumente können in mehreren Arenen verwendet werden, wo wir mit begrenzten Ressourcen konfrontiert sind. Realistisch betrachtet, können nicht Zollagenten gründlich jeden Passagier und jede Tasche suchen. Steuerbehörden können nicht jede Steuererklärung prüfen. So richten sie die "höchstwahrscheinlich" Schuldigen. Aber die Wahrscheinlichkeit ist sehr weit von Gewissheit: die Behörden wissen, ist, dass die Gewinnchancen höher sind. Zweifellos werden viele unschuldige Menschen beschriftet "wahrscheinlich." Wenn Sie unschuldig aber gezielt zu bekommen, kann es ein großer Aufwand, oder noch schlimmer sein.

Nicht falsch gezielte Personen können durch eine Zoll-Suche belästigt, vorausschauende Überwachung kann aber wirklichen Schaden. Betrachten Sie wir den Fall von Tyrone Brown, berichtete kürzlich in der New York Times. Er war für Aufmerksamkeit von der Kansas City Polizei gezielt weil er befreundet mit bekannten Gang-Mitglieder war. Das heißt, herausgesucht der Algorithmus ihn als eine höhere Wahrscheinlichkeit einer Straftat basierend auf das Unternehmen behielt er. Sie sagte ihm, er wurde beobachtet und behandelt würden mit stark wenn er rutschte.

Der Algorithmus machen nicht"falsch" in der Kommissionierung aus jemanden wie Tyrone Brown. Es kann richtig festgestellt haben, dass Tyrone eher als Sie und ich einen Mord zu begehen war. Aber das ist ganz anders als zu sagen, dass er jemanden zu töten, haben (oder wollen).

Angenommen, es gibt eine eine-Million-Chance, dass ein typischer Bürger einen Mord begehen wird, aber es eine Chance von tausend, dass Tyrone wird gibt. Das macht ihn tausendmal so wahrscheinlich, einen Mord als typische Bürger zu begehen. Es macht also Sinn statistisch für die Polizei, um ihre Aufmerksamkeit auf ihn. Aber vergessen Sie nicht, dass es nur eine von tausend Chance, dass er einen Mord begeht. Für tausend solcher "verdächtiger" Tyrones, gibt es nur derjenige, der ein Mörder ist und 999, die unschuldig sind. Wie viel sind wir bereit, Unannehmlichkeiten oder Schaden der 999, der One-stop?

Kansas City ist bei weitem nicht allein in dieser Art von präemptiven Kontakt mit Bürgerinnen und Bürgern als "wahrscheinlich, Verbrechen zu begehen." Letztes Jahr gab es erhebliche Kontroversen über ein ähnliches Programm in Chicago.

Verringerung der Kriminalität mit Bürgerrechten Auswuchten

Solche Taktiken, auch wenn wirksam bei der Verringerung der Kriminalität, Bedenken bürgerliche Freiheit. Angenommen Sie, Sie passen das Profil von einem schlechten Autofahrer und Punkte angesammelt haben, auf Ihre Fahrt aufnehmen. Überlegen, wie Sie sich fühlen würden wenn Sie hatte einen Streifenwagen folgen Sie jedes Mal, wenn Sie hinter dem Lenkrad haben. Noch schlimmer ist, ist es wahrscheinlich, auch wenn Sie Ihr Bestes tun, dass Sie einen gelegentliche Fehler machen werden. Für die meisten von uns ist rollt durch ein Stop-Schild oder fünf Meilen über dem Tempolimit fahren in der Regel von geringer Bedeutung. Aber da Sie ein Polizist nach Ihnen haben, erhalten Sie ein Ticket für jedes kleine Vergehen. In der Folge haben Sie am Ende mit einem noch schlimmer treibende Aufzeichnung.

Ja, Daten können helfen, Vorhersagen zu machen, und diese Vorhersagen können helfen, Polizei, die ihre Ressourcen intelligenter aufwenden. Aber wir dürfen nicht vergessen, dass eine probabilistische Vorhersage nicht Gewissheit, und ausdrücklich den Schaden für die unschuldigen Menschen berücksichtigen wir Aktionen basierend auf Wahrscheinlichkeiten nehmen. Grob gesagt, Datenwissenschaft kann uns viele Vorteile bringen, aber Vorsicht ist geboten, um sicherzustellen, dass sie dies in einer fairen Weise tut.

H V Jagadish ist Bernard A Galler Collegiate Professor für Elektrotechnik und Informatik an der University of Michigan.

Dieser Artikel erschien ursprünglich auf das Gespräch. Lesen Sie den original Artikel.

Bild von Jaromir Chalabala/Shutterstock