Страница 10 из 11
Но городская жизнь состоит из множества звуков, часть которых можно принять за выстрелы из оружия. Чтобы избежать таких ошибок, звуки, которые сенсоры определяют как выстрелы, отправляются экспертам. Если оказалось, что действительно произошел выстрел, то информация о том, где, когда и сколько выстрелов было совершено, отправляется полиции. Весь этот процесс – с момента, когда выстрел был засечен, до отправки информации полиции – занимает около 40 секунд. Данная технология используется уже в 75 городах США.
Система помогает не только оперативно реагировать на происшествия, но и узнавать о них – жители некоторых районов часто не сообщают в полицию о преступлениях, очевидцами которых являются. Так, в городе Милуоки только о 14% всех выстрелов, которые зафиксировал ShotSpotter, было сообщено в полицию.
Другой частью тренда в использовании новых технологий для повышения осведомленности является использование социальных медиа и, в частности, Twitter. Полиция все чаще полагается на эту социальную сеть и использует для коммуникации с жителями города. Например, во время беспорядков, устроенных спортивными болельщиками в Ванкувере, полиция использовала Twitter для того, чтобы быть в курсе ситуации, а после того, как беспорядки были устранены, Twitter и Facebook стали каналами, через которые свидетели могли сообщить полиции имеющуюся у них информацию.
Полиция Берлина рассматривает возможность установки программного обеспечения, которое сможет предсказывать преступления, почти как показано в научно-фантастическом фильме «Особое мнение». Даже проект носит такое же название «Precobs», как в фильме.
Разработанная немецкой фирмой программа предсказывает, где и когда с наибольшей вероятностью произойдет преступление.
Нужно сказать, что похожие программы уже несколько лет успешно работают в нескольких американских городах. Например, в 2011 году калифорнийский город Санта-Крус (США) первым в мире внедрил математическую модель расчета вероятности преступлений, которая каждый день составляет новый маршрут для патрульных машин, основываясь на статистике преступлений по улицам. Учитываются день недели, время суток, наличие/отсутствие футбольных матчей по ТВ и другие факторы.
Патрульные полицейские Санта-Крус каждый день получают новый маршрут для патрулирования с указанием 10 «горячих точек» маршрута. Вот как выглядит эта информация в интерфейсе Google Maps.
Для каждого квадрата размером 150 на 150 метров указывается вероятность совершения преступления в 24-часовой период, распределение этой вероятности по двум видам преступления: автомобильные и домашние, время начала двух самых опасных часовых интервалов.
Немецкая программа «Pre-Crime Observation System» работает примерно по такому же принципу, вычисляя вероятность совершения преступлений по тем или иным координатам, с учетом прошлой статистики.
Полиция Амстердама поставила задачу разработать программный продукт, который мог бы автоматически систематизировать тысячи полицейских отчетов, отбирая те, что имеют отношение к торговле людьми. Система должна была не просто отбирать подозрительные случаи, а находить закономерности, устанавливать круг людей, возможно причастных к преступному бизнесу, то есть обнаруживать и идентифицировать потенциальных подозреваемых.
В создании системы приняли участие даже российские математики из департамента анализа данных и искусственного интеллекта НИУ ВШЭ.
Главной идеей было создание хорошей системы анализа и визуализации данных полицейских отчетов. В качестве такого средства как нельзя лучше подходит анализ формальных понятий. Этот метод был предложен в 80-х годах прошлого века немецким математиком и философом Рудольфом Вилле. Анализ формальных понятий позволяет визуализировать объектно-признаковые зависимости путем построения так называемых решеток формальных понятий или решеток Галуа. Основная математическая идея заключается в возможности построения полной решетки по любому бинарному отношению и математическому описанию понятия в виде пары объекты-признаки. В данном случае объекты – это отчеты, а признаки – информация, содержащаяся в них, например ключевые слова, даты, упоминаемые люди.
В ходе работы специалисты проанализировали порядка 70 тысяч полицейских отчетов, составленных с 2008 года. В основном это были отчеты патрульных полицейских, проводивших осмотр автотранспорта или патрулировавших улицы Амстердама. Лишь примерно в тысяче случаев полицейским было известно, что речь действительно идет о лицах, имеющих отношение к торговле людьми.
Все индикаторы (их можно выявить в тексте автоматически) разделили на группы:
• статические признаки (национальность, проблемы с документами, крупная сумма наличных, женщины не разговаривают, документы женщин находятся у водителя, проститутки, насилие, следы насилия);
• изменяющиеся признаки (район «красных фонарей», дорогая машина, женщины в машине, торговля в машине, каникулы, регулярное посещение сомнительных клубов, регулярная доставка девушек в клуб);
• признаки социального окружения (человек был замечен с подозреваемым или известным преступником, сам был под подозрением).
Также индикаторы подразделялись на ранние и поздние, то есть возможные и явные, сильные признаки соответственно.
Выделенные признаки заносились в таблицу. Глядя на нее, можно было определить, сколько подозрительных признаков есть в том или ином отчете. Полицейские при составлении отчета перечислили такие индикаторы, как «дорогая машина», «проблемы с документами», район, где работают проститутки.
Отчет, содержащий слова-«индикаторы», требовал более пристального внимания правоохранительных органов. Чтобы обнаружить и идентифицировать лиц, причастных к торговле людьми, полицейские анализировали формальные понятия.
Эта работа проходит в три этапа:
• из большого множества отчетов выделяются персоны, которые могли быть потенциально вовлечены в «трафикинг»;
• строится детальный профиль этих лиц, в котором отражены индикаторы и их изменение во времени;
• анализируется социальное окружение (социальная сеть) подозреваемых и эволюция этого окружения с течением времени.
Разработанный инструмент позволил полицейским в интерактивном режиме с помощью таблиц формальных понятий выделить ряд признаков и выявить потенциальных подозреваемых.
Далее с помощью разработанной системы было проанализировано и визуализировано в виде диаграммы социальное окружение человека. Программа показала, с какими людьми и при каких обстоятельствах имел дело подозреваемый. То есть, по сути, были очерчен круг лиц, возможно причастных к ОПГ.
Компания Fujitsu Laboratories Ltd. совместно с Университетом электрокоммуникаций (Япония) разработала алгоритм для поимки преступника в городе. Алгоритм основан на теории игр, которая математически описывает технологию защиты и нападения как технологию для принятия решений. Раньше технологию было сложно применить в городских условиях, так как объем информации увеличивался с размером уличной сети города. Справиться с этой проблемой позволит технология «сжатия сети», разработанная Fujitsu Laboratories Университетом электрокоммуникаций.
Разработка планов безопасности общественных сооружений (вокзалов, аэропортов) исторически основывалась на интуиции и опыте, однако в последние годы стала очевидной необходимость обеспечения повышенной безопасности с помощью ИИ. Алгоритмы способны развернуть ресурсы безопасности в соответствии с движением людей и психологическими характеристиками преступников.
Лаборатория компьютерных наук и искусственного интеллекта Массачусетского технологического института создала алгоритм, который с помощью технологии глубокого обучения позволяет искусственному интеллекту (ИИ) использовать шаблоны человеческого взаимодействия, чтобы предсказывать, что может произойти дальше. Исследователи загружали в программу видео с примерами социальных взаимодействий людей и тестировали ее, проверяя, насколько хорошо она «обучилась», чтобы быть в состоянии давать прогнозы.