Робот-полицейский

Что уже используется 

Умное видеонаблюдение

Полицейские по всему миру активно применяют инструменты видеоаналитики (Video content analysis) — технологии, использующие методы компьютерного зрения для извлечения данных из изображений видеокамер в режиме реального времени или из архивных записей. Это позволяет следователям идентифицировать личности подозреваемых по базам данных, отслеживать их перемещение, а также сопоставлять данные — например, соотносить номер используемого при правонарушении автомобиля с именем его хозяина. Платформа видеоаналитики израильской компании BriefCam, которая помогла в расследовании взрыва на Бостонском марафоне и поимке террориста Андерса Брейвика, уже используется в полицейских управлениях более чем в 40 странах.

Также в ряде стран используется технология ANPR (Automatic Number Plate Recognition — «Автоматическая система распознавания номеров»). Она считывает номера проезжающих автомобилей и сопоставляет их с номерами из всемирной базы. ANPR помогает разыскивать угнанные автомобили и отслеживать правонарушителей. В Великобритании в 2021 году она позволила арестовать грабителей, автомобиль которых уже фигурировал в другой краже.

Работа с базами данных

У правоохранительных органов накапливаются большие объемы данных, которые зачастую не структурированы, поэтому в них сложно найти нужную информацию, и здесь на помощь приходят нейросети. Они находят скрытые связи между разными делами, используя множество параметров, в том числе анализируя данные преступников и посредников, записи их разговоров, использование сокращенных обозначений или кодовых слов. Такие инструменты предлагает, например, американская Voyager Labs. 

Есть и более универсальные решения, которые сочетают в себе анализ баз данных и биометрической информации (фотографий, записей голоса и отпечатков пальцев). Такую систему разработал индийский стартап Staqu. ABHED (Artificial Intelligence Based Human Efface Detection — «Точное опознание людей на основе искусственного интеллекта») используется для оцифровки криминальных отчетов и анализа информации в режиме реального времени.

На этой основе создана система GAIT, которая позволяет распознавать людей, находящихся в розыске, на основе анализа их лиц, жестов и походки. Кроме того, ABHED помогает искать пропавших людей с помощью ИИ-технологии распознавания лиц. Их снимки загружаются в базу данных, а полицейские при обнаружении беспризорных людей или тел могут сфотографировать их, чтобы сопоставить с этой базой.

Наконец, решение анализирует биометрические данные (голос и отпечатки пальцев), чтобы выявлять рецидивистов. Так, оно может установить личность преступника, требующего выкуп, если запись его голоса уже есть в базе. 

Поиск криминальных паттернов

Полицейские разрабатывают и собственные ИИ-инструменты для помощи в расследованиях. Так, отдел по борьбе с преступностью полиции Нью-Йорка уже несколько лет применяет программу Patternizr, которая сравнивает миллионы случаев грабежей, воровства и краж из базы данных, чтобы помочь следователям выявлять паттерны серийных преступлений. Например, инструмент может находить случаи, когда преступник использует одни и те же инструменты для взлома, а также орудует в одной зоне. Однако Patternizr исключает из анализа фактор расовой принадлежности подозреваемых, чтобы избежать предвзятости при расследовании конкретного преступления. Эта программа уже помогла полиции выявить несколько серийных грабителей. Для обучения алгоритма использовали набор данных преступлений за десятилетний период, а также шаблоны серийных преступлений от отдела аналитики. 

Маршруты патрулирования

ИИ позволяет не только анализировать данные из баз, но и прогнозировать преступления. Так, полицейские в США применяют систему ResourceRouter, которая обучалась на криминальной статистике и прогнозирует вероятность преступлений на основе данных о виде правонарушения, месте, дате и времени. Это позволяет выстраивать эффективные маршруты патрулирования перед каждой сменой полиции, а также экономит аналитикам департаментов до 80% времени. Система не использует персональную информацию (демографическую, этническую или социально-экономическую). 

Аналогичную систему компания Singular Perturbations начала внедрять в некоторых префектурах Японии. Она использует криминологические, математические и статистические методы анализа данных о времени, месте, погоде, географических условиях и других характеристиках преступлений и инцидентов, а также информацию из соцсетей. 

Риски применения ИИ

Соучредитель и генеральный директор компании — разработчика решений по выявлению отпечатков пальцев Innovatrics Ян Лунтер указывает на следующие опасности при использовании ИИ для раскрытия преступлений:

• ложные аресты. По словам Лунтера, технология распознавания лиц не всегда хорошо работает при идентификации личности, а иногда бывает предвзятой;
• отсутствие прозрачности и подотчетности. Лунтер отмечает, что законодательство пока явно не регулирует использование ИИ. Так, в США только готовятся обязать разработчиков технологий распознавания лиц раскрывать обучающие данные, которые они используют при создании системы, а Европейский союз принял Закон об искусственном интеллекте — первый в мире масштабный закон об ИИ;
• нехватка данных для обучения ИИ. Эксперт указывает на то, что системы могут быть предвзятыми из-за недостаточного объема обучающей информации по разным категориям населения, в том числе этническим меньшинствам. Поэтому, по его словам, нужно генерировать больше наборов таких данных, чтобы обучать более справедливые системы.

Потенциал применения ИИ

Прогноз преступлений

Исследователи работают над инструментами предиктивной аналитики, которые в будущем позволят снизить число преступлений. Так, специалисты Чикагского университета представили алгоритм, который прогнозирует количество и географию преступлений насильственного и имущественного характера за одну неделю до их совершения с точностью более 90%. ИИ анализирует закономерность развития событий во времени и географию на основании открытых данных по правонарушениям. Затем он делит город на квадраты площадью около 300 метров каждый и рассчитывает преступность в них. Работу системы проверили в Чикаго, Атланте, Детройте, Лос-Анджелесе, Филадельфии, Портленде, Сан-Франциско и других городах. Исследователи считают, что инструмент будет полезен при распределении полицейских нарядов и для усиления мер безопасности в опасных районах.

Выявление рецидивистов

ИИ может стать эффективным инструментом не только для прогнозирования преступлений, но и для предотвращения рецидивов. Исследователи уже применяют нейросети для прогнозирования повторных преступлений, связанных с домашним насилием, а также рецидивов по разным правонарушениям в связке с расовой принадлежностью. Авторы последней работы отметили, что для своей нейросети они использовали множество выборок, чтобы избавиться от расовой предвзятости. Подобное прогнозирование позволит не только выявить потенциальных рецидивистов, но и улучшить условия реабилитации в исправительных учреждениях.

Раскрытие старых преступлений

Кроме того, ИИ можно привлечь для раскрытия старых преступлений. Этим уже занимается голландская полиция. Она начала оцифровывать отчеты, связанные с нераскрытыми делами, начиная с 1988 года. Система машинного обучения будет анализировать эти записи и подбирать под них свидетельские показания и результаты более поздней экспертизы ДНК. Затем планируется автоматизировать анализ и в других областях судебной экспертизы. К полиции Нидерландов уже обратился Интерпол с запросом на раскрытие 22 убийств женщин, совершенных с 1976 по 2005 год.

Идентификация подозреваемых

Технологии распознавания лиц неоднократно критиковали за неточность работы и предвзятость. Однако исследователи работают над более продвинутыми альтернативами. Например, исследовательская лаборатория армии США с 2021 года разрабатывает набор данных для обучения системы распознавания лиц, которая работает в темноте. Visible-Thermal Face (ARL-VTF) уже включает 500 тысяч изображений, снятых как в обычных условиях, так и с помощью тепловизионных камер при низкой освещенности. А независимые исследователи представили метод тройной идентификации лица, в том числе с использованием тепловых изображений, который позволяет добиться точности 90%.

Поиск улик

ИИ может использоваться для более детализированного изучения видеозаписей с мест преступлений. Исследователи из Университета Леона на северо-западе Испании обучили нейронные сети обнаруживать на них улики. Это делается путем загрузки в компьютер тысяч изображений с мест преступлений, чтобы алгоритмы машинного обучения знали, что именно им нужно искать. Экспериментальную модель обучали на датасете с изображениями, которые демонстрировали предметы из комнаты, где снимали детскую порнографию. Нейросеть смогла успешно обнаружить 75% предметов из этого набора данных на фотографиях других сцен преступления.

Исследователи считают, что система будет эффективно работать и в иных случаях. Кроме того, нейросеть обучается поиску всех следов, оставленных на месте преступления, а также сопоставлению их с конкретными типами и брендами обуви.

Изучение микроскопических улик

Искусственный интеллект позволит анализировать и микроскопические частицы, оставленные на месте преступления, сэкономив судебно-медицинским экспертам недели или месяцы работы. Нейросети способны также классифицировать эти частицы, чтобы сосредоточиться именно на тех, которые могут помочь следствию, и отсекать ненужные (например, шерсть домашних животных).