Por muitos anos, AI/ML têm sido utilizadas para estabelecer a identidade de criminosos, o paradeiro dos mesmos no momento de um ato criminoso e suas ações, bem como o paradeiro antes e depois de um ato criminoso. Manualmente, essas tarefas são árduas para as equipes de investigação, mas a categorização da AI é capaz de mergulhar em grandes quantidades de dados visuais juntamente com os scripts de comportamento do ML. Os algoritmos de AI/ML conseguem eliminar erros humanos, especialmente na identificação de testemunhas e, portanto, aumentar a precisão de uma detenção.
Coleta de dados públicos pode barrar crimes violentos
"Policiamento preditivo” é a prática de identificar a data, horários e locais onde os crimes específicos são mais prováveis de acontecer e, então, agendar patrulhas policiais nessas áreas na esperança de prevenir ocorrência de crimes, mantendo assim os bairros mais seguros. Depois de muita pesquisa e contribuição dos principais departamentos de polícia americanos, em parceria com fornecedores de software, os modelos analíticos preditivos foram continuamente aprimorados. Outras conclusões priorizaram a coleta dos três pontos de dados mais importantes: data e hora do crime, a localização do crime e o tipo de crime – o que simplifica e possivelmente reduz a coleta de dados.
Uma matriz de perfil pode ser construída a partir de um banco de dados contendo associados conhecidos, possível DNA encontrado na cena, detecção de tiros etc. Além de examinar vídeos de câmeras de segurança, inclusive presentes em semáforos, os detetives são capazes de conduzir uma prisão mais precisa, reduzindo prisões equivocadas. Erroneamente, muitas cidades americanas estão retirando as câmeras instaladas em semáforos, excluindo, assim, possíveis dados conclusivos a serem fornecidos à polícia. Se os dados dessas câmeras continuassem sendo coletados junto com depoimentos, a possível receita gerada por essas câmeras poderia ser destinada a atualizações tecnológicas contínuas, oferecendo assim um investimento na prevenção do crime. Com ou sem depoimentos: a disponibilidade de pontos de coleta de dados consistentes é fundamental para impedir o crime.
O crime é uma coleção de padrões não aleatórios
A análise do crime mostra que os criminosos executam padrões e, portanto, o crime não é aleatório. Existem "redes de crime-lugar”, assim chamadas por David L. Weisburd, um criminologista israelense/americano que é bem conhecido por sua pesquisa sobre a teoria do crime e o policiamento. Sua pesquisa – juntamente com outros estudos fornecidos pelos PhDs Tamara Herold e John Eck – confirma consistentemente que a atividade criminosa segue padrões associados a lugares, vítimas e infratores que podem ser histórica e consistentemente mapeados.
Atualmente, as autoridades policiais podem coletar e armazenar grandes quantidades de dados, aplicar modelos de análise complexos e, por meio de padrões de análise, mapear possíveis pontos críticos. As estratégias policiais são orientadas para locais de alta criminalidade para conduzir iniciativas a fim de proteger vítimas de alto risco e evitar reincidentes. O policiamento moderno inclui o agendamento de patrulhamento de policiais com base nesses mapas, mostrando os locais mais prováveis onde o crime pode ocorrer. As características típicas da cena do local são apresentadas como indicadores-chave de desempenho, juntamente com dados históricos de referência do crime e imagens de lugares onde incidentes criminais são recorrentes, para formar padrões de comportamento facilitadores do crime.
Camadas de redes neurais tornam AI/ML mais humanos
Devido ao treinamento de redes neurais em big data, o machine learning e o big data estão utilizando GPUs rápidas e acessíveis. Projetos como Lifelong Learning Machines (L2M), da Agência de Projetos de Pesquisa Avançada de Defesa (DARPA), buscam criar sistemas de segurança que aprendam continuamente por meio da análises de big data de sua execução de tarefas enquanto mantêm suas capacidades atuais, melhorando assim sua precisão na tomada de decisões.
A L2M reúne pesquisadores para explorar como o aprendizado acontece tanto biologicamente, quanto para o desenvolvimento e aprimoramento de arquiteturas e algoritmos computacionais. Essas construções imitam a aprendizagem humana e evoluem com base na execução de tarefas em situações existentes e novas cada vez mais complexas. Através de camadas de redes neurais, as máquinas imitam a aprendizagem humana reconhecendo e categorizando padrões simples para sempre, criando padrões ainda mais complexos.
Juntamente com o objetivo de reduzir a violência pública, a LPRC lançou um novo Innovative Next Retail Center (NRC) para proteger ativos e a cadeia de fornecimento de varejo. Na detecção de fraudes, empresas de varejo e empresas afiliadas ao processamento de pagamentos online, como Walmart, Target, Amazon e PayPal, alimentam continuamente grandes quantidades de dados em seu sistema de detecção de fraudes AI/ML.
Utilizando algoritmos complexos para prever e identificar padrões anômalos e aprender novos padrões, as ocorrências de fraude podem ser previstas depois que acontecem, conforme acontecem e às vezes antes de acontecerem.
A aplicação da lei concentra-se em torno dos sistemas AI/ML para promover uma mudança positiva e a redução sustentável do crime. Os recursos são implantados e utilizados de forma mais eficaz e investigações completas, juntamente com convicções precisas estão sendo alcançadas em tempo hábil.
Durante a última década, as principais tendências do crime, pelo menos no que diz respeito aos Estados Unidos, têm decaído, o que comprova que o investimento na aplicação da lei preditiva ou no "policiamento preditivo” está sendo bem-sucedido.
Politicamente, "menores tendências de crime” é um importante ponto de discussão para campanhas de reeleição e vale a pena o investimento apenas por esse motivo. Os sistemas de software AI/ML continuam a ser um enorme sucesso na detecção e prevenção de crimes, barrando crimes em progresso e até mesmo antes de acontecerem.