.

นักสังคมศาสตร์จาก University of Chicago
ได้พัฒนา Algorithm อัลกอริธึม
ที่สามารถคาดการณ์ ทำนายอาชญากรรม
ในเขตเมืองได้ล่วงหน้าถึงหนึ่งสัปดาห์
ตามรายงานของ Bloomberg

ในช่วงไม่กี่ปีที่ผ่านมา 
การใช้งานอัลกอริธึมรอบตัวเราเพิ่มขึ้นอย่างมาก
ตั้งแต่การพยากรณ์อากาศ-การใช้รถใช้ถนน
การให้คำแนะนำในการช้อปปิ้ง แหล่งกิน
แหล่งท่องเที่ยว การค้นหาวิธีรักษาโรค ฯลฯ
การค้นหาใน Google การให้ดู Sponsored
ที่ Facebook ส่งให้ดูทุก 5 รายการ
อัลกอริธึมทำงานได้ทุกเวลาทุกสถานที่
จึงไม่น่าแปลกใจเลย หากอัลกอริธึมจะนำมา
ใช้ในการรับมือ/ต่อสู้กับอาชญากรรม

ก่อนการแข่งขันกีฬาโอลิมปิก 
ตำรวจโตเกียวกำลังมองหา
การนำเทคโนโลยีปัญญาประดิษฐ์ (A.I.)  มาใช้
ในการคาดการณ์อาชญากรรมก่อนที่จะเกิดขึ้น 

แต่ดูเหมือนว่า
กำลังอยู่ในอนาคตที่เหมือนรายงานประจำปี
ที่ส่งมอบให้ผู้ถือหุ้นส่วนน้อยในบริษัท
(มีรายละเอียดสรุปส่วนใหญ่เป็นภาพในอดีต
ส่วนภาพในอนาคตแค่ความฝันบาง ๆ จาง ๆ)
ความจริงก็คือ พวกเราต่างเคยชินอยู่แล้ว
และทนอยู่มาเกือบทศวรรษแล้วกับเรื่องเก่า ๆ
แบบแปดปีที่สูญเปล่าที่ใครบางคนพูด

โมเดลความเสี่ยงด้านอาชญากรรม
และการตกเป็นเหยื่อของชิคาโก

ในปี 2012 ตามรายงานของ Bloomberg 
ตำรวจชิคาโกได้ใช้แบบจำลองความเสี่ยง
ด้านอาชญากรรม และการตกเป็นเหยื่อ
ด้วยความช่วยเหลือจากนักวิจัยด้านวิชาการ
โมเดลนี้ใช้ปัจจัยต่าง ๆ เช่น
อายุ ประวัติการจับกุม การก่อเหตุ ลักษณะคดี
พื้นที่ก่อเหตุ แหล่งมั่วสุม แหล่งเสื่อมโทรม ฯลฯ
เพื่อเตรียมรายชื่อทั้งของเหยื่อ และของผู้ร้าย
ที่มีแนวโน้มจะตกเป็นเหยื่อของพวกผู้ร้าย

โมเดลนี้จะให้คะแนนกับบุคคลที่อยู่ในรายชื่อ
เพื่อช่วยหน่วยงานบังคับใช้กฎหมาย
เร่งรัด/เร่งด่วนในการติดตามผู้กระทำผิด
ที่คาดการณ์ไว้รวมถึงเตือนเหยื่อของผู้ร้ายด้วย

คะแนนที่สูงขึ้นหมายความว่า
ชื่อคนที่ระบุมีแนวโน้มที่จะถูกมองว่า
เป็นเหยื่อหรือผู้กระทำความผิดในคดีต่าง ๆ

แต่หลังจากการต่อสู้ทางกฎหมายที่ยาวนาน
การสืบสวนของ Chicago Sun-Times
เปิดเผยในปี 2017 ว่า
แนวความคิดดังกล่าวอาจฟังดูน่าสนใจ
แต่การใช้งานจริงนั้นหลบเลี่ยงได้/มีรูโหว่ 
เกือบครึ่งหนึ่งของคนที่ถูกระบุว่า
เป็นผู้ก่อเหตุไม่เคยถูกตั้งข้อหา
ครอบครองอาวุธปืนโดยผิดกฎหมาย
ในขณะที่ 13% ไม่เคยถูกตั้งข้อหา
กระทำความผิดร้ายแรง

แต่ในทางตรงกันข้าม เครื่องมือที่ออกแบบ
โดย Ishanu Chattopadhyay และทีมงาน
ใช้รูปแบบทางสังคมวิทยา หลายแสนรูปแบบ
เพื่อค้นหาความเสี่ยงของอาชญากรรม
ในช่วงระยะเวลาหนึ่งและพื้นที่เฉพาะ
 
รายงานการตรวจสอบเทคโนโลยีในปี 2019
ให้รายละเอียดว่าอัลกอริธึม
การประเมินความเสี่ยงที่กำหนดว่า
บุคคลใดควรถูกส่งเข้าคุกหรือไม่
หรือต้องเข้ารับการฝึกอบรมหรือไม่
เกี่ยวข้องกับข้อมูลในอดีตที่มีอคติในบางครั้ง
(แบบสงสัยก็ถูกรวบตัวมาสอบสวนก่อน)

ดังนั้น เมื่อนักวิจัยจากมหาวิทยาลัยชิคาโก
โดย ผศ. Ishanu Chattopadhyay /ทีมงาน
จึงพยายามสร้างอัลกอริธึม แบบใหม่ขึ้นมา
ทีมงานต้องการหลีกเลี่ยงข้อผิดพลาดในอดีต

Ishanu Chattopadhyay 
ผู้ช่วยศาสตราจารย์ด้านการแพทย์ กล่าวว่า
" มันเป็นการยากที่จะโต้แย้งว่า ไม่มีอคติเกิดขึ้น
เพราะเมื่อผู้คนนั่งลง และตัดสินใจว่า
จะใช้รูปแบบใดในการทำนายอาชญากรรม
เพราะรูปแบบเหล่านี้โดยตัวมันเอง
ไม่ได้มีความหมายอะไรเลย

แต่ในตอนนี้ ทุกคนสามารถถามคำถาม
ที่ซับซ้อนเกี่ยวกับอัลกอริธึม ได้ เช่น
จะเกิดอะไรขึ้นกับ
อัตราการเกิดอาชญากรรมรุนแรง
หากอาชญากรรมด้านทรัพย์สินเพิ่มขึ้น "

 
อัลกอริธึมใหม่ทำงานอย่างไร

อัลกอริธึมจะแบ่งเมืองออก
เป็นชิ้นส่วนขนาด 1,000 ตารางฟุต 
ใช้ข้อมูลในอดีตเกี่ยวกับอาชญากรรมรุนแรง
และอาชญากรรมเกี่ยวกับด้านทรัพย์สิน สถานที่
(ลัก วิ่ง ชิง ปล้น ฉ้อโกง ซ่องโจร)
เพื่อคาดการณ์เหตุการณ์ในอนาคต

(การซอยพื้นทึ่เพื่อสะดวกในการปักธง
หรือทำหมุดหมายว่าจุดนี้ในแผนที่
มีอาชญากรรม/คนร้าย/เหยื่อ อยู่กันมาก
การตรวจตราสอดส่องจะต้องเข้มงวดขึ้น

แบบผู้ว่ากทม. ให้ปักหมุดในฟ้องดู จุดน้ำท่วม
เพื่อการตรวจสอบ/ประเมินผลงาน/การแก้ไข)


นักวิจัยให้สัมภาษณ์กับ Bloomberg ว่า
แบบจำลองที่พัฒนาขึ้นมาใหม่แตกต่าง
จากการคาดการณ์อัลกอริธึมอื่น ๆ
เพราะมองว่าอาชญากรรมเกิดขึ้นจาก
จุดเสี่ยงสูง (จุดพวกหัวร้อนอยู่กันมาก)
แล้วแพร่กระจาย/ระบายไปยังพื้นที่อื่น ๆ

อย่างไรก็ตาม วิธีการดังกล่าว 
นักวิจัยบางท่านได้โต้แย้ง
มีข้อผิดพลาดในเรื่องสภาพแวดล้อม
ทางสังคมที่สลับซับซ้อนของเมือง
และยังมีความลำเอียงด้วยการสอดส่อง
จากเจ้าหน้าที่รัฐที่ใช้ในการบังคับใช้กฎหมาย
(มักมีอคติกับพวกคนผิวดำก่อนเสมอ)

แต่อัลกอริธึมใช้วิเคราะห์จาก
รายงานอาชญากรรมก่อนหน้านี้
โดยพิจารณาจากปัจจัยอื่น ๆ มากมาย
จากนั้นจึงคาดการณ์โอกาสเกิด
อาชญากรรมในชิคาโกด้วยความแม่นยำ 90%

แบบจำลองนี้ยังใช้เพื่อทำนายอาชญากรรม
ในเมืองต่าง ๆ ถึง 8 เมืองในสหรัฐอเมริกา
ซึ่งรวมถึงชื่อใหญ่ ๆ เช่น ลอสแองเจลิส
แอตแลนต้า และฟิลาเดลเฟีย
และทำงานได้ดีในสถานการณ์เหล่านั้นเช่นกัน
Bloomberg  รายงานข่าว

การศึกษาเรื่อง การคาดการณ์ระดับเหตุการณ์
ของอาชญากรรมในเมืองเผยให้เห็น
ร่องรอย/ตราประทับของการบังคับใช้
อย่างมีอคติในเมืองต่าง ๆ ของสหรัฐฯ

แต่ระบบอัลกอริธึมนึ้ได้รับการสนับสนุนโดย
หน่วยงานโครงการวิจัยขั้นสูงด้านกลาโหม
และ Neubauer Collegium for Culture and Society
 
รายละเอียดอัลกอริธึมเรื่องนี้
ได้รับการตีพิมพ์ในวารสาร Nature Human Behavior
.


ความพยายามในการปราบปรามอาชญากรรม
อาศัยจากรายงานการกระทำความผิดทางอาญา
ซึ่งแสดงให้เห็นความสัมพันธ์ที่ซับซ้อนระหว่าง
อาชญากรรม ตำรวจ และสังคมโดยปริยาย

ผลที่ตามมาก็คือ การคาดคะเนอาชญากรรม
และการป้องกันแบบคาดการณ์ล่วงหน้า
ได้ก่อให้เกิดการโต้เถียงด้วยเหตุด้วยผล
เพราะอัลกอริธึมที่ใช้ปัญญาประดิษฐ์ล่าสุด
ทำให้มีความเข้าใจอย่างจำกัด
ในระบบสังคมของอาชญากรรม

ในที่นี้ แสดงให้เห็นว่า
แบบจำลองการคาดการณ์จะเพิ่มอำนาจของรัฐ
ผ่านการสอดแนมทางอาญา
(ละเมิดสิทธิส่วนบุคคลมากกว่าเดิม)
แต่ก็ช่วยให้สามารถสอดส่องรัฐในทางกลับกัน
ด้วยการติดตามอคติเชิงระบบของอัลกอรึธึม
ในการบังคับใช้อาชญากรรม

การใช้อัลกอริธึมแบบอนุมานแบบสุ่ม
ที่คาดการณ์อาชญากรรมโดยการเรียนรู้
การพึ่งพาเชิงพื้นที่ และเวลา
จากรายงานเหตุการณ์โดยมีพื้นที่เฉลี่ย
อยู่ใต้เส้นโค้งที่มีลักษณะการทำงาน
ได้ประมาณ 90% ในชิคาโก
สำหรับอาชญากรรมที่คาดการณ์ต่อสัปดาห์
ภายในพื้นที่เป้าหมาย 1,000 ฟุต
ที่แบ่งเมืองเป็นชิ้นส่วน ๆ ในแผนที่

หมายเหตุ

ในระยะยาวจะใช้ AI ซอยชิ้นส่วนที่มีอยู่แล้ว
จุดเสี่ยงตรงไหน จุดที่เกิดเหตุมากที่สุดในแผนที่
จะมีแผนที่พิเศษให้มีชิ้นส่วนละเอียดขึ้นอีก
แบบแผนที่เดิม 1 ตร.กิโลเมตร ซอย 10 ส่วน
เอาชิ้นส่วนขยายเป็นส่วนละ 1 ตร.กิโลเมตร
จะให้รายละเอียดซอย อาคาร จุดต่าง ๆ มากขึ้น
การเจาะลึกพื้นทึ่เป้าหมายจะยิ่งชัดเจนขึ้น
แบบคอนโด/Flat ในซอยนี้ คนผิวดำอยู่กันเยอะ
มีเหตุอาชญากรรมจากที่นี่หลายครั้งมาก
AI ก็จะสร้างเงื่อนไข/เรียนรู้จุดเกิดเหตุจากที่นึ่
ว่าเป็นต้นตอต้นกำเนิดความเลวร้ายทั้งปวง
(แม้ว่าลึก ๆ จะทำให้ AI มีอคติมากขึ้นกว่าเดิม
แบบ Google คำไหนค้นกันเยอะมาก
Web ไหนคนเปิดกันมาก ก็มักจะเป็น Web แรก)


การคาดการณ์ดังกล่าวช่วยให้
สามารถศึกษาความปั่นป่วนของ
รูปแบบอาชญากรรม  ที่ชี้ให้เห็นว่า
การตอบสนองต่ออาชญากรรมที่เพิ่มขึ้นนั้น
มีความลำเอียงโดยสถานะทางเศรษฐกิจ
และสภาพของสังคมในละแวกใกล้เคียง
ทำให้ทรัพยากรด้านนโยบายหมดไป
ในพื้นที่ด้อยโอกาสทางเศรษฐกิจ/สังคม
ดังที่เห็นและเป็นอยู่ในแปดเมืองใหญ่ของสหรัฐฯ

(แบบไม่อยากจะให้เงินอุดหนุน/เพิ่มเงินให้อีก
แบบพื้นที่คนเลวอยู่กันมาก ช่วยไปก็เท่านั้น
พัฒนาไป ก็ยิ่งสร้างคนเลว คนมีปัญหาเพื่มขึ้น
เท่ากับผลักคนบางกลุ่มออกไปจากระบบ/พื้นที่
แบบจน โง่ เจ็บ ยิ่งจน ยิ่งลำบาก ยิ่งถีบตัวยาก)


เรียบเรียง/ที่มา

https://bit.ly/3OzI9gD
https://bit.ly/3OCuZiQ
https://bit.ly/3I7QBkP