Categories
Отраслевая аналитика

Преступление и предсказание

Можно ли обучить искусственный интеллект “мыслить, как преступник”, чтобы спрогнозировать преступление до совершения и предотвратить его?

Сегодня в “топе” наиболее “мощных” инструментов для борьбы с преступностью не оружие, а “большие данные”, “умные” алгоритмы их анализа и прогнозирования (“искусственный интеллект”, “ИИ”). Они стали настолько производительными, что способны даже “предсказывать” преступления до их совершения.

“С тех пор, как в 1950-х годах был опубликован фантастический роман Филиппа К. Дика “Особое мнение”, футуристы и философы начали жить концепцией “pre-crime” — “предсказание преступления”. Представьте себе банду грабителей банков, которые приезжают на очередной грабеж, но находят там лишь вооруженное подразделение полиции, уже готовое к их появлению. Или представьте себе, как вы идете по темному переулку и испытываете страх, но, затем, видите “успокаивающие” синие огни полицейской машины, “приглядывающей” за вами. Теперь представьте, что все это стало возможным, благодаря математике”. [1]

По всему миру города ищут способы извлечь выгоду из новых, экспоненциально растущих технологий, передовой аналитики и больших данных, чтобы предоставлять своим жителям более интеллектуальные, эффективные и выгодные услуги. Правоохранительные органы не исключены из этого процесса. От Великобритании до Китая, от США до Японии, сотрудники сил общественной безопасности изучают вопрос: могут ли инструменты анализа данных прогнозировать преступления, сократить затраты денег и ресурсов? [2]

Безопасность является одной из базовых потребностей человека. В приложении к обществу, государству, городу, речь идет о необходимости обеспечивать и повышать уровень общественной безопасности. В предметном рассмотрении это означает необходимость повысить эффективность работы правоохранительных органов, во-первых, для предотвращения преступлений и, во-вторых, для более эффективного расследования уже совершенных преступлений.

В России ежегодно регистрируется около 2 млн преступлений. Почти каждое второе преступление остается нераскрытым. Прямой и косвенный ущерб экономике России от совершенных преступлений составляет, по разным оценкам, от 1,3 до 5,7 трлн рублей ежегодно.

Причем для общества предотвращение преступления значимо “выгоднее”, чем даже его успешное расследование, поскольку в первом случае нет ни ущерба, ни жертвы преступления, ни затрат на нахождение и последующее “исправление” преступника. Об этом, еще в середине 18-го века, говорил философ права Чезаре Беккариа (Cesare Beccaria): “Лучше предотвращать преступления, чем наказывать их. Это конечная цель любого хорошего законодательства..”.

Искусственный интеллект и большие данные. 

Что могут предложить новые технологии правоохранительным органам для предотвращения преступлений?

Сегодня правоохранительные органы и силы общественной безопасности в любой стране уже собирают и хранят огромный объем данных. Обладая возможностью использовать эти данные эффективно, они могли бы, например, получать оперативные прогнозы о местах и времени возможных будущих преступлений для организации “точечной” работы и эффективного распределения ресурсов. Присутствие сил охраны порядка в “нужном месте” и в “нужное время” может привести к предотвращению преступления, сохранению жизни и/или материального благополучия граждан и, в целом, повысить уровень общественной безопасности.

Но разве это не фантастично — “предвидеть” место и время совершения преступления? Оказывается, что искусственный интеллект и машинное обучение на основе больших данных, с применением определенных теоретических (криминологических, социологических, экономических) теорий и математических моделей, могут справиться с этим вполне успешно, во всяком случае, в отношении отдельных видов преступлений. Так совершается переход от научной фантастики к технологическому “мейнстриму”.

“Искусственный интеллект”, — по определению известного визионера и одного из ведущих мировых экспертов в этой области, Кай-Фу Ли (Kai-Fu Lee), — это выполнение машинами задач, обычно предназначенных для человеческого познания: распознавать закономерности, предсказывать результаты, отмеченные неопределенностью, и принимать сложные решения.

В целом, большая часть полезной применимости искусственного интеллекта заключается именно в его способности делать “удивительно” точные прогнозы на основе больших данных, осмыслить которые человек просто не в силах.

Однако, до этого, и сам искусственный интеллект нуждается в “обучении” правильной работе с этими данными. В ходе обучения верность полученных выводов и прогнозов оценивается экспериментально и, при необходимости, обучение корректируется.

“На самом деле в ИИ существует лишь одна фундаментальная инновация — глубокое обучение. И всё, что делается сейчас в области ИИ — лишь подстройка глубокого обучения под нужны конкретных прикладных областей” [3]. “Такие алгоритмы не работают в вакууме. Для проведения анализа им требуются огромные наборы данных и огромные вычислительные мощности для их обработки. (Поэтому) современный ИИ функционирует только в четко определенных единичных областях” [4], Кай-Фу Ли (Kai-Fu Lee).

“Большие данные” — это “наборы” данных, настолько большие и сложные, что их становится трудно эффективно хранить и обрабатывать с использованием традиционных подходов к обработке/хранению, как минимум, с точки зрения времени, приемлемого для решения управленческих задач. Условно говоря, обработка данных, продолжительностью в 1 год, едва ли подойдет для большинства задач, стоящих перед бизнес-компанией, городом или регионом. А именно такие наборы данных и генерирует современный мир: компьютеры и мобильные устройства, мессенджеры и социальные сети, кредитные карты и криптовалюты, вся инфраструктура “умных” городов, зданий и производств, оснащенных сенсорами и датчиками, а также транспорт и логистические системы, товары в цепи поставок и т.д. В целом, эти данные уже “непостижимы” для человеческого разума с точки зрения анализа и принятия эффективных решений, а эффективно они могут использоваться лишь машинными средствами. Это приводит к “радикальным” идеям, типа передачи принятия широкого круга управленческих решений искусственному интеллекту в рамках модели “стохастического управления” — “алгоритмического управления населением и территорией на основе больших данных и морально нейтральной технологии”[5]. И это сильно перекликается с концепцией “Умного города 3.0” (“Data-Driven City”, “DDC”).

Подобным идеям есть рациональное обоснование: эффективный анализ больших данных может извлекать из них скрытое, но ключевое (“инсайты”), раскрывая недоступные для осмысления человеком шаблоны и связи, предоставляя эффективное содействие в принятии сложных решений путем анализа различных и даже, на “человеческий” взгляд, противоречащих друг другу вариантов.

ИИ: “мыслить, как преступник”. Одной из тех областей, в которых искусственный интеллект демонстрирует способность делать весьма точные прогнозы, стала общественная безопасность. Сейчас в мире развернуты несколько пилотных проектов для прогнозирования преступлений, в том числе, на основе анализа больших данных и машинного обучения (искусственного интеллекта).

Одной из наиболее известных является “PredPol” (“Predictive Policing”) – американская система прогнозирования преступлений, разработанная компанией “The Predictive Policing Company”. В настоящее время развернуто не менее 50 локальных систем прогнозирования в департаментах полиции США разных штатов.

“PredPol” использует алгоритм машинного обучения для создания прогнозов преступлений на основе всего трех типов данных: вид преступления, место преступления, дата и время преступления. И, на “выходе”, генерирует соответствующий прогноз: что произойдет (вид преступления), где произойдет (место преступления) и когда произойдет (дата / время преступления).

Для машинного обучения (алгоритм прогнозирования преступлений) используются наборы данных криминальной статистики за период от 2 до 5 лет. При этом для каждого города должна работать своя отдельная система, с поправкой на специфику местных условий. После первого запуска и начального обучения, система “PredPol” самостоятельно и ежедневно обновляет алгоритм прогнозирования (“самообучается”), на основе полученных данных о новых преступлениях.

Система “PredPol” сейчас используется в более чем 50 полицейских управлениях по всей территории США [1]. Стоимость ее использования для 1 полицейского департамента достигает 150 тыс долл в год [7].

Подробнее о том, как работает эта, и подобные ей, системы, Вы сможете узнать в одном из наших следующих обзоров.

Кто и зачем учит ИИ “мыслить, как преступник”.

Одной из тех областей, в которых искусственный интеллект демонстрирует способность делать весьма точные прогнозы, стала общественная безопасность. Сейчас в мире развернуты несколько пилотных проектов для прогнозирования преступлений, в том числе, на основе анализа больших данных и машинного обучения (искусственного интеллекта).

США. “PredPol” (“Predictive Policing”). Американская система прогнозирования преступлений, разработанная компанией “The Predictive Policing Company”. В настоящее время развернуто не менее 50 локальных систем прогнозирования в департаментах полиции США разных штатов.

“PredPol” использует алгоритм машинного обучения для создания прогнозов преступлений на основе всего трех типов данных: вид преступления, место преступления, дата и время преступления. И, на “выходе”, генерирует соответствующий прогноз: что произойдет (вид преступления), где произойдет (место преступления) и когда произойдет (дата / время преступления).
Прогнозы отображаются в виде красных прямоугольников в веб-интерфейсе с использованием картографического интерфейса “Google Maps”. Каждый квадрат на карте (соответствует “реальному” участку местности, размерами 150 × 150 метров), представляет собой область наибольшего риска совершения преступления и актуализируется не только ежедневно, но и для каждой смены полиции (дневной, промежуточной и ночной). Офицерам предписывается тратить около 10% времени смены (около 6 минут в час) на патрулирование областей, указанных “PredPol”.

Карта с прогнозом преступлений PredPol
Карта с прогнозом преступлений PredPol

Для машинного обучения (алгоритм прогнозирования преступлений) используются наборы данных криминальной статистики за период от 2 до 5 лет. При этом для каждого города должна работать своя отдельная система, с поправкой на специфику местных условий. После первого запуска и начального обучения, система “PredPol” самостоятельно и ежедневно обновляет алгоритм прогнозирования (“самообучается”), на основе данных о новых преступлениях, загружаемых из системы управления отчетами (“Report Management System”, “RMS”) полицейского департамента. Разработчик “PredPol” заявляет, что система не использует персональную информацию (демографическую, этническую или социально-экономическую), что “исключает возможность нарушения конфиденциальности или гражданских прав при использовании прогнозных моделей” [8].

Также система позволяет назначать экипажам патрулирование конкретных областей в конкретное время и автоматизировать мониторинг выполнения заданий при помощи системы позиционирования “GPS”. Статистика преступлений и прогнозов преступлений визуализируется, имеется возможность создавать пользовательские отчеты с использованием фильтров (вид преступления, период и т.п.) и, в том числе, доступна в “CJIS”-совместимом правительственном облачном хранилище “Microsoft Azure”.

Compstat — модуль визуализации системы PredPol
Compstat — модуль визуализации системы PredPol

При всей кажущейся простоте, алгоритм прогнозирования преступлений “PredPol” имеет строгое научное обоснование и выдержал более, чем 10-летнюю проверку и критикой, и практической работой.

Проект “PredPol” стартовал в 2006 году, когда группа криминологов и математиков из Калифорнийского университета (UCLA) начала сотрудничать с Департаментом полиции Лос-Анджелеса, в попытке использовать статистические данные о преступлениях для прогноза их появления, распространения и исчезновения. “Отцами-основателями” являются профессор антропологии Калифорнийского университета Джефф Брантингем (Dr. Jeff Brantingham), и профессор экономики Университета Санта-Клары Джордж Молер (Dr. George Mohler). В первых версиях системы для прогнозирования преступлений они использовали модель “анализа горячих точек” (“hot-spot analysis”). Однако немногим позже они нашли более эффективное решение.

В 2009 году для описания ряда частных криминологических теорий (“повторной виктимизации”, “близкой повторной виктимизации” и “близкого поиска”) команда попробовала применить математический аппарат прогнозирования повторных землетрясений (“Epidemic-type aftershock sequence”, “ETAS”), который применялся, до того, только в сейсмологии. А в качестве алгоритма машинного обучения для получения прогнозов применили самообучаемые нейронные сети. Необычное сочетание показало высокую результативность для прогнозирования преступлений. Пространственно-временная кластеризация (в виде последовательности событий), как минимум для определенных типов преступлений (кражи со взломом, конфликты преступных групп), аналогична наблюдаемым и прогнозируемым сейсмологами явлениям, когда землетрясение увеличивает риск повторных землетрясений поблизости. Этот способ был запатентован и лег в основу современного решения “PredPol”.

Работа модели может быть объяснена с позиции криминологических и социологических теорий. Если дом ограблен сегодня, риск того, что он будет вновь ограблен послезавтра, действительно возрастает (частная криминологическая теория “повторной виктимизации”). Это связано с тем, что для преступников “рационально” возвращаться туда, где они добились успеха раньше: не имеет смысла идти в какой-то другой неизвестный дом, где они ничего не знают о присутствии людей, о сложности взлома и наличии охранных систем, а также о возможной выгоде, тогда как о доме, который они ограбили два-три дня назад, они знают очень многое, и этот вариант гораздо менее рискован (общая криминологическая теория «рутинной» (обыденной) деятельности).

Но не только этот ограбленный дом подвергается большему риску повторного ограбления, но и соседний дом также подвержен большему риску быть ограбленным, ведь соседи очень похожи: у них одинаковый социально-экономический статус, они работают схожим образом, у них похожий дом, и у них будет примерно столько же вещей и ценностей, которые “можно украсть”. Так что “сценарий” ограбления, который преступник уже использовал, будет почти идеально подходить для ограбления и соседнего дома (частная криминологическая теория “близкой повторной виктимизации”). И так далее.

“Скептики хотят, чтобы вы поверили, что люди слишком сложны и слишком случайны, — что такого рода математика [для описания преступного поведения] не может быть создана. Но люди не так случайны, как мы думаем… В каком-то смысле преступление — это всего лишь физический процесс, и если вы можете объяснить, что двигает преступниками, и как они пересекаются со своими жертвами, вы сможете получить невероятный результат.. машинное обучение позволяет “PredPol” анализировать данные, делать выводы и устанавливать связи между большими объемами данных, с которыми человеческие аналитики просто не могут справиться. Машинное обучение предоставляет набор подходов к выявлению статистических закономерностей в данных, которые сложно описать стандартными математическими моделями или выходят за рамки естественных способностей восприятия человека-эксперта”, Джефф Брантингем, профессор Калифорнийского университета, сооснователь “The Predictive Policing Company”.

Система “PredPol” сейчас используется в более чем 50 полицейских управлениях по всей территории США [9]. Стоимость ее использования для 1 полицейского департамента может достигать 150 тыс долл в год [10].

СМИ довольно часто и охотно пишут о “PredPol”, нередко цитируя при этом положительные оценки пользователей — сотрудников правоохранительных органов. В частности, говорилось о том, что развертывание системы “PredPol” позволило:

  • снизить число грабежей на 25% и предсказать конкретные локальные области будущих вооруженных столкновений между преступными группами с точностью от 58% до 83% в Лос-Анджелесе
  • сократить число преступлений против собственности на 4–11% в Санта-Круз (Калифорния)
  • сократить число краж из автомобилей на 21% и автоугонов на 8% в Альгамбре (Калифорния)
  • добиться двузначного (в процентах) снижения числа преступлений против собственности в Модесто (Калифорния), а также “положительных результатов” в снижении преступности в Сиэтле, Атланте, Рединге (Пенсильвания)
  • предсказать до 50% случаев проявления домашнего насилия с использованием огнестрельного оружия в Чикаго.

Однако пока известно лишь о двух исследованиях эффективности системы, которые могут быть отнесены к “научным”. Контролируемые эксперименты были проведенны “PredPol” в Лос-Анджелесе (США) и Кенте (Великобритания). Данные исследования в Лос-Анджелесе говорят о том, что “PredPol” в 1,4–2,2 раза эффективнее прогнозирует преступления, чем специальные эксперты, а уровень преступлений, при организации патрульной работы с особым вниманием на указанные системой области, снижается на 7,4% [11].

Масштабирование решения проходит не так гладко. С одной стороны, эффективность прогнозирования преступлений постоянно ставится под сомнение, и со стороны научной академической среды [12], и со стороны аналитических организаций [13], а, в последнее время, еще и правозащитных организаций.

Не исключено, что “PredPol” становится объектом критики так часто потому, что является одним из самых открытых решений для прогнозирования преступлений.

На рынке представлено довольно много корпоративных закрытых решений, которые заявляют о схожих с “PredPol” возможностях, в том числе: “Crime Prediction and Prevention” (IBM), “CommandCentral Analytics” (Motorola Solutions), “Intelligence-led policing” (Microsoft), “HunchLab” (Azavea), “Vantara” (Hitachi), “SAS”, “Palantir” и др. Но о том, как они работают, тем более, о научном подтверждении эффективности их работы, сейчас практически ничего неизвестно.

С другой стороны, специфика такого “закрытого” рынка, как рынок решений для правоохранительных органов, для которого в приоритете собственные, “местные” решения, пока не позволяет “PredPol” закрепиться вне США. Так, например, несмотря на давние и тесные связи, полиция английского графства Кент отказалась от использования “PredPol” в своей работе, сочтя плату за решение более высокой, чем общий эффект от его использования.

“PredPol” был впервые апробирован полицией Кента в декабре 2013 года. После 4-месячного тестирования “PredPol” в районе Медуэй, уличное насилие сократилось на 6%. Использование “PredPol” обходилось казне графства Кент в 100 тыс фунтов в год.

Контракт с “PredPol” расторгнут именно тогда, когда в Великобритании все шире внедряются технологии прогнозирования преступности, а столичная полиция в Лондоне тестирует сервис, аналогичный “Predpol” [14].

Но компания “The Predictive Policing Company” не только продолжает развивать существующее, но и создает новые нишевые аналитические решения, как, например, прогнозирование областей боевых потерь военнослужащих армии США на поле боя в Ираке (работа финансировалась Пентагоном в рамках проекта “Minerva Initiative”) [15] или решение для повышения эффективности прогнозирования и расследования преступлений, совершенных организованными преступными группами (бандами) [16].

Великобритания. Полиция английского графства Кент была первым подразделением правоохранительных органов Великобритании (Англия и Уэльс), которое использовало в работе решение для прогнозирования преступлений, основанное на алгоритмах анализа больших данных (ту самую систему “PredPol”, речь о которой шла выше) [17].

При этом полиция Великобритании уже довольно давно применяет более “простые” решения для предиктивной аналитики, например, картирование “горячих точек” (“hot-spot mapping”), в которых риск совершения преступлений более высок; прогнозные модели “повторяющихся случаев”, разработанные учеными из Института Безопасности и Криминологии Джилл Дандо (“Jill Dando Institute of Security and Crime Science”) Университетского колледжа Лондона (“University College London”, “UCL”). Также в разные годы на практике применялись узконаправленные решения, типа прогнозной системы случаев повторяющегося домашнего насилия “RFG” (“Recency, Frequency and Gravity system”, использовалась в Стратклайде, Уэссексе, Нортумбрии в период в 2009–13 гг.) [18] или ее более развитой “реинкарнации” в форме системы для “контроля лиц, уязвимых или подверженных риску причинения вреда”, “iVPD” (“interim Vulnerable Persons Database”, использовалась в 2015–18 гг. в Шотландии) [19].

Что же касается разработок на основе искусственного интеллекта и больших данных, то на сегодняшний день известно следующее.

Во-первых, полиция Лондона уже тестирует систему для прогнозирования совершения отдельных видов преступлений, аналогичную “PredPol”, но созданную уже собственными силами. Подчеркивается, что эта система также не использует персональные данные [17].

Другое направление применения искусственного интеллекта — для прогнозирования потенциальных преступников и жертв тяжелых насильственных преступлений. Такое решение разработала полиция Уэст-Мидлендса (охватывает города Бирмингем, Ковентри и Вулверхэмптон). Эта система носит название “NDAS” (“National Data Analytics Solution”) [13].

При помощи “NDAS” британская полиция хочет получать прогнозы о гражданах, которые рискуют совершить преступление с применением огнестрельного или холодного оружия или стать жертвами такого преступления, а также тех, кто может стать жертвами “современной” формы рабства. Прогнозы генерируются на основе машинного обучения на основе информации из различных местных и национальных полицейских баз данных, в том числе, отчетов о преступлениях, записей о задержаниях, розысках, отчетах о пропавших без вести, а также школ, социальных служб и др. Заявляется, что эти прогнозы будут использованы не для арестов, а для “раннего вмешательства” со стороны социальных работников или работников здравоохранения, чтобы помочь удержать потенциальных правонарушителей от совершения преступления или защитить потенциальных жертв [21].

Вполне вероятно, что в “NDAS” сможет найти свое применение и другая разработка Кембриджского университета и полиции Дарема — “Инструмент оценки рисков вреда” (“Hart”).

“Hart” прогнозирует вероятность повторного правонарушения ранее судимыми лицами. Решение применяет машинное обучение для определения вероятности повторного совершения человеком насильственного или ненасильственного преступления в течение следующих двух лет на основе таких данных, как предыдущая криминальная история, возраст и адрес проживания [22].

Более того, некоторые подразделения правоохранительных органов Великобритании стали руководствоваться советами ИИ при принятии решений о том, целесообразно ли браться за расследование конкретного преступления, или это “не имеет смысла” [23]. Так, уже упоминавшаяся выше полиция графства Кент, в течение года использует “Инструмент расследования, основанный на доказуемости” (“Evidence Based Investigation Tool”, “EBIT”) — алгоритм для получения вероятностного прогноза потенциальной раскрываемости преступлений некоторых типов (в т.ч. уличные нападения, нарушения общественного порядка, которые составляют большую часть регистрируемых преступлений).

Из всего круга зарегистрированных преступлений, ИИ указывает на те, которые с наибольшей вероятностью могут быть раскрыты, а также те, вероятность успешного расследования которых стремится к нулю.

“Полицейские, естественно, хотят расследовать все [дела], чтобы поймать преступников. Но если анализ раскрываемости показывает, что шансов на успешное расследование нет, ресурсы более эффективно использовать для других расследований”, Бен Линтон, Полиция Лондона (Metropolitan Police)

Создатель “EBIT” — сотрудник Кембриджского университета, Кент Макфадзен, — обучил алгоритм на тысячах нападений и случаев нарушения общественного порядка. Он определил восемь факторов, которые, влияют на то, может ли преступление быть, в конечном итоге, расследовано: наличие свидетелей, записей с камер видеонаблюдения, конкретных подозреваемых и др. Алгоритм прогноза основан на прошлых данных, но “вес” факторов со временем может меняться, соответственно, в системе могут накапливаться ошибки (“отклонения”). Для частичного нивелирования этих ошибок, в “EBIT” заложен механизм “слепых тестов”: алгоритм каждый день специально включает в число рекомендуемых для расследования 1–2 случайно выбранных преступления с низкой вероятностью раскрытия. При этом для следователей остается скрытым, то какие именно преступления расследовать маловероятно.

Прежде чем полиция Кента начала использовать EBIT, офицеры открывали расследования в отношении 75% зарегистрированных преступлений. Соответственно, все эти расследования требовали людских и материальных затрат, вне зависимости от того, оказывались ли они, в конечном счете, успешными или завершались ничем. Теперь, на основе рекомендаций EBIT, полиция Кента, открывает расследования для 40% зарегистрированных преступлений, “наиболее перспективных” для раскрытия. При это количество обвинительных заключений не снизилось. То есть эффективность “расходования” ресурсов — возросла.

Япония. Власти префектуры Канагава (Kanagawa) объявили о планах первыми в стране развернуть систему прогнозирования преступлений к проведению Олимпийских игр, которые пройдут в Токио летом 2020 года. Планируется, что основанная на искусственном интеллекте прогнозная система будет использовать алгоритмы глубокого анализа больших данных и самообучения.

Модель прогнозирования преступлений будет использовать криминологические, математические и статистические методы анализа данных о времени, месте, погоде, географических условиях и других характеристиках преступлений и инцидентов, а также информацию из внешних источников (например, из социальной сети “Twitter”) [24].

Разработкой системы занимается новая технологическая компания “Singular Perturbations Inc.” совместно с полицией префектуры. “Singular Perturbations Inc.” уже пробует адаптировать существующие модели и методы прогнозирования преступлений, с учетом специфичных условий, свойственных Японии.

“Нам необходимо продолжить изучение механизмов преступности, уникальных для Японии”, Мами Кадзита (Mami Kajita), основатель компании Singular Perturbations Inc.

Компания начала работу с адаптации и совершенствования опыта использования прогнозной модели повторных землетрясений (“Epidemic-type aftershock sequence”, “ETAS”), эффективность которой для прогнозирования преступлений была обоснована в проекте “PredPol”, о котором уже говорилось выше. По сведениям, приведенным в недавно опубликованной научной статье, исследователям из компании “Singular Perturbations Inc.” удалось повысить точность прогнозов преступлений “ETAS”-модели путем адаптации, за счет использования функции Грина (“Data-Driven Green’s Function”, “DDGF”) [25].

Источники:

[1] Mark Smith. Can we predict when and where a crime will take place? / BBC, Oct.,2018 / https://www.bbc.com/news/business-46017239

[2] Peter Sloly, Lauren Jackson. Safe. Smart. Connected / Deloitte, May, 2018 / https://www2.deloitte.com/ca/en/pages/public-sector/articles/safe-smart-connected.html

[3] Сергей Карелов. Впереди ИИ-национализм и ИИ-национализация: анализ влияния технологий ИИ на геополитику / Medium, Окт., 2018 / https://bit.ly/2QEx1B0

[4] Kai-Fu Lee. The Four Waves of A.I. / Fortune, Oct., 2018 / http://fortune.com/2018/10/22/artificial-intelligence-ai-deep-learning-kai-fu-lee/

[5] Carrie B. Sanders, James Sheptycki. Policing, crime and ‘big data’; towards a critique of the moral economy of stochastic governance // Crime, Law and Social Change. — September 2017, Volume 68, Issue 1–2, pp 1–15

[6] The Three Pillars of Predictive Policing / The Predictive Policing Company, 2019 / https://www.predpol.com/law-enforcement/#predPolicing

[7] Ellen Huet. Server And Protect: Predictive Policing Firm PredPol Promises To Map Crime Before It Happens \ Forbes, Feb., 2015 \ https://www.forbes.com/sites/ellenhuet/2015/02/11/predpol-predictive-policing/#10b254004f9b

[8] The Three Pillars of Predictive Policing / The Predictive Policing Company, 2019 / https://www.predpol.com/law-enforcement/#predPolicing

[9] Mark Smith. Can we predict when and where a crime will take place? / BBC, Oct.,2018 / https://www.bbc.com/news/business-46017239

[10] Ellen Huet. Server And Protect: Predictive Policing Firm PredPol Promises To Map Crime Before It Happens \ Forbes, Feb., 2015 \ https://www.forbes.com/sites/ellenhuet/2015/02/11/predpol-predictive-policing/#10b254004f9b

[11] Lyria Bennett Moses, Janet Chan. Algorithmic prediction in policing: assumptions, evaluation, and accountability / Journal Policing and Society : An International Journal of Research and Policy, Vol.28, 2018 — Issue 7 / https://doi.org/10.1080/10439463.2016.1253695

[12] Ferguson, Andrew Guthrie, Policing Predictive Policing (April 15, 2016). Washington University Law Review, Vol. 94, №5, 2017. Available at SSRN: https://ssrn.com/abstract=2765525

[13] Priscillia Hunt, Jessica Saunders, John S. Hollywood. Evaluation of the Shreveport Predictive Policing Experiment / RAND Corp., #33, 2014 / https://www.ncjrs.gov/pdffiles1/nij/grants/248883.pdf

[14] Hasan Chowdhury. Kent Police stop using crime predicting software / The Telegraph, Nov.,2018 / https://www.telegraph.co.uk/technology/2018/11/27/kent-police-stop-using-crime-predicting-software/

[15] Ali Winston, Ingrid Burrington. A pioneer in predictive policing is starting a troubling new project: Pentagon-funded research aims to predict when crimes are gang-related / The Verge, Apr., 2018 / https://www.theverge.com/2018/4/26/17285058/predictive-policing-predpol-pentagon-ai-racial-bias

[16] Sungyong Seo, Hau Chan, P. Jeffrey Brantingham, Jorja Leap, Phebe Vayanos, Milind Tambe, Yan Liu. Partially Generative Neural Networks for Gang Crime Classification with Partial Information / AAAI/ACM Conference, Dec., 2018 / Doi:10.1145/3278721.3278758

[17] Patricia Nilsson. First UK police force to try predictive policing ends contract / Financial Times, Nov., 2018 / https://www.ft.com/content/b34b0b08-ef19-11e8-89c8-d36339d835c0

[18] Case Study — RFG Methodology / Jovian analytics, 2016 / https://irp-cdn.multiscreensite.com/6e58e70e/files/uploaded/Case%20Study%20RFG.pdf

[19] Alison Preuss. Law-breaking Scottish police database gets bigger / Express, Nov., 2018 / https://www.express.co.uk/news/uk/1046854/police-database-scotland-data-protection-act

[20] Chris Baraniuk. Exclusive: UK police wants AI to stop violent crime before it happens / New Scientist, Nov., 2018 / https://www.newscientist.com/article/2186512-exclusive-uk-police-wants-ai-to-stop-violent-crime-before-it-happens/

[21] Edd Gent. Britain Is Developing an AI-Powered Predictive Policing System / SingularityHub, Dec., 2018 / https://singularityhub.com/2018/12/03/britain-is-developing-an-ai-powered-predictive-policing-system/#sm.0000adryf1srxcxk11hzic693r3gb

[22] UK police use of computer programs to predict crime sparks discrimination warning / The Guardian, Feb., 2019 / https://www.theguardian.com/uk-news/2019/feb/03/police-risk-racial-profiling-by-using-data-to-predict-reoffenders-report-warns

[23] Joshua Howgego. Police algorithm favours easy cases / New Scientist, Vol.241, Iss.3212, Jan., 2019 / https://www.newscientist.com/article/2189986-a-uk-police-force-is-dropping-tricky-cases-on-advice-of-an-algorithm/ https://doi.org/10.1016/S0262-4079(19)30040-5

[24] Japan considers crime prediction system using big data and AI / The Japan Times, Jun., 2018 / https://www.japantimes.co.jp/news/2018/06/24/national/crime-legal/japan-mulling-crime-prediction-using-big-data-ai/#.XHdxjogzaUk

[25] Mami Kajitaa, Seiji Kajitaa. Crime Prediction by Data-Driven Green’s Function method / Journal of LATEX Templates February. 2019. #1 / https://arxiv.org/pdf/1704.00240.pdf\