پلیس‌ها از هوش مصنوعی چه استفاده‌ای می‌کنند؟

با تکامل فناوری، چهارچوب‌های انتظامی از راهبرد واکنشی به نوع پیشگیرانه‌ای تغییر یافتند که بر جلوگیری از جرم، پیش از وقوع تأکید دارد. انتظام پیش‌بینانه یا predictive policing چنین روشی است. سازمان‌های عامل قانون از فناوری، داده و تحلیل، هم برای پیش‌بینی مکان‌هایی که احتمال وقوع جرم در آن‌ها هست و هم برای شناسایی افرادی که بیشترین احتمال ارتکاب جرم دارند، استفاده می‌کنند.

هوش مصنوعی (AI) در دنیای ما تبدیل به یک عضو جدایی‌ناپذیر از زندگی خصوصی و حرفه‌ای افراد شده. به همین صورت نیز AI روال‌های مرسوم اعمال قانون را در بخش‌های مختلف دنیا دگرگون ساخته و کشور‌ها به استفاده از ابزار‌های هوش مصنوعی نظیر الگوریتم‌های انتظامی پیش‌بینانه، نظارت زیست‌سنجانه و تشخیص چهره روی آورده‌اند. به طور خاص، مجریان قانون با ادغام سامانه‌های AI به شناسایی کانون‌های وقوع جرم و تخصیص بهینه منابع انتظامی می‌پردازند، امری که در پیام رهبر معظم انقلاب خطاب به فراجا به مناسبت هفته انتظامی نیز بازتاب داشت. بسیاری از کشور‌ها از هوش مصنوعی به‌عنوان ابزار انتظامی بهره می‌برند؛ اما طراحی و شیوه اجرای آن نشان می‌دهد که هر کشور به چه چیزی در تکنیک‌های اعمال قانون خود اولویت می‌دهد. هرچند که چند سال است بازار پدیده‌ای به نام AI گرم شده، ولی فناوری‌های هوش مصنوعی مانند یادگیری ماشینی، تحلیل کلان‌داده و پردازش زبان طبیعی از دهه‌های قبل در انتظام پیش‌بینانه به کار گرفته می‌شدند.

نوشتار زیر که بخشی از مقاله است توسط ژورنال بین‌المللی حقوق دانشگاه کورنل آمریکا منتشر شده، در ابتدا به مقوله الگوریتم‌های پیش‌بینانه انتظامی می‌پردازد و سپس مصادیق استفاده از آن‌ها را در کشور‌های ایالات متحده، چین، هند و آلمان (به‌عنوان یک مطالعه موردی از اتحادیه اروپا) بررسی می‌کند. انتخاب این کشور‌ها حسب استفاده فعالانه آن‌ها از الگوریتم‌های مذکور در امور انتظامی، توسعه و یا عدم توسعه سیاست‌های مرتبط با AI صورت گرفته است. هر کدام از این کشور‌ها، فلسفه خاصی در باب استفاده از هوش مصنوعی دارند؛ ایالات متحده از آن برای کاهش کنشگرانه جرم استفاده می‌کند؛ ولی با مشکل سوگیری نژادی. چین از تاکتیک‌های نظارت فراگیر بهره می‌برد؛ ولی غالباً به قیمت حریم خصوصی. هند از آن برای مقابله با تخصیص منابع بر پایه جمعیت استفاده می‌کند. نهایتاً اتحادیه اروپا، پیشتاز توسعه چهارچوب‌های تنظیم‌گری برای حفاظت از حقوق شهروندان است. استفاده جهانی از چنین فناوری‌هایی، چالش‌ها و فرصت‌های جدیدی را در مقابل کشور‌ها قرار می‌دهد و کشور‌ها نیز برای حصول موفقیت، باید بتوانند به نوبه خود، راهکار متوازنی برای بهره‌گیری مناسب از آن‌ها پیدا کنند.

الگوریتم‌های انتظامی پیش‌بینانه چه هستند؟

تعریف انتظام پیش‌بینانه، نقش مرکزی هوش مصنوعی را توسعه و کارکرد‌های آینده آن نشان خواهد داد. یک تعریف آن را پری ارائه داده که می‌گوید «انتظام پیش‌بینانه، اعمال روش‌های تحلیلی – خاصه روش‌های کمی – جهت پیش‌بینی آماری و شناسایی اهداف محتمل برای دخالت و پیشگیری از جرم یا حل جرائم گذشته توسط پلیس است.» بنابراین تعریف مشخص می‌شود که کشور‌هایی که در تجمیع داده و تحلیل آن توانمند هستند، مستعدتر از دیگران در اعمال روش‌های انتظامی پیش‌بینانه هستند. این دست تعاریف نشان می‌دهند که چطور فناوری، راهبری روش‌های مدرن انتظامی پیش‌بینانه را در دست دارد و چگونه AI به‌عنوان مهم‌ترین ابزار آن ظهور کرده.

برای درک نقش هوش مصنوعی به‌عنوان ابزار انتظامی، ضروری است ابتدا تعریف کلی و دامنه آن مشخص شود. به‌کارگیری هوش مصنوعی در امور روزمره پدیده‌ای نسبتاً جدید است که اخیراً با ظهور سامانه‌هایی نظیر OpenAI و متا گسترش یافته است. بااین‌حال، ایده‌های مرتبط با هوش مصنوعی را می‌توان تا قرن بیستم و طرح آزمون تورینگ توسط آلن تورینگ ردیابی کرد. او بر این باور بود که اگر یک ماشین قادر باشد همان رفتار‌های ذهنی انسان را اجرا کند، می‌توان آن را واجد هوشمندی دانست.

فناوری‌های هوش مصنوعی در حال تبدیل‌شدن به عنصری محوری در تمامی سامانه‌های دیجیتالی هستند که هدفشان شناسایی افراد بر اساس ویژگی‌های فیزیکی آنهاست. اگرچه این سامانه‌ها با میزانی از خطا همراه هستند؛ ولی به سامانه‌های انتظام پیش‌بینانه کمک می‌کنند، چرا که قادرند افراد را از روی ظاهر، نحوه راه‌رفتن و گفتارشان شناسایی کنند. نهاد‌های مجری قانون از هوش مصنوعی برای کارکرد‌های گوناگونی نظیر امور اداری، مسائل شخصی، پزشکی قانونی، تشخیص چهره و نظارت استفاده می‌کنند.

انتظام پیش‌بینانه از هوش مصنوعی برای تجمیع داده‌هایی استفاده می‌کند که مبنای ارزیابی زمان و مکان وقوع جرائم قرار می‌گیرند. این سامانه‌ها از زمان و مکان به‌عنوان معیار‌هایی برای تخصیص منابع پلیس به‌منظور پیشگیری از جرم و دستگیری مجرمان بهره می‌گیرند. هدف اصلی این فناوری‌ها، تحقق اصل «انجام کار بیشتر با منابع کمتر» از طریق واردکردن ارزیابی‌های نهاد‌های مجری قانون درباره جرائم به یک سامانه فناورانه است. این روش‌های انتظام پیش‌بینانه، داده‌های زمانی و مکانی را روی نقشه‌ها نمایش می‌دهند؛ داده‌هایی که در گذر زمان، مناطق متمرکز وقوع جرم را مشخص می‌کنند. حاصل این فرایند، نوعی «پیش‌بینی» دوگانه از مکان‌های محتمل وقوع جرم و افرادی است که احتمال می‌رود مرتکب آن شوند. اگرچه نهاد‌های مجری قانون در سراسر جهان همچنان به ادغام این فناوری‌ها ادامه می‌دهند، اعمال آن‌ها هنوز در مراحل اولیه قرار دارد و ارزیابی پیامد‌های منفی‌شان دشوار است.

تحلیل نقاط جرم‌خیز (Hot Spot Analysis) یکی از روش‌های انتظام پیش‌بینانه است که از هوش مصنوعی به‌عنوان ابزاری برای نقشه‌برداری جرم استفاده می‌کند. این نوع الگوسازی مبتنی بر مجرم، بر اساس عوامل عمومی نظیر سن، سابقه کیفری، سوابق اشتغال و هرگونه وابستگی اجتماعی یا مذهبی، نمایه‌های ریسک افراد حاضر در نظام عدالت کیفری را ایجاد می‌کند. نهاد‌های مجری قانون نظیر پلیس یا قضات از این نمایه‌ها برای تعیین این موضوع استفاده می‌کنند که آیا فرد باید تحت نظارت قرار گیرد یا به نهادی دیگر (مانند خدمات اجتماعی) ارجاع داده شود. علاوه بر این، سامانه‌های انتظامی پیش‌بینانه از الگوسازی زمین‌مکانی نیز برای ایجاد همین نوع نمایه ریسک برای مکان‌ها استفاده می‌کنند. حوزه‌های قضایی به سلول‌های شبکه‌ای تقسیم می‌شوند و الگوریتم انتظام پیش‌بینانه با استفاده از داده‌ها، نرخ وقوع جرم را پیش‌بینی کرده و پیشنهاد‌هایی در خصوص زمان و مکان استقرار مأموران گشت در اختیار نهاد‌های مجری قانون قرار می‌دهد.

دامنه کاربرد هوش مصنوعی در انتظام پیش‌بینانه، تحلیل داده‌های جرائم گذشته به‌منظور پیش‌بینی مکان‌ها و افرادی است که مستعد افزایش فعالیت‌های مجرمانه هستند. پری و همکاران، برای تبیین این دامنه کاربرد هوش مصنوعی، روش‌های انتظامی پیش‌بینانه را به چهار دسته تقسیم می‌کنند: روش‌های آماری کلاسیک، روش‌های ساده، کاربرد‌های پیچیده و روش‌های متناسب‌سازی‌شده. بر اساس این چهارچوب، کاربرد هوش مصنوعی در دو دسته قرار می‌گیرد. نخست، در زمره روش‌های کلاسیک که فرایند‌های آماری نظیر اغلب اشکال رگرسیون داده‌ها، داده‌کاوی و تحلیل‌های زمانی را دربر می‌گیرند و دوم، در زمره کاربرد‌های پیچیده که شامل روش‌های نوآورانه موردنیاز برای بررسی حجم بالایی از داده‌ها هستند. هوش مصنوعی به دلیل توانایی خود در مرتب‌سازی و گروه‌بندی حجم بالایی از داده‌ها، در این دو دسته قرار می‌گیرد. بااین‌حال، حوزه‌هایی از انتظام پیش‌بینانه (نظیر روش‌های ساده) همچنان وجود دارند که به حجم بالایی از داده‌ها نیاز ندارند. این دسته‌بندی‌ها نشان می‌دهند که هوش مصنوعی نقشی محوری در گسترش الگو‌های انتظام پیش‌بینانه دارد، اما لزوماً شیوه فعالیت افراد در نهاد‌های مجری قانون را به طور کامل متحول نخواهد کرد.

کاربرد الگوریتم‌های انتظامی پیش‌بینانه در آمریکا

این کشور به استفاده گسترده از هوش مصنوعی در انتظام پیش‌بینانه در شهر‌های مختلف شناخته می‌شود. استفاده از AI به‌عنوان ابزاری انتظامی از سال ۲۰۱۱ آغاز شد، زمانی که پژوهشگرانی از سه دانشگاه با اداره پلیس سانتا کروز همکاری کردند تا PredPol را به‌عنوان فناوری انتظام پیش‌بینانه توسعه دهند. این فناوری با تحلیل داده‌های تاریخی جرائم، فعالیت‌های مجرمانه احتمالی را در مناطق مشخص پیش‌بینی می‌کند تا منابع پلیس به‌صورت پیش‌دستانه مستقر شوند. این فناوری قادر است مکان‌هایی را شناسایی کند که در بازه زمانی معینی مستعد وقوع حجم بالایی از فعالیت‌های مجرمانه هستند. این برنامه بر سه متغیر اصلی متکی است: نوع جرم، داده و زمان، و مکان.

استفاده از هوش مصنوعی به‌عنوان ابزاری برای تحلیل داده‌های تاریخی در انتظام پیش‌بینانه، در شهر‌های دیگری از ایالات متحده نیز نتایج موفقیت‌آمیزی داشته است. اداره پلیس لس‌آنجلس (LAPD) برنامه‌ای با عنوان «استخراج و بازسازی راهبردی لس‌آنجلس» (LASER) ایجاد کرد که با استفاده از داده‌های تاریخی جرائم و الگوریتم‌های پیش‌بینانه، نقاط جرم‌خیز را شناسایی می‌کند. LASER نه‌تنها نشانه‌هایی از محله‌های «پرخطر» ارائه می‌دهد، بلکه به پلیس امکان می‌دهد داده‌های لحظه‌ای را نیز وارد سامانه کند و نقشه‌هایی ایجاد کند که مأموران بتوانند از آن‌ها برای مداخله در جرائم پیش از وقوعشان استفاده کنند. این برنامه امکان انتظام پیش‌دستانه را برای اداره پلیس لس‌آنجلس فراهم کرد و پس از دوره اجرای آن در سال ۲۰۱۶، به کاهش ۲۵ درصدی جرم در نقاط جرم‌خیز شناسایی‌شده انجامید. به طور مشابه، اداره پلیس کنت در ایالت واشنگتن، در سالی که PredPol را در روش‌های انتظام پیش‌بینانه خود ادغام کرد، شاهد کاهش ۱۳ درصدی جرائم بود. PredPol به پلیس کنت امکان داد بر مناطق جرم‌خیزی که الگوریتم شناسایی کرده بود تمرکز کند؛ امری که روش‌های بازدارندگی و زمان واکنش پلیس را بهبود بخشید.

اجرای انتظام پیش‌بینانه در ریچموند، ایالت ویرجینیا، ازاین‌جهت منحصربه‌فرد است که نشان می‌دهد استفاده ایالات متحده از هوش مصنوعی در انتظام پیش‌بینانه، نه‌تنها کاهش نرخ جرم، بلکه ارتقای امنیت جامعه را نیز به بار می‌آورد. پلیس ریچموند الگوریتم‌های انتظام پیش‌بینانه را به طور مشخص برای مقابله با خشونت مسلحانه به کار گرفت و از سامانه‌هایی با رویکرد فردمحور استفاده کرد که افراد معینی را چه به‌عنوان مرتکب و چه در مقام افراد در معرض خطر در دسته «افراد دارای احتمال بالای مشارکت در جرائم خشونت‌آمیز» قرار می‌دادند. اداره پلیس ریچموند گزارش کرده است که از زمان اجرای این برنامه در سال ۲۰۲۰، استفاده از الگوریتم طی دو سال به کاهش ۴۰ درصدی خشونت مسلحانه انجامیده است. این نمونه، در کنار PredPol وLASER، ممکن است تنها بخش کوچکی از مجموعه الگوریتم‌های انتظام پیش‌بینانه مورداستفاده در سراسر ایالات متحده باشد. بااین‌حال، این موارد نشان می‌دهند که الگوریتم‌های انتظام پیش‌بینانه، در صورت اجرای مؤثر، به کاهش نرخ جرم منجر شده‌اند.

نگرانی اصلی در ایالات متحده در خصوص الگوریتم‌های انتظام پیش‌بینانه، استفاده آن‌ها از داده‌های تاریخی و این باور است که چنین امری به تشدید نظارت پلیس بر برخی جوامع منجر می‌شود. مطالعات نشان می‌دهند که استفاده از رایانه برای تخصیص مسئولیت‌های انتظامی، فرایند تصمیم‌گیری را از فرد به ماشینی منتقل می‌کند که نه مبتنی بر روش علمی و شواهد است و نه از بی‌طرفی نژادی برخوردار است. برای مثال، برنامه انتظام پیش‌بینانه اداره پلیس شیکاگو به دلیل سوگیری نژادی مورد انتقاد قرار گرفت. الگوریتم این برنامه، بر اساس عواملی مرتبط با «ارتباطات» افراد، به آن‌ها امتیاز‌هایی اختصاص می‌داد که احتمال مشارکتشان در خشونت مسلحانه را نشان می‌داد. منتقدان این الگوریتم دریافتند که این سامانه به طور نامتناسبی جوامع سیاه‌پوست و لاتین‌تبار را هدف قرار می‌دهد و در نتیجه، به پیش‌داوری‌های نژادی موجود در نظام پلیس در سراسر کشور دامن می‌زند. یک استدلال وجود دارد که الگوریتم‌ها در ایالات متحده داده‌های مفیدی درباره جرائم فراهم کرده‌اند، اما درعین‌حال، سوگیری‌های نژادی را تقویت می‌کنند، چرا که عوامل انتخاب‌شده برای ارزیابی ریسک می‌توانند تأثیری نامتناسب بر جوامع رنگین‌پوست داشته باشند. شهر‌های ایالات متحده از نظر ترکیب جمعیتی، محل سکونت گروه‌های نژادی خاص یا جمعیت‌های برخوردار از ثروت بیشتر هستند، امری که می‌تواند بر آثار تبعیض‌آمیز فناوری‌های پیش‌بینانه تأثیر بگذارد؛ بنابراین، سوگیری نه از خود الگوریتم، بلکه از عواملی ناشی می‌شود که در طراحی آن موردتوجه قرار نمی‌گیرند, عواملی نظیر ملاحظات دنیای واقعی.

دوربین‌های همیشه بیدار چینی

چین نیز در حال پیاده‌سازی سامانه‌های انتظام پیش‌بینانه مبتنی بر هوش مصنوعی برای شناسایی و پیش‌بینی جرم در سراسر کشور است. اگرچه تعیین ابعاد واقعی استفاده چین از هوش مصنوعی دشوار است، برخی سامانه‌های شناخته‌شده در اختیار پلیس در سراسر کشور قرار دارند. CloudWalk یک شرکت هوش مصنوعی است که فناوری آن به‌عنوان ابزاری برای انتظام پیش‌بینانه در بیش از پنجاه شهر و استان چین به کار گرفته می‌شود و کاربرد‌های گوناگونی دارد: تشخیص چهره برای ردیابی افراد، تحلیل سوابق خرید، علامت‌گذاری «فعالیت‌های مشکوک» نظیر مراجعه مکرر به فروشگاه‌های اسلحه، شناسایی افرادی که میان مکان‌های مختلف سفر می‌کنند و پیش‌بینی افرادی که ممکن است پیش از وقوع جرم مرتکب آن شوند. این سامانه با PredPol که در ایالات متحده مورداستفاده قرار می‌گیرد، قابل‌مقایسه است. بااین‌حال، تعریف «فعالیت‌های مشکوک» حاکی از بعدی افزوده از نظارت است. CloudWalk همچنین با تحلیل داده‌های تاریخی جرائم، شبکه‌های اجتماعی و وضعیت آب‌وهوا، از هوش مصنوعی برای تولید نقشه‌های پیش‌بینی جرم و شناسایی نقاط جرم‌خیز استفاده می‌کند تا به پلیس در تخصیص منابع برای گشت‌زنی یاری رساند.

یکی از شهر‌های چین اخیراً به دلیل گسترش استفاده از الگوریتم‌های انتظام پیش‌بینانه موردتوجه جهانی قرار گرفته است. شهر گویی‌یانگ یک سامانه نظارتی مبتنی بر هوش مصنوعی با عنوان اسکای‌نت راه‌اندازی کرده و با نصب بیش از ۱۰ هزار دوربین در سطح شهر، به پلیس امکان داده است تا با استفاده از تشخیص چهره در زمان واقعی، مظنونان را شناسایی و دستگیر کند. چین اکنون در حال گسترش این قابلیت نظارتی در سطح کشور است و در حال حاضر بیش از ۷۰۰ میلیون دوربین در چین وجود دارد. مقامات اعلام کرده‌اند قصد دارند «از این اطلاعات برای پیش‌بینی جرم پیش از وقوع آن استفاده کنند.» باوجوداین هدف‌گذاری، هنوز تأیید نشده است که آیا نیرو‌های پلیس چین از اسکای‌نت برای تحقق هدف اولیه آن استفاده کرده‌اند یا خیر.

ملاحظات اخلاقی، فقدان توازن میان امنیت دولت و آزادی‌های فردی را در استفاده از هوش مصنوعی برای نظارت بر شهروندان در اماکن عمومی چین برجسته می‌کنند. بااین‌حال، چین در برابر اتهامات مربوط به نقض حقوق بشر در استفاده از هوش مصنوعی به‌عنوان ابزاری برای انتظام پیش‌بینانه، موضعی سخت‌گیرانه اتخاذ کرده است. برای مثال، گلوبال‌تایمز درباره سامانه اسکای‌نت و سامانه‌های مشابه در سراسر چین گزارش داده است که این فناوری‌ها «حریم خصوصی و حقوق بشر افراد را نقض نمی‌کنند، زیرا اطلاعات چهره صرفاً در اماکن عمومی جمع‌آوری می‌شود.» از یک‌سو، بخشی از این مسئله ناشی از آن است که ارزش‌های سنتی چین، حقوق افراد را به شیوه‌ای متفاوت از کشور‌های غربی تعریف می‌کنند. ازسوی‌دیگر، چین در توسعه الگوریتم‌های هوش مصنوعی رویکرد «جبران عقب‌ماندگی» را در پیش گرفته و با تأمین مالی قابل‌توجه و همکاری با کشور‌های دیگر، از «قهرمانان ملی» حمایت می‌کند؛ شرکت‌هایی که سامانه‌های هوش مصنوعی کارآمدی توسعه می‌دهند.

رقابت الگوریتم و میلیاردها هندی

هند در دو دهه گذشته به‌عنوان یکی از پیش‌گامان توسعه فناوری هوش مصنوعی ظهور کرده و در میان 10 کشور برتر جهان در حوزه AI رتبه هشتم و در تولید یادداشت‌های علمی مرتبط با AI رتبه چهارم جهان را به خود اختصاص داده است. چندین ایالت هند سامانه‌های مختلف انتظام پیش‌بینانه مبتنی بر هوش مصنوعی را به کار گرفته‌اند. در ژانویه ۲۰۲۰، ایالت هیماچال پرادش بیش از ۱۹ هزار دوربین مداربسته (ماتریس نظارت دوربین‌های مداربسته) نصب کرد تا روش‌های پیش‌بینانه خود را تقویت کند. اوتار پرادش که حدود ۱۷ درصد جمعیت هند را در خود جای‌داده است، اعلام کرده بر انتظام پیش‌بینانه مبتنی بر هوش مصنوعی برای شناسایی مناطق پرخطر و پیشگیری از جرائم تمرکز خواهد کرد. هر یک از این سامانه‌های AI معمولاً داده‌هایی از جمله سوابق تاریخی جرائم، اطلاعات جغرافیایی، تصاویر ماهواره‌ای، تماس‌های اضطراری، تصاویر دوربین‌های مداربسته و شرایط اجتماعی – اقتصادی را پردازش می‌کنند.

اداره ملی ثبت جرائم هند نیز اخیراً از سامانه خودکار تشخیص چهره هند رونمایی کرده است؛ سامانه‌ای که برای «شناسایی مجرمان، تأیید هویت و انتشار اطلاعات مربوطه میان سازمان‌ها و واحدهای مختلف پلیس در سراسر کشور» به کار گرفته خواهد شد. جمعیت هند یکی از دلایل سودمندی چنین الگوریتم‌هایی است؛ چراکه جمعیت زیاد این کشور، پاسخگویی پلیس به‌تمامی مسائل مطرح شده از سوی شهروندان را دشوار می‌سازد.

این بحث بر دهلی‌نو متمرکز خواهد بود؛ چراکه این شهر پایتخت هند با جمعیتی نزدیک به ۳۰ میلیون نفر، یکی از نخستین شهرهای این کشور است که سامانه‌های انتظام پیش‌بینانه را به کار گرفته است. اقدامات پایتخت در زمینه روش‌های انتظام پیش‌بینانه، خاصه به دلیل آمار بالای خشونت علیه زنان حائز اهمیت است، چون موجب افزایش حساسیت نسبت به مداخلات پلیس در سراسر کشور شده است. در سال ۲۰۱۵، نهادهای مجری قانون در دهلی‌نو اعلام کردند که سامانه «نقشه‌برداری، تحلیل و نقشه‌سازی جرائم» (CMAPs) را پیاده‌سازی خواهند کرد. این سامانه از تماس‌های اضطراری برای پیش‌بینی نقاط جرم‌خیز استفاده می‌کند. CMAPs با همکاری سازمان پژوهش‌های فضایی هند ایجاد شد تا داده‌های مرکز تماس اضطراری هند و داده‌های تاریخی گزارش‌های اولیه اطلاعاتی (FIR) را که در سامانه‌های شبکه ردیابی مجرمان دهلی‌نو ذخیره شده‌اند، به کار گیرد.

این سامانه همچنین توسط پلیس گوروگرام و کلکته مورداستفاده قرار می‌گیرد. گزارش‌های منتشرشده در منابع عمومی نشان می‌دهند CMAPs به‌عنوان ابزاری الگوریتمی برای پلیس دهلی موفقیت‌آمیز بوده و در مواردی، استفاده از آن به نجات جان افراد و کمک به دستگیری‌ها منجر شده است. بااین‌حال، باید توجه داشت CMAPs نخستین تلاش دولت برای استفاده از هوش مصنوعی در نقشه‌برداری نقاط جرم‌خیز است؛ بنابراین، آثار واقعی آن همچنان نامشخص هستند.

یکی از نگرانی‌ها در هند، عملکرد سوگیرانه سامانه‌های انتظام پیش‌بینانه در نتیجه توسعه سریع آنهاست. این استدلال وجود دارد که اگر این سامانه‌ها با مجموعه داده‌هایی آموزش ببینند که شامل چهره‌های خاصی، نظیر زنان، کودکان و اقلیت‌ها باشند، ممکن است عملکردی سوگیرانه از خود نشان دهند. شواهد تجربی نشان می‌دهند توزیع کلانتری‌ها در دهلی نامتوازن است و کلانتری‌ها تمایل دارند در مناطق دارای جمعیت مسلمان متمرکز شوند. این تمرکز بیشتر، مستقیماً بر انتظام پیش‌بینانه تأثیر می‌گذارد؛ زیرا در این مناطق دوربین‌های مداربسته بیشتری نصب خواهد شد. طبعاً این امر ممکن است به تشدید نظارت پلیس و افزایش احتمال خطا منجر شود. بااین‌حال، باید این نگرانی را در کنار جمعیت زیاد هند و ضرورت تخصیص منابع پلیس برای رسیدگی به‌تمامی موارد وقوع جرم در نظر گرفت.

آلمان به دلیل تغییر جهت قابل‌توجه خود در فاصله گرفتن از استفاده از الگوریتم‌های انتظام پیش‌بینانه، شایان توجه است. رویکرد آلمان به‌عنوان یکی از اعضای اتحادیه اروپا، در زمینه تنظیم‌گری هوش مصنوعی توسط این اتحادیه و تأثیر آن بر نهادهای مجری قانون، نمونه‌ای گویاست. در ۱۶ فوریه ۲۰۲۳، دادگاه قانون اساسی فدرال آلمان استفاده از شرکت پالانتیر (شرکتی معروف و صاحب یک نرم‌افزار نظارتی قدرتمند) را به دلیل آثار تبعیض‌آمیز آن و نیز مغایرت با حق خودتعیین‌گری اطلاعاتی [مفهومی آلمانی معادل حریم خصوصی]، خلاف قانون اساسی اعلام کرد. الگوریتم مورد بحث که در ایالت هسن مورداستفاده قرار می‌گرفت، بر اساس الگوهای جرم و داده‌های سرشماری اجتماعی – اقتصادی، نقاط جرم‌خیز را شناسایی می‌کرد. این سامانه سپس، مشابه سایر الگوهای مورداستفاده در سراسر جهان، وقوع جرائم آینده را پیش‌بینی می‌کرد. پیامدهای فوری این حکم، نهادهای مجری قانون در هسن را ملزم کرد تا مقررات نرم‌افزاری خود را بازنویسی کنند، درحالی‌که نهادهای مجری قانون در هامبورگ ناچار شدند فناوری درحال‌توسعه خود را کنار بگذارند. این حکم تاریخی نمونه‌ای مهم از طرح پیامدهای استفاده از هوش مصنوعی در امور پلیسی در چهارچوب حقوقی یک کشور را نشان می‌دهد.

برای قرار دادن این تصمیم قضایی در بستر مناسب، درک میزان استفاده از هوش مصنوعی در امور پلیسی ضروری است. ایالت بایرن در سال ۲۰۱۵ نخستین الگوریتم انتظامی پیش‌بینانه کشور را باهدف پیشگیری و تحقیق درباره جرائم به کار گرفت، رویکردی که بعدها در ایالت بادن‌وورتمبرگ نیز اتخاذ شد. سامانه مشاهده پیش از وقوع جرم PRECOBs، صرفاً از داده‌های جرائم استفاده می‌کرد تا بر مجرمان حرفه‌ای متمرکز شود و اطلاعات روزانه‌ای درباره سرقت از منازل در اختیار پلیس قرار دهد. یک‌سال بعد، برلین آزمایش سامانه KrimPro را به‌عنوان راهکار خود برای مقابله با سرقت از منازل آغاز کرد؛ سامانه‌ای که در سال ۲۰۱۷ در سراسر شهر به اجرا درآمد. KrimPro هم از داده‌های جرائم و هم از داده‌های زیرساختی استفاده می‌کرد و ارزیابی‌های داخلی، موفقیت آن را در کاهش تعداد سرقت‌ها در شهر تأیید کردند.

در سال ۲۰۱۷، اداره ایالتی تحقیقات جنایی در هسن یک نقشه مبتنی بر آیفون منتشر کرد که با استفاده از داده‌های جرائم و داده‌های سرشماری اجتماعی – اقتصادی، سرقت از منازل را پیش‌بینی می‌کرد و هر روز صبح اطلاعات به‌روز شده‌ای در اختیار عموم قرار می‌داد. در نهایت، اداره ایالتی تحقیقات جنایی در نوردراین‌وستفالن در سال ۲۰۱۵ سامانه تحلیل و پیش‌بینی جرم (SKALA) را اجرا کرد. این پروژه با مشارکت نهادهای اصلی مجری قانون در شهرهای بن، کلن، دوسلدورف، دویسبورگ، اِسِن و گلزنکرشن، باهدف گسترش قابلیت‌های انتظام پیش‌بینانه برای شناسایی سرقت از منازل در سطح شهر طراحی شد. این پروژه که در سال ۲۰۱۸ تکمیل شد، اکنون بزرگ‌ترین الگوریتم انتظامی پیش‌بینانه آلمان است و در ۱۶ اداره پلیس به اجرا درآمده است.

توسعه الگوریتم‌های انتظامی بر نظریه‌ای آلمانی با عنوان «بزه‌دیدگی مجدد در فاصله زمانی کوتاه» (Near Repeat-Victimization) است. این نظریه از پذیرش این واقعیت توسط نهادهای مجری قانون سرچشمه می‌گیرد که پس از وقوع یک جرم، احتمال وقوع جرم دیگری در مناطق مجاور افزایش می‌یابد. این پدیده به‌عنوان یکی از متغیرهای توسعه SKALA به کار گرفته شد؛ سامانه‌ای که از تبیین‌های جرم‌شناختی و علوم اجتماعی برای هماهنگ‌سازی توزیع مکانی و زمانی سرقت از منازل استفاده می‌کرد.

یک استدلال وجود دارد که این نظریه، استفاده نهادهای مجری قانون آلمان از الگوریتم‌های انتظام پیش‌بینانه را برای بهبود ارزیابی ریسک توجیه می‌کند و وابستگی فزاینده آن‌ها به چنین الگوریتم‌هایی را نشان می‌دهد. البته آثار پژوهشی، گزارش‌ها و اطلاعیه‌های مطبوعاتی درباره انتظام پیش‌بینانه در آلمان، بر ضرورت مبارزه با جرم تأکید دارند. استناد به مطالب اطلاع‌رسانی پلیس در بادن‌وورتمبرگ حاکی است فعالیت پلیس بدون نرم‌افزار PRECOBs نیز به همان اندازه کارآمد است. اگرچه اسناد آلمانی نشان می‌دهند نرم‌افزار انتظام پیش‌بینانه صرفاً ابزاری کمکی برای «مبارزه با جرم» تلقی می‌شود، ولی این نگرانی نیز وجود دارد که استفاده فزاینده از چنین الگوریتم‌هایی، نهادهای مجری قانون را بیش‌ازپیش به توانایی آن‌ها در تحلیل داده‌ها وابسته می‌کند.

پهپاد کلمبیایی و اپ شیلیایی

به دلیل نگرانی جدی این منطقه درباره جرائم خشونت‌آمیز، دولت‌های آمریکای لاتین به استفاده از پیشرفت‌های فناورانه در حوزه هوش مصنوعی برای ارتقای امنیت عمومی روی آورده‌اند. اگرچه پذیرش هوش مصنوعی برای تأمین امنیت عمومی در این منطقه روندی خطی نداشته و با آزمون‌وخطاهای قابل‌توجهی همراه بوده است، چندین نمونه از به‌کارگیری آن امیدوارکننده هستند. با افزایش تعداد این موارد و آشنایی بیشتر دولت‌ها و افکار عمومی با این فناوری، احتمالاً استفاده از آن فراگیرتر خواهد شد.

به گزارش پایگاه خبری دیالوگو پولیتیکو، دولت‌ها در تمامی سطوح، هوش مصنوعی را برای تأمین امنیت عمومی در این منطقه به کار گرفته‌اند. در کلمبیا، پلیس ملی، راهبردی ملی منتشر کرد تا منابع لازم را برای خرید پهپادهای بدون سرنشین و دوربین‌های نظارتی در اختیار دولت‌های محلی قرار دهد و از این طریق، از وقوع جرم پیشگیری کرده و آن را شناسایی کنند. دولت برای پیونددادن حجم گسترده داده‌های مجرمانه در اختیار خود و نقاط مختلف اطلاعاتی موردنیاز برای تصمیم‌گیری، نرم‌افزاری خارجی از خدمات وب آمازون (Amazon Web Services) تهیه کرد تا داده‌های منابع مختلف را سازماندهی و ذخیره کند. این نرم‌افزار علاوه بر تحلیل سریع نتایج، از مجموعه‌ای از ابزارها، از جمله اپلیکیشن XCrime شرکت Nuvu، برای تجمیع و تحلیل اطلاعات و همچنین پیش‌بینی جرائم احتمالی بهره می‌گرفت.

در شیلی، انجمن ملی بیمه نرم‌افزاری مبتنی بر هوش مصنوعی برای شناسایی و گزارش خودروهای سرقتی توسعه داد. این نرم‌افزار، تلفن‌های همراه را به ابزارهای تشخیص پلاک تبدیل می‌کند که ادارات پلیس به‌آسانی می‌توانند از آن‌ها استفاده کنند. این سامانه با اسکن پلاک خودروها و مقایسه آن‌ها با یک پایگاه‌داده، خودروهای سرقتی را به طور خودکار و ظرف چند ثانیه شناسایی می‌کند. این برنامه در ابتدا در ۶۰ شهرداری به اجرا درآمد و در سال ۲۰۲۲ به ۳۴۵ شهرداری گسترش یافت.

شهروندان مکزیکی کارآگاه می‌شوند

اقداماتی نیز در سطوح ایالتی و محلی مکزیک نیز صورت گرفته است. در ایالت مکزیکو، دفتر مقابله با مواد مخدر و جرم سازمان ملل متحد (UNODC) همراه با نهاد آمار این کشور (INEGI) همکاری کرد تا برنامه‌ای توسعه دهد که با بهره‌گیری از شبکه‌های عصبی عمیق، واژگان و عبارات کلیدی را از تماس‌های پیشین با شماره اضطراری ۹۱۱ شناسایی کند؛ تماس‌هایی که به خشونت خانگی یا جرائم علیه زنان مشکوک بودند. در سطح شهرداری‌ها نیز دولت‌های محلی برای به‌کارگیری هوش مصنوعی، به‌ویژه برنامه‌های نظارتی مبتنی بر این فناوری، باهدف مقابله با جرم تلاش کرده‌اند.

بنیتو خوارز (یکی از ۱۶ منطقه اداری مکزیکوسیتی) در سال ۲۰۱۸ راهبردی برای تأمین امنیت عمومی اتخاذ کرد که هدف آن مقابله با جرم از طریق ابزارهای نظارت عمومی مبتنی بر هوش مصنوعی بود. این شهرداری تعداد واحدهای پلیس را افزایش داد و شبکه نظارتی گسترده‌ای ایجاد کرد که از دوربین‌های دولتی و دوربین‌های خصوصی‌ای تشکیل شده بود که در قالب بسته‌های امنیت عمومی در اختیار شهروندان قرار گرفته بودند. تصاویر این دوربین‌ها به یک مرکز کنترل و فرماندهی متصل می‌شوند که با بهره‌گیری از فناوری تشخیص چهره و پلاک خودرو، پس از ثبت گزارش، مظنونان را شناسایی و ردیابی می‌کند. این برنامه همچنین از طریق فراهم‌کردن دسترسی شهروندان به اپلیکیشن Blindar BJ، مشارکت عمومی را به کار گرفت. شهروندان می‌توانند از طریق این اپلیکیشن، جرائم را گزارش دهند و موقعیت واحدهای پلیس را پیگیری کنند. در سال ۲۰۲۱، این برنامه به منطقه اداری همسایه، آلوارو اوبرگون، گسترش یافت.

در سال ۲۰۱۸، دولت شهرداری تلاخومولکو دِزونیگا در ایالت خالیسکو نیز درصدد ارتقای امنیت عمومی از طریق ادغام فناوری‌های مبتنی بر هوش مصنوعی در سامانه‌های نظارتی برآمد. این اقدامات شامل نظارت تصویری بر اماکن عمومی و ارائه اطلاعات مربوط به میزان وقوع جرم به‌صورت عمومی و در دسترس شهروندان بود. این طرح از ۵۶۴ دوربین مجهز به فناوری تشخیص چهره و ابزارهای تشخیص پلاک خودرو استفاده می‌کند تا رفتارها را زیر نظر بگیرد، الگوها را شناسایی کند و فعالیت‌های مشکوک را گزارش دهد.

برزیل و اوروگوئه: پشت دوربین، مدفون در هزینه

در برزیل، دولت شهر سائوپائولو در سال ۲۰۲۲، استفاده از سامانه تشخیص چهره مبتنی بر هوش مصنوعی را برای نظارت بر خط ۳ متروی شهر، از طریق ۱۴ هزار دوربین در ۱۸ ایستگاه آغاز کرد. این شهر همچنین از طریق برنامه Smart Sampa، در حال گسترش نظارت مبتنی بر داده‌های زیست‌سنجی به خارج از شبکه مترو است. این برنامه حدود ۲۰ هزار دوربین مجهز به فناوری تشخیص چهره را به یک مرکز نظارتی و پایگاه‌های داده سایر نهادها متصل خواهد کرد تا وظایفی از شناسایی افراد گرفته تا مکان‌یابی آمبولانس‌ها را انجام دهد. اگرچه این پروژه به دلیل سوگیری‌های احتمالی مورد انتقاد قرار گرفته است، شهردار شهر در ماه آوریل آغاز به کار مرکز را اعلام کرد و انتظار داشت سامانه نظارت تصویری تا پایان سال ۲۰۲۴ به طور کامل اجرا شود.

در اروگوئه نیز با افزایش نرخ جرم و جنایت در مونته‌ویدئو، اداره پلیس این شهر در سال ۲۰۱۶ یک ابزار انتظامی پیش‌بینانه با نام PredPol را بکار گرفت که پیش‌تر ذکر شد. این نرم‌افزار با هزینه سالانه ۱۴۰ میلیون دلار آمریکا و با استفاده از الگوریتمی اختصاصی که دولت‌ها به آن دسترسی ندارند، به ساماندهی استقرار نیروهای پلیس و مقابله پیش‌دستانه با جرم کمک می‌کرد. بااین‌حال، دولت پس از آنکه دریافت میان مناطق استفاده‌کننده از این نرم‌افزار پیش‌بینانه و مناطقی که از آن استفاده نمی‌کردند تفاوتی وجود ندارد، این برنامه را متوقف کرد.(فرهیختگان)