L’apprentissage automatique pourrait aider la police sud-africaine à prévoir et à arrêter les crimes
Dans le film de 2002 Minority Report (basé sur un histoire courte de Philip K Dick), le réalisateur Steven Spielberg a imaginé un futur dans lequel trois médiums pourraient « voir » les meurtres avant qu’ils ne se produisent.
Leur clairvoyance permet à Tom Cruise et à sa police « Precrime » d’éviter presque tous les homicides potentiels.
Vingt ans plus tard, dans le monde réel, les scientifiques et les forces de l’ordre utilisent l’exploration de données et l’apprentissage automatique pour imiter ces médiums.
Tel « police prédictive», comme on l’appelle, repose sur le fait que de nombreux crimes — et criminels — ont motifs détectables.
La police prédictive a connu quelques succès.
Dans un étude de cas aux États-Unis, un service de police a réussi à réduire les incidents liés aux armes à feu de 47 % au cours d’un réveillon du Nouvel An généralement riche en armes à feu.
Police de Manchester au Royaume-Uni ont également été en mesure de prédire et de réduire les vols, les cambriolages et les vols de véhicules à moteur à deux chiffres au cours des 10 premières semaines de déploiement des mesures prédictives.
La police prédictive s’est améliorée à pas de géant. Autrefois, les humains devaient se pencher manuellement sur les rapports de criminalité ou filtrer dans les bases de données nationales sur la criminalité. Maintenant, à l’âge de mégadonnées, exploration de données et des ordinateurs puissants, ce processus peut être automatisé.
Mais le simple fait de trouver des informations ne suffit pas à dissuader le crime. Les données doivent être analysées pour détecter les modèles et les relations sous-jacents.
Les scientifiques déploient des algorithmes et des modèles mathématiques tels que l’apprentissage automatique, qui imite la façon dont les humains apprennent, pour extraire des informations et des idées utiles à partir de données existantes.
Récemment, nous tournés vers une méthode mathématique conçue au 18ème siècle pour affiner notre approche. En peaufinant un algorithme existant basé sur cette méthode, nous avons considérablement amélioré ses taux de prédiction de la criminalité.
Cette découverte est prometteuse pour l’application de la police prédictive dans des contextes sous-financés comme l’Afrique du Sud. Cela pourrait aider à réduire les niveaux de criminalité – parmi les plus élevés au monde et en hausse.
C’est une situation que la police du pays semble mal équipé pour freiner.
Marier deux approches différentes
Thomas Bayes était un mathématicien britannique.
Son célèbre Théorème de Bayes décrit essentiellement la probabilité qu’un événement se produise sur la base d’une connaissance préalable des conditions pouvant être liées à cet événement.
Aujourd’hui, l’analyse bayésienne est monnaie courante dans des domaines aussi divers que l’intelligence artificielle, l’astrophysique, la finance, les jeux de hasard et les prévisions météorologiques. Nous avons affiné l’algorithme de Naïve Bayes et mettez-le à l’épreuve comme prédicteur de crime.
L’analyse bayésienne peut utiliser des déclarations de probabilité pour répondre à des questions de recherche sur des paramètres inconnus de modèles statistiques. Par exemple, quelle est la probabilité qu’un suspect accusé d’un crime soit coupable ?
Mais aller plus loin – comme calculer comment les cartes de poker peuvent se dérouler ou comment les humains (en particulier les humains avec une intention criminelle) vont agir – nécessite des technologies et des algorithmes de plus en plus sophistiqués.
Notre recherche construit sur l’algorithme ou classificateur Naïve Bayes, un algorithme d’apprentissage automatique supervisé populaire, pour prédiction de la criminalité.
Naïve Bayes part du principe que les caractéristiques – les variables qui servent d’entrée – sont conditionnellement indépendantes, ce qui signifie que la présence d’une caractéristique n’affecte pas les autres.
Nous avons affiné l’algorithme Naïve Bayes en le mariant avec un autre algorithme connu sous le nom de Élimination des fonctionnalités récursives.
Cet outil aide à sélectionner les caractéristiques les plus significatives dans un jeu de données et à supprimer les plus faibles, dans le but d’améliorer les résultats.
Nous avons ensuite appliqué notre algorithme raffiné à un ensemble de données expérimentales populaires extraites de la police de Chicago. DÉGAGER (Citizen Law Enforcement Analysis and Reporting), qui a été utilisé pour prédire et réduire la criminalité dans cette ville américaine.
Cet ensemble de données a été appliqué à l’échelle mondiale en raison de la richesse des données qu’il contient : il fournit des données sur la criminalité au niveau de l’incident, les délinquants enregistrés, les préoccupations de la communauté et l’emplacement des postes de police dans la ville.
Nous avons comparé les résultats de nos Naïve Bayes améliorés à ceux des Naïve Bayes originaux, ainsi qu’à d’autres algorithmes prédictifs tels que Random Forests et Extremely Randomized Trees (algorithmes que nous avons a également travaillé activé pour la prédiction de la criminalité).
Nous avons constaté que nous pouvions améliorer les prédictions de Naïve Bayes d’environ 30 % et que nous pouvions égaler ou améliorer les prédictions des autres algorithmes.
Données et biais
Bien que notre modèle soit prometteur, il y a un élément qui manque cruellement pour l’appliquer aux contextes sud-africains : les données.
Comme l’illustre le système Chicago CLEAR, les modèles prédictifs fonctionnent mieux lorsque vous disposez d’un grand nombre de données pertinentes sur lesquelles travailler.
Mais la police sud-africaine a toujours été très stricte avec ses données, peut-être en raison de problèmes de confidentialité. J’ai rencontré ce problème dans mon recherche doctorale sur la détection et la cartographie des séries criminelles.
Cela évolue lentement. Nous menons actuellement une petite étude de cas à Bellville, une banlieue à environ 20 km du quartier central des affaires du Cap et de la zone dans laquelle se trouve notre université, en utilisant le Données du service de police sud-africain pour la police prédictive.
Rien de tout cela ne signifie que la police prédictive résoudra à elle seule le problème de la criminalité en Afrique du Sud.
Les algorithmes prédictifs et le maintien de l’ordre ne sont pas sans défauts. Il s’est avéré que même les médiums de Minority Report n’étaient pas exempts d’erreurs. Les craintes que ces algorithmes puissent simplement renforcer les préjugés raciaux, par exemple, ont été soulevées à la fois dans Afrique du Sud et autre part.
Mais nous pensons qu’avec l’amélioration continue de la technologie, la police prédictive pourrait jouer un rôle important dans le renforcement de la réactivité de la police et constituer un petit pas vers l’amélioration de la confiance du public dans la police.
Le Dr Olasupo Ajayi du Département d’informatique de l’Université du Cap occidental et M. Sphamandla May, étudiant à la maîtrise dans le département, ont co-écrit cet article et les recherches sur lesquelles il est basé.
Omowunmi Isafiademaître de conférences en informatique, Université du Western Cape
Cet article est republié de The Conversation sous une licence Creative Commons. Lire l’article d’origine.