Makine öğrenimi ve yapay zeka alanlarında kaydedilen ilerlemeler, bu araçları polislikte kullanıp suçu önlemek isteyen hükümetlerin ilgisini çekiyor. Fakat suçları önlemeye yönelik yürütülen ilk çalışmalar biraz tartışmalı çünkü bu faaliyetlerde, kolluk kuvvetlerinde görülen sistemik eğilimler ile bunların suç ve toplumla olan karmaşık ilişkileri hesaba katılmıyor.
Şimdiyse Chicago Üniversitesinde çalışan veri bilimci ve sosyal bilimciler, şiddet ve mülkiyet suçlarındaki kamusal verilerden zaman ve coğrafi konumlara ait kalıpları öğrenerek suçu önceden tahmin eden yeni bir algoritma geliştirmişler. Model, gelecekte işlenecek suçları bir hafta önceden yaklaşık %90 doğrulukla tahmin edebiliyor.
Araştırma takımı, ayrı bir modelde ise polislerin suça verdiği yanıtları inceleyerek olaylardan sonra gerçekleşen tutuklanma sayılarını analiz etmiş ve söz konusu oranları farklı sosyoekonomik durumlara sahip muhitler arasında karşılaştırmış. Araştırmacılar daha zengin bölgelerde işlenen suçların daha fazla tutuklanmayla sonuçlanırken, dezavantajlı muhitlerde tutuklanma sayısının düştüğünü görmüş. Yoksul semtlerde işlenen suçların daha fazla tutuklamaya yol açmaması, polislerin yanıt verirken ve kanunları uygularken önyargılı davrandığını akla getiriyor.
Chicago Üniversitesinde çalışan yardımcı tıp profesörü ve altı gün önce Nature Human Behavior bülteninde yayımlanan makalenin kıdemli yazarı Ishanu Chattopadyay, şöyle aktarıyor: “Sistemi zorladığınız zaman, zengin muhitte işlenen suça cevaben daha fazla kişiyi tutuklamanın daha fazla kaynak gerektirdiğini ve polis kaynaklarının daha düşük sosyoekonomik statüye sahip alanlardan çekilmesine sebep olduğunu gördük.”
Araç, Şikago Belediyesi’nden alınan ve iki geniş kategoride rapor edilen olayların yer aldığı tarihsel verilerle test edilip doğrulanmış. Kategoriler şiddet suçlarını (cinayet, saldırı ve darp) ve mülkiyet suçlarını (soygun, hırsızlık ve araç hırsızlığı) kapsıyor. Bu veriler kullanılmış çünkü kolluk kuvvetlerine tarihsel bir güvensizliğin ve yetersiz işbirliğinin bulunduğu şehir bölgelerinde polise bildirilmesi en muhtemel olaylar bunlarmış. Bu gibi suçlarda uyuşturucu suçları, trafik cezaları ve diğer kabahatlerde olduğu gibi yaptırım önyargılarına karşı daha düşük bir yatkınlık olduğu da görülüyor.
Suç önleme konusunda yürütülen önceki çalışmalarda sık sık epidemik veya sismik bir yaklaşım kullanılmış; yani suç, “sıcak noktalarda” ortaya çıkıp civardaki bölgelere yayılan bir unsur şeklinde tasvir edilmiş. Ancak bu araçlarda, şehirlerin karmaşık sosyal ortamı yakalanamıyor ve suç ile kolluk kuvvetinin etkileri arasındaki ilişki hesaba katılmıyor.
Chicago Üniversitesi ve Santa Fe Enstitüsünde çalışan sosyolog eş yazar James Evans, “Uzamsal modellerde, şehrin doğal topolojisi görmezden geliniyor” diyor. “Ulaşım ağları şehirlere, yaya yollarına, tren ve otobüs hatlarına riayet ediyor. İletişim ağları benzer sosyoekonomik arka plana sahip alanlara riayet ediyor. Bizim modelimiz, bu bağlantıların keşfedilmesini mümkün kılıyor.”
Münferit olayların zaman ve mekan koordinatlarına bakarak suçu izole eden yeni model, örüntüleri tespit edip gelecekteki olayları tahmin ediyor. Şehri yaklaşık 300 metrelik uzamsal levhalara bölüyor ve önyargılara eğilimli geleneksel semt sınırlarını ya da siyasi sınırları temel almak yerine, bu alanlar içerisindeki suçu tahmin ediyor. Model, ABD’deki diğer yedi şehirden alınan verilerle de benzer bir performans sergilemiş (Atlanta, Austin, Detroit, Los Angeles, Philadelphia, Portland ve San Francisco).
“Rapor edilen suç tahminlerinde şehre özgü kalıpları keşfetmenin önemini gösteriyoruz” diyor Evans. “Bu sayede şehirdeki muhitlere taze bir bakış fırsatı elde ediyor, yeni sorular soruyor ve polis faaliyetini yeni şekillerde değerlendirebiliyoruz.”
Chattopadhyay, aracın yüksek isabet oranı sergilediğini fakat bu durumun, aracın kolluk kuvvetlerini yönlendirmek için kullanılması gerektiği anlamını taşımadığını ve algoritmayı kullanan polis departmanlarının suçu önlemek için o bölgelere akın etmesi gerekmediğini belirtiyor. Algoritma bunun yerine, suçun ele alındığı şehir politikaları ve polislik stratejilerinin ‘alet çantasına’ eklenmeli.
“Şehir ortamlarının dijital bir ikizini oluşturduk. Geçmişte gerçekleşen olayların verilerini aktardığınızda, gelecekte neler olabileceğini söylüyor. Sihirli bir şey değil ve bazı kısıtları var. Fakat değerlendirme yaptık ve cidden iyi çalışıyor” diyor Chattopadhyay. “Artık bunu bir canlandırma aracı şeklinde kullanarak, şehrin bir bölgesinde suç faaliyetleri yükselirse veya başka bir bölgede kolluk kuvvetleri artarsa neler olacağını görebileceksiniz. Tüm bu farklı değişkenleri uyguladığınızda, sistemlerin yanıt olarak nasıl evrimleştiğini görebiliyorsunuz.”
Çalışma, ABD ordusuna bağlı İleri Savunma Araştırma Projeleri Dairesi ve Chicago Üniversitesine bağlı Neubauer Kültür ve Toplum Birliği tarafından desteklenmiş.
Yazar: Matt Wood/Chicago Üniversitesi. Çeviren: Ozan Zaloğlu.
“Person of Interest”
Diziyi tekrar izler gibi oldum