Шрифт:
Главной идеей было создание хорошей системы анализа и визуализации данных полицейских отчетов. В качестве такого средства как нельзя лучше подходит анализ формальных понятий. Этот метод был предложен в 80-х годах прошлого века немецким математиком и философом Рудольфом Вилле. Анализ формальных понятий позволяет визуализировать объектно-признаковые зависимости путем построения так называемых решеток формальных понятий или решеток Галуа. Основная математическая идея заключается в возможности построения полной решетки по любому бинарному отношению и математическому описанию понятия в виде пары объекты-признаки. В данном случае объекты – это отчеты, а признаки – информация, содержащаяся в них, например ключевые слова, даты, упоминаемые люди.
В ходе работы специалисты проанализировали порядка 70 тысяч полицейских отчетов, составленных с 2008 года. В основном это были отчеты патрульных полицейских, проводивших осмотр автотранспорта или патрулировавших улицы Амстердама. Лишь примерно в тысяче случаев полицейским было известно, что речь действительно идет о лицах, имеющих отношение к торговле людьми.
Все индикаторы (их можно выявить в тексте автоматически) разделили на группы:
• статические признаки (национальность, проблемы с документами, крупная сумма наличных, женщины не разговаривают, документы женщин находятся у водителя, проститутки, насилие, следы насилия);
• изменяющиеся признаки (район «красных фонарей», дорогая машина, женщины в машине, торговля в машине, каникулы, регулярное посещение сомнительных клубов, регулярная доставка девушек в клуб);
• признаки социального окружения (человек был замечен с подозреваемым или известным преступником, сам был под подозрением).
Также индикаторы подразделялись на ранние и поздние, то есть возможные и явные, сильные признаки соответственно.
Выделенные признаки заносились в таблицу. Глядя на нее, можно было определить, сколько подозрительных признаков есть в том или ином отчете. Полицейские при составлении отчета перечислили такие индикаторы, как «дорогая машина», «проблемы с документами», район, где работают проститутки.
Отчет, содержащий слова-«индикаторы», требовал более пристального внимания правоохранительных органов. Чтобы обнаружить и идентифицировать лиц, причастных к торговле людьми, полицейские анализировали формальные понятия.
Эта работа проходит в три этапа:
• из большого множества отчетов выделяются персоны, которые могли быть потенциально вовлечены в «трафикинг»;
• строится детальный профиль этих лиц, в котором отражены индикаторы и их изменение во времени;
• анализируется социальное окружение (социальная сеть) подозреваемых и эволюция этого окружения с течением времени.
Разработанный инструмент позволил полицейским в интерактивном режиме с помощью таблиц формальных понятий выделить ряд признаков и выявить потенциальных подозреваемых.
Далее с помощью разработанной системы было проанализировано и визуализировано в виде диаграммы социальное окружение человека. Программа показала, с какими людьми и при каких обстоятельствах имел дело подозреваемый. То есть, по сути, были очерчен круг лиц, возможно причастных к ОПГ.
Компания Fujitsu Laboratories Ltd. совместно с Университетом электрокоммуникаций (Япония) разработала алгоритм для поимки преступника в городе. Алгоритм основан на теории игр, которая математически описывает технологию защиты и нападения как технологию для принятия решений. Раньше технологию было сложно применить в городских условиях, так как объем информации увеличивался с размером уличной сети города. Справиться с этой проблемой позволит технология «сжатия сети», разработанная Fujitsu Laboratories Университетом электрокоммуникаций.
Разработка планов безопасности общественных сооружений (вокзалов, аэропортов) исторически основывалась на интуиции и опыте, однако в последние годы стала очевидной необходимость обеспечения повышенной безопасности с помощью ИИ. Алгоритмы способны развернуть ресурсы безопасности в соответствии с движением людей и психологическими характеристиками преступников.
Лаборатория компьютерных наук и искусственного интеллекта Массачусетского технологического института создала алгоритм, который с помощью технологии глубокого обучения позволяет искусственному интеллекту (ИИ) использовать шаблоны человеческого взаимодействия, чтобы предсказывать, что может произойти дальше. Исследователи загружали в программу видео с примерами социальных взаимодействий людей и тестировали ее, проверяя, насколько хорошо она «обучилась», чтобы быть в состоянии давать прогнозы.
Визуальные материалы для ИИ включали шестьсот часов видео с YouTube и телевизионных сериалов. В то время как такой выбор мог показаться сомнительным, что одними из критериев были доступность и реализм.
Ученые представили компьютеру видео, где люди показаны за одну секунду до выполнения одного из следующих четырех действий: обниматься, целоваться, приветствовать жестами руки и пожать руку. Искусственный интеллект был в состоянии правильно угадать в 43 процентах случаев по сравнению с людьми, которые угадывали в 71 проценте.
Наделение ИИ способностью понимать визуальные действия, подобно тому, как это делают люди, может стать предшественником разработки интеллектуальных камер безопасности, которые будут способны как можно раньше вызывать скорую или полицию.
Это не первая попытка прогнозирования ситуации с помощью видео, но на этот раз были достигнуты болел точные результаты. Причина заключается в том, что, во-первых, новый алгоритм отличается от предыдущих попыток видео прогнозирования, в которых приоритетом была точность пиксельного представления. Он прогнозирует развитие ситуации, используя абстрактное представление, и фокусируется на важных признаках, при этом он самостоятельно обучается и использует так называемые «визуальные представления», чтобы различать визуальные сигналы, которые играют важную роль в социальных взаимодействиях, от тех, которые таковыми не являются. Это вполне естественно для человека, но является сложной задачей для ИИ.