رئیس پلیس فراجا اعلام کرد از هوش مصنوعی برای حل پرونده‌های مجرمانه استفاده می‌کند
دستیار هوشمند کارآگاهان آگاهی
رئیس پلیس آگاهی فراجا روز گذشته از استفاده از هوش مصنوعی، تحلیل داده و ادله دیجیتال برای شناسایی سرنخ‌های جنایی و کشف ارتباط میان پرونده‌ها خبر داد. تجربه پلیس در کشورهای مختلف نیز نشان می‌دهد کاربرد این فناوری به تشخیص چهره محدود نیست و از غربال ادله دیجیتال و پیوند دادن گزارش‌های جرم تا تحلیل الگوهای مکانی و زمانی وقوع جرم را دربرمی‌گیرد. با این حال، تبدیل این ظرفیت به ابزار عملیاتی به پرسش‌های دیگری نیز وابسته است. پلیس به چه داده‌هایی دسترسی دارد، این داده‌ها با چه کیفیتی ثبت شده‌اند و خروجی یک سامانه هوش مصنوعی تا چه اندازه می‌تواند مبنای یک سرنخ معتبر قرار گیرد؟
تعقیب با هوش مصنوعی
سردار قنبری نیز در اظهارات اخیر خود بر همین بخش از کاربرد تکنولوژی تاکید کرده و از کشف ارتباط میان پرونده‌های مجرمانه و شناسایی سرنخ‌ها سخن گفته است. در این مدل، اطلاعات مربوط به افراد، زمان و مکان وقوع جرم، گزارش‌های پیشین و ادله دیجیتال می‌تواند در کنار یکدیگر قرار گیرد و الگوریتم با جست‌وجوی الگوهای تکرارشونده، ارتباط‌های احتمالی را به کارآگاه پیشنهاد کند. بنابراین ارزش اصلی چنین سامانه‌ای در کوتاه کردن مسیر رسیدن از حجم بزرگی از اطلاعات به چند سرنخ قابل‌بررسی است.
این کاربرد در تجربه پلیس کشورهای دیگر نیز دیده می‌شود. یوروپل در گزارش خود درباره هوش مصنوعی و پلیس، تحلیل حجم بالای داده‌های جنایی، شناسایی ارتباط میان اطلاعات و استفاده از ابزارهای بیومتریک را از جمله حوزه‌هایی می‌داند که هوش مصنوعی می‌تواند در آنها به اجرای قانون کمک کند. در بریتانیا نیز دولت در قالب طرح PoliceAI از کاربرد هوش مصنوعی برای پیوند دادن گزارش‌های جرم، غربال و خلاصه‌سازی ادله دیجیتال و پردازش تماس‌های پلیسی سخن گفته است.
به این ترتیب، بخش مهمی از کاربرد این فناوری پیش از آنکه به پیش‌بینی جرم برسد، به یک مساله ساده‌تر برمی‌گردد. اینکه چگونه می‌توان داده‌های پراکنده یک سازمان را سریع‌تر و دقیق‌تر کنار هم گذاشت؟
ردپای مجرم در داده‌ها
بخشی از اظهارات رئیس پلیس آگاهی فراجا به استفاده از داده برای تحلیل الگوهای مکانی و زمانی جرائم و شناسایی نقاط جرم‌خیز مربوط می‌شود. این حوزه، یک گام جلوتر از استفاده از هوش مصنوعی برای جست‌وجوی پرونده‌هاست. به این معنا که داده‌های مربوط به زمان، مکان و نوع جرائم گذشته می‌تواند برای شناسایی الگوهایی مورد استفاده قرار گیرد که به پلیس در تخصیص منابع و تمرکز بر مناطق یا بازه‌های زمانی خاص کمک می‌کند.
وزارت دادگستری آمریکا نیز در گزارش خود درباره هوش مصنوعی و نظام عدالت کیفری، استفاده از داده‌های تاریخی جرم برای شناسایی یا پیش‌بینی نقاط پرتراکم جرم را از جمله کاربردهای این فناوری برشمرده است. این نوع سامانه‌ها می‌توانند حجم بزرگی از داده‌های مکانی و زمانی را پردازش کنند و الگوهایی را که بررسی آنها به‌صورت دستی دشوار است، در اختیار نیروهای پلیس قرار دهند. در این مدل، خروجی سامانه بیشتر برای اولویت‌بندی عملیات و تخصیص منابع کاربرد دارد و به‌خودی‌خود به معنای پیش‌بینی قطعی وقوع یک جرم یا مجرم بودن یک فرد نیست. اما همین وابستگی به داده‌های تاریخی، یکی از مهم‌ترین محدودیت‌های این مدل را ایجاد می‌کند. الگوریتم هر الگویی را که در داده‌های ورودی وجود داشته باشد، مبنای تحلیل قرار می‌دهد. اگر داده‌های گذشته ناقص باشند، نحوه ثبت جرائم در مناطق مختلف متفاوت باشد یا حضور بیشتر پلیس در یک منطقه باعث ثبت تعداد بیشتری از جرائم شده باشد، خروجی الگوریتم نیز می‌تواند همان الگو را بازتولید کند. به همین دلیل، یوروپل در راهنمای خود درباره سوگیری در اجرای قانون بر ضرورت بررسی سوگیری در مراحل مختلف طراحی و استفاده از سامانه‌های هوش مصنوعی تاکید کرده است. در نتیجه، استفاده از هوش مصنوعی برای شناسایی نقاط جرم‌خیز به کیفیت داده‌های پلیسی وابسته است.
کارنامه پلیس آهنی
مقیاس سرمایه‌گذاری و استفاده از هوش مصنوعی در پلیس بریتانیا نشان می‌دهد که این فناوری در برخی کشورها از مرحله آزمایش‌های محدود عبور کرده و به بخشی از برنامه توسعه زیرساخت پلیسی تبدیل شده است. دولت بریتانیا در ژوئن ۲۰۲۶ مرکز ملی PoliceAI را با بودجه ۷۵میلیون پوند طی سه سال راه‌اندازی کرد. این مرکز در عین حال بخشی از یک بسته ۱۴۰میلیون پوندی سرمایه‌گذاری در فناوری هوش مصنوعی پلیس طی سه سال است. قرار است PoliceAI در سال ۲۰۲۶ ابزارهای مرتبط با غربال، افشا و خلاصه‌سازی ادله دیجیتال را به‌صورت آزمایشی اجرا کند و پس از ارزیابی، امکان گسترش آنها به سراسر نیروهای پلیس انگلستان و ولز در سال ۲۰۲۷ بررسی شود.
دولت بریتانیا برآورد کرده است که استفاده گسترده از ابزارهای هوش مصنوعی می‌تواند تا پایان سال ۲۰۲۸ حدود ۶میلیون ساعت از زمان پلیس را آزاد کند. زمانی که معادل حدود ۳ هزار نیروی تمام‌وقت عنوان شده است. در یک نمونه آزمایشی نیز ۸۰۰ ساعت فیلم مرتبط با یک پرونده آدم‌ربایی با کمک هوش مصنوعی در سه ساعت بررسی شده است. البته لازم به ذکر است که این ارقام، برآوردها و نتایج اعلام‌شده از سوی دولت بریتانیا از یک پروژه آزمایشی هستند و نباید آنها را با صرفه‌جویی قطعی و محقق‌شده در مقیاس ملی یکسان دانست.
پلیس متروپولیتن لندن در ارزیابی مربوط به استقرارهای تشخیص چهره زنده، برای دوره اول ژانویه تا ۳۱ ژوئیه ۲۰۲۴، ۶۶۷ هشدار درست و ۲۷هشدار نادرست ثبت کرده است. نکته مهم این است که خود پلیس، هشدار سامانه را پایان فرآیند نمی‌داند. پس از هشدار، ماموران از پایگاه‌های اطلاعاتی و دیگر سامانه‌های اطلاعاتی پلیس برای بررسی استفاده می‌کنند و اقدام بعدی نیز بر اساس ارزیابی انسانی انجام می‌شود. جدیدترین گزارش رسمی پلیس لندن در بازه دیگری یعنی از سپتامبر ۲۰۲۴ تا سپتامبر ۲۰۲۵، ۲۰۳ استقرار، ۲۰۷۷ هشدار و ۱۰هشدار نادرست را نشان می‌دهند.
در یک نمونه جدیدتر، پلیس متروپولیتن اعلام کرده است که در یک طرح آزمایشی تشخیص چهره زنده در کرویدون، بیش از ۴۷۰ هزار نفر از مقابل دوربین‌ها عبور کرده‌اند و یک هشدار نادرست ثبت شده است. این طرح همچنین به ۱۷۳ بازداشت در بازه شش‌ماهه اکتبر ۲۰۲۵ تا مارس ۲۰۲۶ منجر شده است. در آمریکا نیز گزارش وزارت دادگستری در سال ۲۰۲۴ نشان می‌دهد که تشخیص چهره و سایر ابزارهای بیومتریک در حال استفاده در برخی نهادهای مرتبط با اجرای قانون هستند. این گزارش ضمن اشاره به ظرفیت این فناوری برای شناسایی افراد، درباره امکان شناسایی اشتباه، تفاوت عملکرد میان گروه‌های جمعیتی و پیامدهای حریم خصوصی هشدار می‌دهد. گزارش همچنین به هفت مورد بازداشت اشتباه گزارش‌شده در ارتباط با فناوری تشخیص چهره اشاره می‌کند که تقریبا همه افراد درگیر در آنها سیاه‌پوست بوده‌اند.
ارزش اقتصادی و عملیاتی هوش مصنوعی در پلیس فقط به توانایی آن برای شناسایی یک فرد یا یک الگو محدود نمی‌شود و بخشی از این ارزش به کاهش زمان پردازش داده، کوتاه شدن زمان بررسی ادله و آزاد شدن نیروی انسانی برای کارهای دیگر مربوط می‌شود. در مقابل، هرچه حجم داده و تعداد تصمیم‌هایی که تحت‌تاثیر خروجی الگوریتم قرار می‌گیرد بیشتر شود، اهمیت ارزیابی دقت، ثبت خطا و نظارت انسانی نیز بیشتر می‌شود.
