هوش مصنوعی الگوی سرقت در شهرهای مختلف آمریکا را پیش‌بینی کرد

01

از 01

معماری پیش‌بینی هوش مصنوعی برای جرائم مختلف

بخش شبکه کانولوشن گراف (Graph Convolutional Network) برای مدل‌سازی روابط ساختاری میان مکان‌های جغرافیایی به کار گرفته شده است و در کنار آن، معماری ترنسفورمر برای استخراج وابستگی‌های زمانی و تحلیل روندهای وقوع جرم در بازه‌های زمانی مختلف استفاده می‌شود. این هم‌افزایی امکان یادگیری هم‌زمان الگوهای مکانی و زمانی را در داده‌های جرم فراهم می‌کند. در ادامه، یک شبکه مولد تخاصمی (GAN) برای بهبود کیفیت مدل‌سازی داده‌ها به سیستم اضافه شده است. این بخش با استفاده از یک رمزگذار خودکار واریاسیونی (Variational Autoencoder) تقویت شده است تا تولید داده‌های نماینده‌تر انجام شود و در عین حال مشکلاتی نظیر سوگیری داده و ناپایداری آموزش از جمله ناپدید شدن گرادیان کاهش یابد. این سیستم چندلایه هوش مصنوعی بر مجموعه داده‌های تاریخی چند شهر ایالات متحده از جمله لس‌آنجلس و سیاتل آزمایش شده و در پیش‌بینی سرقت‌ها به دقت ۸۶.۳ درصد دست یافته است، در حالی که بهترین مدل‌های رقیب دقتی معادل ۸۳.۲ درصد ثبت کرده‌اند. عملکرد این مدل در سایر دسته‌های جرایم نیز در سطحی رقابتی و قابل‌ توجه گزارش شده است.

برای مطالعه بیشتر: سم آلتمن: هوش مصنوعی قرار نیست جای همه‌چیز را بگیرد

پژوهشگران تاکید کردند که چنین سامانه‌هایی می‌توانند در بهینه‌سازی تخصیص منابع انتظامی و شناسایی مناطق پرریسک نقش موثری ایفا کنند. با وجود این، محدودیت‌هایی از جمله افت دقت در مناطق کم‌داده و عملکرد ضعیف در نواحی فاقد سوابق تاریخی کافی نیز مشاهده شده است. در ادامه مسیر پژوهش، استفاده از یادگیری انتقالی برای تعمیم‌پذیری و پیش‌بینی بهتر مدل هوش مصنوعی در چنین شرایطی در دستور کار قرار گرفته است.