Текст книги "Технологии будущего против криминала"

• Дроны. Нынешние разработки в области робототехники позволяют массово производить летающие роботы, несущие полезную нагрузку до 25 кг со временем полета более двух часов и скоростью до 400 км/ч по цене 200-300 фунтов стерлингов. Очевидно, что подобные дроны, используемые в настоящее время в основном государственными службами, в ближайшие год-два станут оснащением преступников. Центром совместно с лабораториями в Саутгемптонском и Бристольском университетах удалось создать устройство, которое позволяет распознавать на высоте до полутора км характер груза, размещенного на дроне. Устройство позволят идентифицировать основные виды взрывчатки, наркотиков и химических реагентов. Эта революционная разработка позволит сбивать или сажать путем перехвата управления подобные преступные дроны.

• Биткойн– и блокчейн-технологии. Биткойн – это одна из виртуальных валют. Если на первом этапе биткойны вызывали большие подозрения у правоохранительных органов, то сегодня ситуация изменилась. Британское Министерство внутренних дел четко разделяет анонимные виртуальные криптовалюты, использование которых запрещено, с технологиями блокчейна. Если анонимные виртуальные валюты являются все более важным платежным средством для различного рода незаконных транзакций, начиная от оплаты убийств, наркотиков и т.п., до вывода за рубеж коррупционных и прочих нелегальных денег, то технологии блокчейна осуществляют революцию в финансах. Великобритания вместе с Соединенными Штатами является лидером использования блокчейнтехнологий в финансовом секторе. Для того, чтобы разобраться во всех аспектах блокчейн технологий Министерство внутренних дел ассигновало Центру совместно с Института Алана Тьюринга по 10 млн. фунтов стерлингов ежегодно, вплоть до 2020 г. на блокчейн-исследования.

• Всеобщая взаимосвязь. В настоящее время мир движется к сплошной связанной среде и инфраструктуре. К 2020 г. в мире будет около 20 млрд. связанных между собой сетевых устройств. Министерство внутренних дел понимает, что глобальный связанный мир полностью меняет требования к работе правоохранительных органов. В полностью связанном мире криминал, не ограниченный законодательством, будет действовать глобально, поверх государственных границ. В то же время правоохранительные органы в своих действиях ограничены государственной юрисдикцией. Если эта проблема до 2020 г. не будет разрешена, то преступники получат огромное, а возможно решающее преимущество. Несмотря на надежды руководителей отдельных крупных государств на эффективное закрытие собственного информационного пространства, это технически невозможно на программно-аппаратном уровне. Кроме того, любые подобные попытки приведут к отрыву государств от мировой экономики и глобальной технологической гонки и приведут их к стремительной деградации. Поэтому Министерство внутренних дел исходит из концепции открытого глобального связанного пространства и предлагает искать пути решения этой острейшей, неосознаваемой обществом на сегодняшний день, проблемы различными, в том числе нетрадиционными способами. Например, возможно выделить цифровую среду в особый тип среды, в которой будут действовать иные законы, чем в рамках наземной, воздушной или водной сред. Такой подход еще более 50 лет назад в расколотом на блоки мире был применен для правового регулирования космического пространства.

• Цифровое шифрование. Цифровое шифрование амбивалентно. С одной стороны оно создает возможности для общественности, граждан и бизнеса защитить свою информацию не только от преступников, но и от несанкционированного доступа к ней правительственных структур. С другой стороны, широкое распространение шифрования создает большие трудности для полицейских органов. Начиная с 2013 г. многие британские граждане стали использовать шифрованную электронную почту, мессенджеры и т.п. Это создает значительные затруднения правоохранительным органам. Вероятно, необходимо регламентировать возможности шифрования гражданами, а также специально предусмотреть обязанность для производителей шифрованных коммуникаторов предоставлять соответствующие ключи правоохранительным органам.

Помимо изучения конкретных технологий Центр особое внимание уделяет изучению вопросу: как новой технологии будут взаимодействовать и влиять друг на друга. Центр будет выпускать ежегодный доклад по перспективным тенденциям развития технологий с точки зрения полиции. Такой доклад позволит не только использовать потенциал технологической революции для повышения эффективности работы полиции, но и своевременно оценить риски и угрозы попадания этих технологий в руки криминала.

Глава 2.
Искусственный интеллект и «большие данные» для предупреждения и раскрытия преступлений

Искусственный интеллект

Джошуа Бенджо – профессор информатики в Монреальском университете, один из пионеров в области разработки методов глубинного обучения, считает, что после 2005 г. исследования в области искусственного интеллекта стали перспективным делом. И произошло все это благодаря концепции глубинного обучения – так называется подход к созданию компьютеров, наделенных искусственным интеллектом, черпающий вдохновение в нейробиологии. В последние годы концепция глубинного обучения стала тем самым локомотивом, который придал ускорение исследованиям в области искусственного интеллекта. Теперь крупнейшие ИТ-компании принялись вкладывать в технологию глубинного обучения миллиарды долларов (В мире науки [08/09] август/сентябрь 2016).

Принцип глубинного обучения заключается в моделировании нейронных сетей, которые постепенно «учатся» распознавать изображения, понимать речь и даже самостоятельно принимать решения. Технология глубинного обучения основана на использовании так называемых искусственных нейронных сетей – основного объекта нынешних исследований в области ИИ. Нет, виртуальные, искусственные нейронные сети вовсе не представляют собой точную копию настоящих нейросетей головного мозга, и функционируют они примитивнее: в основу их работы положены общие математические принципы обучения на примерах из обучающей выборки, что позволяет нейросетям распознавать всевозможные объекты на фотографиях (например, лица людей и т.д.) или переводить тексты, написанные на основных языках мира.

Технология глубинного обучения коренным образом изменила сам характер исследований в области ИИ, вдохнув новую жизнь в позабытые было амбициозные планы по созданию компьютерного зрения, распознаванию речи, обработке естественных языков, реализации проектов в области робототехники. Первые программы распознавания речи были созданы в 2012 г. (например, всем известный сервис Google Now). Затем стали появляться приложения, распознающие фотографии (данная функция в настоящее время интегрирована в сервис Google Photos).

До недавнего времени искусственные нейронные сети использовались в значительной степени для распознавания статичных образов. Однако постепенно получил известность другой тип нейро-сетей – рекуррентные нейронные сети, которые стали применяться в основном для анализа процессов, протекающих во времени. В частности, такие сети оказались способны корректно выполнять обработку аудио– и видеоизображений, а также некоторых других видов информации. Последовательные данные состоят из блоков (фонем, слов), которые следуют друг за другом. Процесс обработки входных сигналов с помощью рекуррентных нейросетей имеет сходство с работой мозга, ведь и в головном мозге во время обработки информации, поступающей от органов чувств, происходит постоянное изменение сигналов, циркулирующих между нейронами. Получается, что состояние каждого нейрона во внутренних слоях постоянно меняется в зависимости от мощности сигналов, поступающих в головной мозг из внешней среды, а на выходе мы получаем последовательность команд, которые инициируют двигательную активность разных частей тела, направленную на достижение конкретной цели.

Рекуррентные нейронные сети способны предсказывать, например, каким будет следующее слово в предложении, а оно, это слово, в свою очередь тоже может использоваться для генерирования новых последовательностей слов. Кроме того, с помощью рекуррентных нейронных сетей можно решать и более сложные задачи.

Нейросети могут использовать временную память компьютера для обработки нескольких рассредоточенных кусков информации (например, идеи, содержащиеся в различных предложениях, разбросанных по документу).

Дэвид Кроуфорд, директор по разработке программного обеспечения в компании Alation, которая занимается каталогизацией данных, полагает, что сейчас по-прежнему существуют области, где алгоритмы нуждаются в людях. Искусственный интеллект может работать только в тех сферах деятельности, которые человек может точно описать.

Работа аналитика выходит за рамки проведения анализа в закрытой среде. Анализ должен быть применен к внешнему миру, где контекст влияет на интерпретацию результатов.

Маловероятно, что в ближайшее время алгоритмы научатся понимать людей. Этого не случится, пока человечеству не удастся улучшить интерфейсы взаимодействия мозга человека и компьютера.

Будущее аналитиков менее мрачно, чем об этом говорится в заголовках СМИ. Достижения в области ИИ во многом напоминают эффективных помощников, а не замену аналитикам. В будущем аналитики получат группу алгоритмов с ИИ, которые будут проводить анализ данных. Задача аналитиков будет состоять в том, чтобы указать ИИ на правильные вопросы для анализа и решить, как применять результаты анализа для решения проблем в реальном мире. Пока конечный потребитель аналитики – человек, аналитики никуда не денутся.

Лидером внедрения искусственного интеллекта в процесс борьбы с преступностью является ФБР США. Основные работы в этом направлении ведутся Информационном центре ФБР (NCIC).

NCIC – это метабаза, включающая на начало 2017 года 21 базу данных, содержащих досье на 12 млн. активных индивидуальных преступников и членов преступных организаций. NCIC в среднем отвечает на 14 млн. запросов в день. Помимо ФБР, NCIC обслуживает более 90 тыс. точек доступа в органах уголовного правосудия, а также судах, прокуратуре, системе исправительных учреждений и т.п.

Информационный центр ФБР находится в разгаре модернизации, известной как проект N3G. В рамках проекта в систему включаются принципиально новые блоки обработки и анализа информации, базирующиеся на интеллектуальном анализе Больших данных. В 2017 г. началось сооружение и оснащение здания нового Центра данных и вычислений взамен действующего.

Новый Центр будет запущен в рамках проекта N4G. По площади он будет в 12 раз превосходить действующий в настоящее время Центр в Бриджпорте (штат Коннектикут), и иметь более чем в 50 раз большую емкость и мощность хранения и обработки данных. Предусматривается, что Центр будет подключен к национальной сети суперкомпьютеров АНБ и Министерства энергетики. Программно-аппаратная архитектура Центра проектируется вокруг программно-аппаратных комплексов искусственного интеллекта.

Работы ведутся совместно с Лабораторией искусственного интеллекта корпорации Google выработали инженерное определение искусственного интеллекта, о котором говорилось в предыдущей главе. Именно оно будет положено в разработку концепции архитектуры и перечня программных решений для N4G.

Особое внимание ФБР уделяет скачкообразному увеличению быстродействия компьютеров. От многих из нас укрылось определяющее обстоятельство. Выигрыш компьютеров в Го у человека был осуществлен не просто компьютером Google, а программно-аппаратным комплексом, где за программу отвечали алгоритмисты Google, а железо сделала канадская компания, недавно купленная Google – Google Deep Mind. Deep Mind – это единственная сегодня компания в мире, которой удалось создать действующий квазиквантовый компьютер. Квази потому, что значительная часть вычислений осуществляется в рамках традиционного кремниевого электромеханического компьютера, и лишь некоторые выполняет квантовый компонент. Но даже в таком виде обеспечивается на порядки более высокая скорость, чем у современных кремниевых суперкомпьютеров. Чем выше скорость, тем проще осуществлять глубокое обучение методом проб и ошибок.

Основные направления применения искусственного интеллекта в структуре ФБР и полиции США в 2017-2020 гг

Двусторонние и многосторонние встречи, открытые конференции и совещания за закрытыми дверями позволили определить основные направления использования искусственного интеллекта и его элементов в работе ФБР и полиции штатов. Эти направления нашли отражение в концепции N4G. В число основных направлений включаются:

1. Использование в аналитико-ситуационных центрах в офисах ФБР на местах и аналогичных офисах полиции штатов программно-аппаратной среды с единой интегральной обработкой файлов различной размерности и формы представления, включая текстовые, табличные, аудио, видео, сигналы от датчиков, банковские транзакции, показания локации и т.п.

До конца 2017 г. минимум в пяти полицейских управлениях на уровне штатов и в двух отделах ФБР будут запущены подобные пилотные ситуационные центры.

2. В настоящее время ФБР и полиция подвергается частично оправданной критике за хранение избыточной информации об американцах. Например, в 2016 г., в Конгрессе США рассматривался доклад Центра по конфиденциальности и технологиям университета Джорджтауна. В ходе дискуссий по докладу выяснилось, что в настоящее время в базе данных ФБР и полиции содержатся биометрические данные на 130 млн. американцев, т.е. более половины взрослого населения страны. В ходе обмена мнениями стороны согласились, что порядка 35 млн. единиц хранения являются избыточными, поскольку эти люди никогда не совершали противоправных поступков, не имели связей и отношений с террористами и преступниками, а также не совершали предосудительных поступков в общественном плане. На этом совещании представитель ФБР был вынужден признать, что в базе не оказалось примерно полутора миллиона единиц хранения биометрических данных американцев, впервые совершивших преступления в период 2010-2015 гг. (Полные профили, включающие до 50 параметров содержатся на 12 млн. американцев. В то же время на 130 млн. американцев в базе ФБР содержатся фотографии, голосовые данные и т.п. Они не считаются полным профилем и не составляют индивидуальный идентификационный файл гражданина).

Данная ситуация сложилась не из-за злого умысла или стремления ФБР играть роль Большого брата, а из-за способа ввода биометрических данных и особенностей их хранения. На сегодняшний день Информационный центр ФБР и локальные информационные центры полиции штатов вводят биометрические данные вручную в соответствии с решениями, применяемыми людьми. Кроме того, хотя ФБР и использует наиболее современные на сегодняшний день технические средства, они предусматривают отдельное хранение и обработку биометрических данных.

Для преодоления этих недостатков с 2015 г. Центр ФБР совместно с MTI и Google ведет работу по созданию рекуррентной базы данных. По прикидкам в течение 2017 г. база будет запущена в опытную эксплуатацию. Ее принципиальное отличие отныне существующих баз данных состоит в трех обстоятельствах. Не человек, а машина будет принимать решение о появлении того или иного профиля в базе данных. Грубо говоря, предусматривается система, в корне отличающаяся от ныне принятого порядка. Сейчас соответствующие руководители полиции, агенты ФБР принимают решения о заведении файлов на того или иного человека. Как показывает практика, эти решения часто бывают ошибочны и субъективны. В новой систем предполагается обеспечивать ее нефильтрованными потоками информации. Фильтровать, а соответственно, определять необходимость заведения профилей, будет сама система. В систему встраивается модуль глубоко обучаемых нейронных сетей. Данный модуль будет отвечать за своевременное исключение профилей и параметров лиц, которые по критериям базы попали в нее, но в течение определенного времени не вызвали интереса со стороны ФБР или полиции штатов. Наконец, данная система, в отличие от ныне применяемых, будет способна взаимодействовать с конечными пользователями на естественном языке и с использованием визуальных средств.

3. Как уже отмечалось, одним из наиболее угрожаемых с точки зрения динамики организованной преступности секторов экономической жизни страны, являются небанковские платежные системы. По согласованию с наиболее динамичными платежными системами Stripe и Wise, ФБР организовало частно-государственное партнерство по созданию и эксплуатации платформы по обнаружению мошенничеств и взломов платежных систем. Данная система будет открыта для всех лицензированных платежных систем. Предусматривается, что они будут выделять на содержание системы ежегодный взнос в зависимости от объема транзакций и уровня сертификата информационной защиты, присвоенного платежной системе. Производителем системы в результате тендера выбрана компания Palantir. В 2017 г. она должна запустить платформу POLPAY.

4. В 2017 г., используя платформу контекстного интеллекта Nigel, предусматривается создать безбумажный офис агента ФБР или полицейского участка. Поскольку система Nigel в отличие от других способна не только к семантическому анализу (распознаванию объектов по различным онтологиям. Онтологии могут быть различны – свойства, отношения, функции, человек, юридическое лицо, предмет и т.п.), но и к контекстному распознаванию ситуации (ситуации могут быть одинаковы по онтологиям, но различными по смыслу. Например, в двух ситуациях участвуют одни и те же персонажи – женщина, мужчина и ребенок. Контекст ситуации может быть различен. В одном случае это может быть счастливая семья. В другом – бывшие супруги, делящие ребенка. Сейчас ни одна система кроме Nigel не способна распознавать ситуацию), она будет давать экспертные советы правоохранителям, привязанные к уникальной конкретной обстановке.

5. Использование искусственного интеллекта для экономии бюджета ФБР и полиции штатов. В настоящее время почти четверть работников, проходящих как занятые в полиции штатов, на которых приходится чуть больше 15% фонда заработной платы, заняты различного рода рутинными операциями, имеющими общепрофессиональный характер. Речь идет о многочисленных секретарях, юрисконсультах, фотографах и т.п. ФБР в рамках программы сокращения бюджета федеральных органов власти за счет роботизации, в течение 2017-2020 гг. будет последовательно заменять юрисконсультов и секретарей роботизированными устройствами. В настоящее время для ФБР на 2020 г. установлен норматив сокращения не менее 10% вспомогательного персонала, не связанного с выполнением оперативно-розыскных, следовательских и других полицейских функций, а также работой в лабораториях.

6. Начиная с 2017 г. ФБР совместно с компанией For All Secure и университетом штата Пенсильвания преступило к разработке системы искусственного интеллекта Mayhem – первой в мире системы искусственного интеллекта, основными функциями которой являются распознавание индивидуального почерка хакеров и хакерских группировок, а также обнаружение атак активного тестирования и преследование хакеров в их ходе, вплоть до установления их локации.

ФБР и исследователям Пенсильванского университета удалось установить, что методы комбинаторики позволяют системам искусственного интеллекта распознавать в доли секунды некоторые особенности вредоносного софта, а также архитектуры атак, которые укрываются из-за недостатка времени от высококвалифицированного персонала служб информационной безопасности.

Есть основания полагать, что данная система является подлинным прорывом и может обеспечить долгожданный перелом в состязании информационных меча и щита.

Большие данные против криминала

Как отмечают исследователи «Больших данных», сам термин «Большие данные» (Big Data) не имеет общепринятого определения даже в индустрии информационных технологий. Наиболее распространенным является раскрытие феномена «Больших данных» через указание проблем, с которыми приходится сталкиваться на современном этапе развития технологий при обработке информации. Исходя из этого «Большие данные» определяются посредством указания следующих основных характеристик: 1) большого объема, 2) разнообразия данных и 3) высокой скорости их изменения.

Согласно указанному подходу, помимо собственно обработки больших объемов данных проблема, решаемая посредством Big Data, состоит также и в том, что большая часть потенциально ценной информации представлена в неструктурированном виде, то есть не упорядочена и содержится в различных форматах, в отличие от данных, которые наполняют традиционные базы данных. Огромные массивы разнообразной информации, например, информация с форумов и социальных сетей, видеозаписи, текстовые документы, лог-файлы или, например, данные о трафике и соединениях абонентов, содержатся в различных источниках, нередко за пределами организации. В результате правоохранительные структуры могут иметь доступ к огромному объему данных из внутренних и внешних источников и не иметь необходимых инструментов, чтобы осуществить их совместную обработку, выявив определенные взаимосвязи и сделать на их основе значимые выводы. Технологии «Больших данных» позволяют решить эту проблему, связав воедино разнородные данные.

Другой признак «Больших данных» состоит в том, что обрабатываемая с использованием указанной технологии информация обновляется быстро (например, «потоковые данные»11
  Например, пассажиропоток в аэропортах и на вокзалах.


[Закрыть], при этом необходимо принимать решения на основании их оперативного анализа.

Анализируя различные зарубежные подходы, российский исследователь А.И. Савельев определяет «Большие данные» как совокупность инструментов и методов обработки структурированных и неструктурированных данных огромных объемов из различных источников, подверженных постоянным обновлениям, в целях повышения качества принятия управленческих решений, создания новых продуктов.

Опыт сотрудничества IBM с правоохранительными органами свидетельствует о том, что требуются: во-первых, консолидация разрозненных источников информации в единое хранилище данных; во-вторых, применение специального ПО, позволяющего выявлять полезную информацию из разрозненных и неполных документированных данных, а также из несвязанных событий; в-третьих, использование специализированных, программно-аппаратных решений, максимально ускоряющих работу, и принятие решений при обработке огромных объемов данных структурированной и неструктурированной информации.

Например, с этой целью в Нью-Йорке в 2007 г. было принято решение о создании централизованного операционного центра общественной безопасности. Было интегрировано более 100 разрозненных источников данных. Все потоки информации от патрульных машин, тысяч камер видеонаблюдения, звонки от свидетелей в виде неструктурированных данных поступают на корпоративную шину данных и преобразуются в универсальный формат. Затем аналитические инструменты ассоциируют информацию, помещая ее в определенный контекст, и распределяют ее согласно запросам пользователей. Аналитическая система ассоциирования распознает не только структуру, но и значение информации, включая взаимоотношения между различными частями. Создание единого хранилища позволило снизить преступность в городе на 27%.

Был реализован также сервис поиска полезных данных из плохо документированной информации: жалоб граждан, отчетов полиции, записей на номер 911, протоколов арестов и др. Все эти данные изобилуют неточностями, сокращениями, аббревиатурами, специальными терминами и т.п., и выявление нужных сведений и взаимосвязей при помощи традиционного контекстного поиска в них крайне затруднено.

В результате удалось достичь общего повышения эффективности работы. Применение инструментария поиска и анализа позволило сформировать описание событий, классифицировать их (при этом поиск осуществляется по неструктурированной информации, содержащей порой неточные описания). В первые недели эксплуатации системы на основании данных отчетов были раскрыты несколько старых дел по убийствам.

В целом это позволяет создать простые, унифицированные представления для каждого аспекта работы полиции, включая планирование, отчетность и совместную работу.

Ключевыми элементами работы операционного центра полиции Нью-Йорка является пространственно-временная модель города и поведенческие модели, которые используются для связывания наиболее вероятных сценариев для криминалистов. Центр по раскрытию преступлений реального времени (RTCC) использует ситуативный подход к большим данным, который требует особых навыков для составления запросов и интерпретации извлекаемых знаний. В результате каждое обращение к большим данным является уникальным поиском, в отличие от стандартных систем анализа информации в транзакционных и других системах управления реляционными базами данных с их фиксированными запросами и типовыми задачами.

Свою эффективность доказала система Blue CRUSH (от англ.: Crime Reduction Utilizing Statistical History – «Снижение преступности на основе статистических данных»), разработанная компанией IBM, которая поставляет полицейским подготовленные на основе имеющейся статистики совершения преступлений сведения о зонах потенциальной угрозы совершения преступления с указанием места (в пределах нескольких кварталов) и времени (в пределах нескольких часов конкретного дня недели). Подобного рода профилактическое прогнозирование привело к снижению уровня преступности в г. Мемфисе на 31%, из которых 15% приходится на тяжкие преступления.

Благодаря расширенному использованию ИТ в борьбе с преступностью и с чрезвычайными обстоятельствами, стало возможным:

• реализовать автоматический анализ видеоинформации для предотвращения преступлений;

• ускорить расследование преступлений в 1030 раз;

• использовать автоматизированные предсказания, поиск ассоциативных связей и техники кластеризации данных для ускорения принятия решений;

• автоматизировать процесс построения регламентов ответа на чрезвычайные ситуации;

• обеспечить сопровождение событий и отображение местонахождения сил и средств в реальном времени.

В 2001 году IBM приобрела британскую компанию i2 Group, которая разрабатывала аналитические средства для правоохранительных органов, спецслужб, военной разведки и специалистов по борьбе с «фродом».

Один из продуктов, основанных на i2, – специально для полиции. Он позволяет быстро получить доступ к информации, накопленной американскими правоохранительными органами, и проявить в ней скрытые связи между людьми, местами, автомобилями, мобильными телефонами и тому подобными объектами.

В 2007 году полиция Северной Каролины начала использовать средства i2 для анализа своего архива данных о преступности. За четыре года в одном из районов количество совершаемых преступлений удалось сократить на 50%. Вряд ли такой прогресс объясняется исключительно силой софта IBM, но и его вклад никто не отрицает.

В канадском Ванкувере полиция внедрила систему анализа данных, основанную на разработках IBM и географической информационной системе Esri. Система не только выявляла тенденции, но и предсказывала вероятное время и место совершения преступлений. С 2007 до 2011 года количество преступлений, связанных с собственностью, сократилось на 24%, а насильственная преступность – на 9%.

Похожие результаты сообщают полицейские департаменты Лас-Вегаса, Мемфиса и других городов, где экспериментируют с программами для анализа данных.

В полиции Лос-Анджелеса компьютерный алгоритм занимается тем, что обычно называют проактивной правоохраной. Используя отчеты о преступлениях за годы и десятилетия, алгоритм определяет районы, где вероятность совершения правонарушений является наибольшей. Он отмечает такие участки на карте города небольшими красными квадратами и эти данные тут же передаются в патрульные машины.

Система прогнозирования преступлений (разработана в лос-анджелесском кампусе Калифорнийского университета (UCLA) теперь известна под именем и стоит на балансе десятков полицейских подразделений.

В 2014 г. PredPol применялся в 7 территориальных подразделениях полиции Лос-Анджелеса. Их патрули оснащены электронными картами с десятками мигающих красных квадратов, которые указывают места возможной противоправной деятельности. Полиция Лос-Анджелеса сосредоточила силы на борьбе с кражами имущества из домов и машин, а также угонах – видах преступлений, составляющих более половины из 104 тысяч правонарушений, случившихся за 2014 год в городе.

Десятки других населенных пунктов по всему США и за их пределами используют программное обеспечение PredPol для прогнозирования других преступлений, включая активность организованных преступных группировок, наркоторговлю и незаконное применение огнестрельного оружия. Полиция Атланты применяет PredPol для прогнозирования грабежей и разбоев. В Сиэтле он используется для прогнозирования вооруженного насилия. В Кенте (Англия) PredPol применялся для предсказания наркопреступлений и грабежей. Полиция Кента была еще более изобретательной: не только отправляла своих сотрудников патрулировать опасные районы, но также прибегала к помощи местных волонтеров-дружинников и работников реабилитационных клиник для наркоманов.

Система прогнозирования в режиме реального времени анализирует новые отчеты о преступлениях в этих городах и красный квадрат, предсказывающий место совершения правонарушения, может сдвинуться в любой момент. Хотя патрульные из подразделений, использующих PredPol, обязаны находиться определенное количество времени в каждом из тех красных квадратов, они не просто слепо следуют командам системы. Патрульный вправе принимать решения самостоятельно, исходя из обстановки, а не только подчиняться алгоритмам.

Использование больших объемов данных и обработка с помощью математических моделей значительно превосходит по конечному результату банальное определение «горячих точек» на карте в ручном или пусть даже автоматизированном режиме. Специальные испытания, проводившиеся почти 2 года в трех территориальных подразделениях лос-анджелесской полиции, установили, что PredPol верно предугадывает в 2 раза больше мест преступлений, чем позволяют существующие методики из числа лучших.

Специальное программное обеспечение применяется полицией Чикаго. Оно с высокой вероятностью предсказывает не только имя будущих убийц, но и тех, кто станет жертвами – в американской преступной среде эти категории людей плотно пересекаются.