Текст книги "Технологии будущего против криминала"

Программа, разработанная при участии ученых из Иллинойского технологического университета (США) (разработчик – профессор Майлз Веркик), позволила полиции Чикаго определить список лиц, находящихся в группе риска совершения убийств. Узнав их имена, полицейские ведут с ними профилактическую работу, предположительно позволяющую снизить вероятность посягательств на жизнь других людей.

В основе работы программы лежит отбор по десяти основным признакам. Среди них есть ряд цифр по истории приводов того или иного лица в полицию. Среди прочего алгоритм учитывает, были ли у человека аресты за незаконное ношение огнестрельного оружия или за участие в структурах организованной преступности. Алгоритм ищет людей, которые соответствуют всем или хотя бы нескольким критериям отбора. Те, кто набирает больше всего пересечений по списку критериев, вносятся в группу максимального риска.

По заявлениям полиции, новый алгоритм является довольно эффективным. Из 2,7 миллиона жителей Чикаго оно отобрало лишь 1400 человек, имеющих чрезвычайно высокую вероятность убить или быть убитым.

Более 70% членов данного списка были застрелены в течение 2016 года. Каждый 4-й стрелок также входил в список Департамента полиции Чикаго. Согласно данным правоохранителей, 117 из 140 человек, арестованных во время общегородского рейда против банд, также присутствовали в вышеупомянутом перечне и составляли «группу риска2.

Полицейские применяют новый метод не только для своевременного совершения арестов. Власти города видят в алгоритме эффективное средство «персональных уведомлений», в котором работники социальной сферы и общественные лидеры агитируют членов-лидеров «Списка стратегических субъектов» изменить образ жизни и навсегда покинуть криминальный мир.

Полиция города Дарема на севере Англии запустила в 2017 году компьютерную программу, которая при помощи алгоритма искусственного интеллекта должна помочь полицейским определить, кого следует содержать под стражей, а кого можно отпустить. Алгоритм классифицирует задержанных по степени риска – с какой вероятностью они могут вновь совершить преступление.

Программа Harm Assessment Risk Tool (Hart) «изучала» данные полиции Дарема об арестах за период в пять лет, между 2008 и 2012 годами. Затем система была протестирована даремской полицией в 2013 году, после чего в течение двух лет изучались результаты этого тестирования – полицейские отслеживали, вернулись ли освобожденные к преступной жизни или нет. Как выяснилось, алгоритм мог предсказать, что задержанный не представляет опасности, в 98% случаев. А находящихся в группе «высокого риска» компьютер правильно выявлял в 88% случаев.

Это отражает настройки алгоритма искусственного интеллекта – он запрограммирован «осторожничать» и классифицировать задержанных людей чаще в группы среднего или высокого риска – чтобы не выпускать на свободу тех, кто может снова совершить преступление.

В ходе испытаний программы полицейские следили за выводами Hart, но вердикт алгоритма не влиял на принятие решения об аресте.

Подозреваемые, ранее не совершавшие преступлений, с меньшей вероятностью будут записаны алгоритмом искусственного интеллекта в категорию высокого риска. Однако, если они арестованы по подозрению в серьезном преступлении, как, например, убийство, то это отразится на оценке программы.

Программа может быть хорошим помощником во многих случаях: когда полиции следует решить, держать ли задержанного еще несколько часов; следует ли отпустить его под залог до того, как ему будут предъявлены официальные обвинения, и стоит ли держать его под арестом после предъявления обвинений.

В ходе нового эксперимента полицейские будут использовать систему при рассмотрении лишь ряда дел, выбранных случайным путем.

Любой вывод алгоритма носит лишь рекомендательный характер и ни в коем случае не отбирает у полиции прерогативу принимать окончательное решение о судьбе задержанного. Алгоритм должен сохранять все данные о том, как программа пришла к определенному выводу.

Кроме того, британская полиция с 2014 года проверяет компьютерную систему, которая может собрать воедино то, что могло произойти на месте преступления. Идея состоит в том, что система, называемая VALCRI, сможет в течение нескольких секунд выполнять кропотливую работу аналитика, освобождая их для того, чтобы сосредоточиться на деле, а также провоцируя новые направления расследования и возможные упущенные детали.

Основная работа VALCRI заключается в том, чтобы помочь генерировать правдоподобные идеи о том, как, когда и почему было совершено преступление, а также, кто сделал это. Он сканирует миллионы полицейских записей, интервью, фотографий, видеороликов и многое другое, чтобы определить связи, которые, по его мнению, имеют отношение к делу. Все это затем представлено на двух больших сенсорных экранах для взаимодействия с аналитиком.

Мидлсекский университет является одним из нескольких высших учебных заведений, кто в данный момент задействован в разработке системы VALCRI. Аббревиатура расшифровывается как Visual Analytics for sense-making in Criminal Intelligence analysis.

VALCRI исследует личные дела преступников и разделяет паттерны их поведения на отдельные категории. По почерку преступника система практически мгновенно предложит следователям несколько наиболее подходящих кандидатур, которые были способны совершить данное преступление. Причем информация будет предлагаться сотрудникам полиции в интуитивно понятном и очень удобном графическом интерфейсе.

Вместо того чтобы разделять преступников по категориям преступлений, таким как квартирные кражи или взлом автомобилей, VALCRI запоминает и анализирует паттерны поведения преступника, в данном случае – склонность к кражам. Таким образом, VAKCRI решает проблему слабого сотрудничества между полицейскими подразделениями, а также учит полицейских обращать внимание на ключевые детали преступления.

В целом ряде штатов США использование полицией методов и алгоритмов кластеризации и классификации технологии Text Mining для выделения криминально значимой информации совместно с технологией Visual Mining в режиме реального времени обеспечивает возможность выполнения аналитической работы по профилактике и расследованию преступлений в автоматизированном режиме на качественно новом уровне. Эта возможность реализована в интеллектуальной системе криминального анализа в реальном времени – Real-time Intelligence crime analytics system (RICAS), которая позволяет связать географическое пространство, время, лица и события в одном визуальном пространстве отображения.

В основу построения системы положены такие факторы:

• любая криминально значимая информация содержит данные о месте совершения преступного деяния, которые могут быть отражены либо в текстовом формате в виде адреса либо в географических координатах и времени совершения;

• любой субъект или объект преступления имеет привязку к географическим координатам в текстовом формате (адрес прописки, проживания, регистрация предприятия, места работы, регистрация транспортного средства, оружия и т.д.);

• криминальные события, субъекты и объекты могут иметь взаимосвязи, которые легче обнаружить путем анализа визуального отображения в едином пространстве представления (на одной карте). Например, если в месте совершения разбойного нападения проживают лица, ранее привлекавшиеся за аналогичные преступления, то существует большая вероятность совершения ими данного деяния;

• отображение в едином пространстве событий, растянутых во времени (происходящих в разное время), позволяет обнаружить скрытые закономерности визуально.

С учетом этих факторов в представляемой системе программно реализованы адаптированные алгоритмы технологий Data Mining, Text Mining и Visual Mining, Link Analyzes, которые обеспечивают выполнение следующих операций с потоками входных данных:

• кластеризация объектов по одному или нескольким признакам, имеющим общие пространственно-временные характеристики;

• создание временной ленты событий для определенного географического места (ретроспективный анализ криминальных событий, произошедших в заданный период времени в районе места исследуемого происшествия);

• группировка объектов и субъектов вокруг события;

• анализ связей лиц, объектов, событий.

RICAS – это интеллектуальная система криминального анализа данных, которая объединила в едином пространстве отображения основные и наиболее передовые методы и методики криминального анализа и аналитического поиска в реальном времени, что позволяет значительно повысить эффективность и результативность раскрытия преступлений по горячим следам и не раскрытых ранее преступлений.

Аналитическая работа в системе выполняется в автоматизированном режиме: на первом этапе по поступившему в систему запросу с помощью разработанных алгоритмов аналитического поиска автоматически осуществляется поиск, результаты которого отображаются в текстовой форме и на географической карте; на втором этапе оператором в ручном режиме осуществляется визуальный анализ полученных данных и принимается окончательное решение, либо системе задаются дополнительные уточняющие запросы.

Система позволяет оператору выполнять многие виды криминального анализа:

• анализ криминальной обстановки (crime pattern analysis);

• анализ общего профиля (general profile analysis);

• анализ конкретного расследования (case analysis);

• сравнительный анализ (comparative analysis);

• анализ групповой преступности (off ender group analysis);

• анализ особенностей профиля (specific profile analysis);

• анализ расследований (investigation analysis).

Используя все эти виды анализа интегрально, появляется возможность видеть картину целиком – предикативно и постфактум, т.е. систему событий, лиц, объектов, связанных причинно-следственными связями в пространстве и времени.

Поскольку система является надстройкой над существующими базами данных, она может отображать как явно указанные связи между лицами, так и строить визуальные связи между лицами, которые, на первый взгляд, между собой не связаны. Система использует несколько алгоритмов поиска связей. Первый алгоритм – рекурсивный поиск взаимосвязей фигурантов, участвовавших в разных событиях. Второй – визуальный поиск связей. В процессе вывода специальным образом структурированной информации в визуальную среду отображения становятся очевидными связи типа «место совершения – подельник – преступник», «преступление – подозреваемый – подельники».

Инструментарий системы базируется на математических моделях и методах интеллектуального семантического анализа, визуального темпорального анализа, анализа поведенческого профиля, анализа скрытых закономерностей.

Интеллектуальный семантический анализ включает в себя мощное ядро по работе с семантикой. Анализ неструктурированных данных происходит в режиме реального времени. Для унификации поисковых функций и построения поведенческого профиля используется алгоритм классификации, или «тегирования», а также антиципационный алгоритм (схема предвосхищения) – цель поиска известна заранее.

Семантическое ядро системы позволяет строить сложные поисковые запросы, включающие в себя всевозможные динамические и статические компоненты – ограничение по времени, методу совершения преступления, дислокации и т.д. Все функции выполняются мгновенно и позволяют максимально быстро визуализировать информацию и выполнять аналитическую работу.

Визуальный темпоральный анализ. Отображение хронологии произошедших событий и временное разграничение позволяют оперативно выявлять скрытые пространственно-временные закономерности между различными событиями.

Анализ поведенческого профиля. Наиболее постоянным и точным с точки зрения психологии преступника является его поведенческий профиль. Он отображает многие параметры деятельности преступника – привычный способ совершения преступления, места совершения и прочие мелкие зависимости, которые в совокупности соответствуют одному профилю.

Наличие тех или иных поведенческих признаков с определенной долей вероятности может свидетельствовать о том, что данный субъект может быть причастен к событию. Из этого принципа формируется так называемый групповой поведенческий анализ. Безусловно, поведенческий профиль преступника никак не может существовать без влияния на других субъектов. Поэтому в криминальной практике часто заметны совпадения по тем или иным поведенческим параметрам у разных субъектов, когда-либо участвовавших в единых событиях. Анализ группового поведенческого профиля позволяет определять подельников, сообщников без явный связей между собой.

Анализ скрытых закономерностей. Между лицами, каким-либо образом причастными к правонарушению, объективно существуют связи (родственные, по роду профессиональной деятельности, географические – по привязке к месту жительства, месту отбывания наказания и т.п.). Подобные связи существуют также между лицами и событиями, а также между различными событиями. Такие связи могут быть явными, опосредованными и скрытыми. Кроме того, группа преступлений, совершенных одним и тем же лицом, обязательно имеет определенные характерные общие черты, которые явно не зафиксированы. Выявление таких скрытых закономерностей с высокой долей вероятности всегда может идентифицировать связь между преступником и всеми совершенными им преступлениями. Безусловно, некоторые события могут «выбиваться» из общего потока из-за своей спонтанности или внешних факторов. Однако, исходя из предыдущего принципа, такие проявления можно нивелировать.

В RICAS поиск скрытых закономерностей осуществляется, базируясь на интеллектуальном ядре обработки семантики. Семантический анализ является основополагающим, поскольку связи выражаются не всегда явно и их следует искать в контексте.

Система RICAS разрабатывалась с использованием современных, оптимизированных технологий в веб-пространстве и поддерживает мультиплатформность. Ее можно использовать на любых стационарных и мобильных устройствах при наличии защищенного канала связи; интерфейс системы не перегружает пользователя.

Самой известной компанией, специализирующейся на прогнозировании преступлений, является Palantir Technologies, вышедшая на коммерческий рынок из тени спецслужб.

Разработанное Palantir специализированные решения способны собрать воедино самую разную информацию (данные ДНК, записи систем видеонаблюдения и телефонных переговоров), отслеживать передвижения по номерным знакам арендованных машин и многое другое.

Механизм действия этого ПО заключается в анализе персональных данных и выявлении транзакций, которые всегда идут в тесной связке с паттернами, сопровождающими те или иные преступления. Иными словами, у спецслужб имеются внушительные массивы данных, среди которых сведения о финансовых сделках, отпечатки пальцев и образцы ДНК, планы зданий и топографические карты, данные радиоперехвата, «горячие» новости из СМИ, сообщения информаторов, информация из соцсетей и многое другое.

Программное обеспечение Palantir уже помогло раскрыть преступную сеть, готовящую теракты в нескольких странах мира. Его также использовали в Афганистане для прогнозирования атак моджахедов. Кроме того, решение Palantir позволило обнаружить членов мексиканского наркокартеля, убивших сотрудника таможенной службы США.

А также разрешить множество не таких громких, но не менее важных случаев, в том числе найти педофила в Нью-Йорке уже через час после нападения на ребенка, обнаружив его на видеозаписях с камер полицейского управления.

Новые технологии и «Большие данные» нашли свое применение и в полицейских департаментах. Так, например, департамент полиции Нью-Йорка совместно с Microsoft разработал Domain Awareness System (DAS) – систему, которая агрегирует и анализирует информацию об общественной безопасности из отчетов, камер наблюдения, наблюдений очевидцев и т.д. Затем эту информацию о потенциальных угрозах и криминальной активности в режиме реального времени получают следователи и аналитики департамента.

Похожим образом работает ShotSpotter – акустическая система наблюдения, которая фиксирует выстрелы из оружия и оповещает об этом полицию. Сенсоры ShotSpotter позволяют определить место, где произошел инцидент, с точностью до двух футов.

Но городская жизнь состоит из множества звуков, часть которых можно принять за выстрелы из оружия. Чтобы избежать таких ошибок, звуки, которые сенсоры определяют как выстрелы, отправляются экспертам. Если оказалось, что действительно произошел выстрел, то информация о том, где, когда и сколько выстрелов было совершено, отправляется полиции. Весь этот процесс – с момента, когда выстрел был засечен, до отправки информации полиции – занимает около 40 секунд. Данная технология используется уже в 75 городах США.

Система помогает не только оперативно реагировать на происшествия, но и узнавать о них – жители некоторых районов часто не сообщают в полицию о преступлениях, очевидцами которых являются. Так, в городе Милуоки только о 14% всех выстрелов, которые зафиксировал ShotSpotter, было сообщено в полицию.

Другой частью тренда в использовании новых технологий для повышения осведомленности является использование социальных медиа и, в частности, Twitter. Полиция все чаще полагается на эту социальную сеть и использует для коммуникации с жителями города. Например, во время беспорядков, устроенных спортивными болельщиками в Ванкувере, полиция использовала Twitter для того, чтобы быть в курсе ситуации, а после того, как беспорядки были устранены, Twitter и Facebook стали каналами, через которые свидетели могли сообщить полиции имеющуюся у них информацию.

Полиция Берлина рассматривает возможность установки программного обеспечения, которое сможет предсказывать преступления, почти как показано в научно-фантастическом фильме «Особое мнение». Даже проект носит такое же название «Precobs», как в фильме.

Разработанная немецкой фирмой программа предсказывает, где и когда с наибольшей вероятностью произойдет преступление.

Нужно сказать, что похожие программы уже несколько лет успешно работают в нескольких американских городах. Например, в 2011 году калифорнийский город Санта-Крус (США) первым в мире внедрил математическую модель расчета вероятности преступлений, которая каждый день составляет новый маршрут для патрульных машин, основываясь на статистике преступлений по улицам. Учитываются день недели, время суток, наличие/отсутствие футбольных матчей по ТВ и другие факторы.

Патрульные полицейские Санта-Крус каждый день получают новый маршрут для патрулирования с указанием 10 «горячих точек» маршрута. Вот как выглядит эта информация в интерфейсе Google Maps.

Для каждого квадрата размером 150 на 150 метров указывается вероятность совершения преступления в 24-часовой период, распределение этой вероятности по двум видам преступления: автомобильные и домашние, время начала двух самых опасных часовых интервалов.

Немецкая программа «Pre-Crime Observation System» работает примерно по такому же принципу, вычисляя вероятность совершения преступлений по тем или иным координатам, с учетом прошлой статистики.

Полиция Амстердама поставила задачу разработать программный продукт, который мог бы автоматически систематизировать тысячи полицейских отчетов, отбирая те, что имеют отношение к торговле людьми. Система должна была не просто отбирать подозрительные случаи, а находить закономерности, устанавливать круг людей, возможно причастных к преступному бизнесу, то есть обнаруживать и идентифицировать потенциальных подозреваемых.

В создании системы приняли участие даже российские математики из департамента анализа данных и искусственного интеллекта НИУ ВШЭ.

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.

Доктор Шимей Пан из Университета Мэриленда (США) и работающие с ней специалисты создали в 2017 году нейронную сеть, которая с высокой точностью определяет, страдает ли тот или иной пользователь соцсети Facebook какой-либо зависимостью – алкогольной, табачной, наркотической.

Возможности такой диагностики система искусственного интеллекта приобрела в процессе обучения – достигла упражнениями, которые исследователи разработали с помощью трех баз данных. Одна содержала 21 миллион постов, написанных 100 тысячами пользователей, участвовавших в психологических тестах. Другая – 5 миллионов лайков, оставленных 250 тысячами посетителей соцсети. Третья база включала данные на более чем 13 тысяч пользователей, о которых было известно, что они страдают той или иной зависимостью.

Итог обучения: нейронная сеть доктора Шимей Пан выявляет наркоманов с точностью в 84 процента, алкоголиков – с точностью 81 процент, а курильщиков правильно определяет аж в 86 случаях из 100. И это не предел – искусственный интеллект продолжает обучаться. И когда-нибудь достигнет 100-процентной эффективности.

Японское министерство, контролирующее таможню, в 2017 году начало полевые испытания искусственного интеллекта и дронов для борьбы с контрабандой, планируя полностью внедрить такую технологию в преддверии Олимпийских игр 2020 года.

В настоящее время таможенные инспекции в аэропортах и гаванях проводят визуальную проверку рентгеновских снимков для выявления контрабанды наркотиков и взрывчатых веществ. В дополнение к визуальным осмотрам министерство финансов планирует использовать искусственный интеллект. С его помощью будут проанализированы уже имеющиеся в базе данных изображения, чтобы помочь выявлять контрабанду в рентгеновских изображениях.

Также будут подвергнуты анализу данные таможен о въезде и выезде людей из Японии, а также об экспорте-импорте грузов, чтобы определить, когда высока вероятность провоза контрабанды.

Распространение авиакомпаний-лоукостеров привело к резкому увеличению числа прибытий авиалайнеров поздней ночью и ранним утром, особенно из Азии. Новая технология может помочь ускорить проведение проверок в аэропортах, даже если ими занимаются всего несколько таможенников.

Особая активность в работах по созданию ИИ наблюдается в КНР. Первая в Китае национальная лаборатория по разработке технологии «мозгоподобного» искусственного интеллекта (ИИ) 13 мая 2017 года открылась в городе Хэфэй, являющемся административным центром провинции Аньхой (Восточный Китай). Создание этой лаборатории было утверждено Государственным комитетом по делам развития и реформ КНР. Она базируется в Китайском научно-техническом университете и нацелена на развитие парадигмы «мозгоподобных» вычислений и их приложений.

Данный университет известен своей лидирующей ролью в разработке технологии квантовой связи, он размещает национальную лабораторию в сотрудничестве с ведущими китайскими научными учреждениями, включая университет Фудань и Шэньянский институт автоматизации Академии наук Китая, а также оператора крупнейшего в Китае сервиса интернет-поиска – Baidu.

Ректор Китайского научно-технического университета, председатель национальной лаборатории Вань Лицзюнь сообщил информационному агентству Синьхуа, что возможность имитировать способности человеческого мозга по сортировке информации поможет создать полную парадигму разработки технологии ИИ. Лаборатория будет проводить исследования по управлению машинным обучением, включая распознавание сообщений и использование визуальных нейросетей для решения задач.

Власти Китая с 2016 года начали вводить систему оценки граждан по степени их благонадежности на основе ИИ и Больших данных. Каждому человеку будет присвоен некий рейтинг, от которого будет полностью зависеть его жизнь. Сказанное касается всего – от образования до банковских кредитов.

Это не просто концепция проекта. Большая часть описанной выше идеи уже реализована и проверяется в работе властями «на местах». В настоящее время в некоторых регионах страны тестируется система, которая позволяет создавать цифровые записи о гражданах. В каждой записи (анкете) будут фиксироваться детали социальной жизни гражданина и его финансовые действия.

На этой основе формируется «рейтинг благонадежности», который станет определять для любого китайца возможность получить доступ к определенным сервисам, включая путешествия, образование, страхование и кредиты. Вероятно, за некоторыми категориями граждан будет установлено более пристальное наблюдение. К таким категориям можно отнести юристов и журналистов.

В качестве примера того, как все это будет работать, можно привести обычный случай в метро. Например, женщина пробует пройти в подземку по студенческому билету своего сына, который стоит в два раза меньше, чем обычный билет. Ее на этом ловят полицейские и штрафуют на определенную сумму. Кроме штрафа она получает еще и какую-то оценку, влияющую на ее общий рейтинг благонадежности. Еще несколько таких поступков, и она не сможет, например, улететь в другую страну – ей просто не продадут билет.