¿ES POSIBLE CONSTRUIR UN ALGORITMO, PARA EXPLICAR EL CRIMEN?

¿ES POSIBLE CONSTRUIR UN ALGORITMO, PARA EXPLICAR EL CRIMEN?

La escena se repite a diario en muchas ciudades de América Latina.

Un patrullero recibe el mensaje por radio y trata de dirigirse lo más rápidamente posible al lugar de los hechos, activando sus sirenas para esquivar embotellamientos e incrementando el peligro de decenas de peatones y automovilistas.

Cuando llega a destino, o los criminales ya han huido, o si la situación delictiva continúa se desata un escenario de aún mayor violencia y riesgo para terceros.

La descripción es representativa de las técnicas de policiamiento que han predominado en las últimas décadas: una combinación de patrullaje aleatorio y reactivo.

Los datos de estadísticas criminales y el auge del patrullaje por puntos calientes han mejorado notablemente la efectividad de la policía.

Pero ¿qué tal si pudiéramos ir un paso más allá y usar algoritmos para predecir el delito y frenarlo antes de que ocurra?

UN ALGORITMO PARA ANTICIPARSE AL CRIMEN

Las estadísticas criminales apuntan ciertos patrones del crimen, pero combinadas con otros datos aparentemente inconexos (información meteorológica, o data proveniente de telecomunicaciones o Twitter) el potencial predictivo se multiplica.

Numerosos departamentos de policía están ya tratando de anticiparse al delito mediante el uso de herramientas de inteligencia artificial y aprendizaje automático.

“Las estadísticas criminales multiplican su potencial predictivo cuando se combinan en un algoritmo con datos aparentemente inconexos como mensajes en redes sociales o información meteorológica”

California tiene ahora mismo en implementación dos casos interesantes y promisorios.

El Departamento de Policía de Santa Cruz combina entre 1,200 y 2,000 datos distintos sobre asaltos y robos previos para prevenir con un alto nivel de precisión las ubicaciones de futuros delitos.

Con el uso de este sistema, en seis meses se logró una reducción en los robos del 19%.

En una evaluación de un sistema similar implementado por el Departamento de Policía de Los Ángeles, se verificó que en aquellos distritos donde se había implementado el policiamiento predictivo los delitos contra la propiedad se redujeron un 12%.

Investigadores de UCLA estimaron que el uso del sistema puede ahorrarle nueve millones de dólares por año a las arcas públicas de la ciudad.

En América Latina, el policiamiento predictivo ha comenzado a ser implementado hace algunos años por parte de Carabineros en Chile, y Colombia también está empezando a desarrollar pilotos muy prometedores.

DATA COMBINADA PARA REDUCIR LA REINCIDENCIA

En nuestra región, las tasas de reincidencia muestran que un tercio de la población carcelaria vuelve a cometer un delito cuando sale en libertad.

Idealmente, un algoritmo sería de utilidad si pudiera predecir la probabilidad de que un detenido reincida en el caso de ser liberado, de manera tal que se pueda otorgar la libertad condicional solamente a aquellos que no reincidirán, y focalizar los programas sociales y de reinserción en quienes se encuentran con mayor riesgo de volver a delinquir.

En este sentido, algunos avances son promisorios; por ejemplo, un reciente estudio realizado en Pennsylvania muestra cómo la aplicación de técnicas de Machine Learning para el otorgamiento de libertades condicionales derivó en una significativa reducción de las personas que fueron detenidas nuevamente, tanto por crímenes violentos como no violentos.

Además, y aunque la reacción más típica al hablar de Machine Learning es pensar en grandes computadoras captando millones de datos y generando sofisticados modelos matemáticos, lo cierto es que hay muchos ejemplos de casos aplicados a temas de seguridad o justicia criminal que han generado algoritmos predictivos muy útiles con bases de datos relativamente pequeñas.

LA OTRA CARA DE LA MONEDA: CONTROL DE SESGOS

A pesar de que algunos estudios rigurosos muestran que las técnicas de Machine Learning aplicadas al policiamiento predictivo producen menos sesgos que las decisiones humanas, lo cierto es que el uso de estas tecnologías debe ser implementado con precaución.

En primer lugar, aunque los algoritmos son generados directamente por computadoras que “aprenden” de los datos que reciben, los datos que se colectan pueden representar solo una porción de la realidad (sobre-representando ciertos casos y sub-representando otros).

Por ejemplo, recientemente una coalición de actores sociales ha comenzado a protestar contra la policía de Los Ángeles bajo el argumento de que los programas de policiamiento predictivo discriminan a determinados grupos sociales.

Por ello, es importante que el policiamiento predictivo sea usado para intuir cuándo y dónde los delitos serán cometidos, pero no para detectar quién cometerá los delitos al nivel del individuo para evitar riesgos de sesgos sociodemográficos.

EL COMPONENTE HUMANO DE LA INTELIGENCIA ARTIFICIAL

El aprendizaje automático puede ser empleado de manera inmediata y económica para reducir el delito y mejorar la administración de justicia en la región, tanto a nivel nacional como subnacional.

Su implementación en América Latina es promisoria, sobre todo teniendo en cuenta que puede ser un recurso muy COSTO-EFICIENTE y fácil de implementar especialmente en los países que ya colectan datos de calidad.

Por supuesto, la implementación de algoritmos para prevenir el crimen debe hacerse a conciencia de los riesgos y teniendo en cuenta que el alcance de predicciones certeras no implica que las decisiones sean tomadas por máquinas.

La conexión entre la predicción y la decisión es fundamental para garantizar resultados de política pública concretos, justos y eficientes.