¿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.
No hay comentarios:
Publicar un comentario