Общество контроля. Как сохранить конфиденциальность в эпоху тотальной слежки

PredPol – не единственная программа для прогнозирования и контроля. Другие используют моделирование местности с оценкой риска. Это включает информацию о географических и экологических особенностях, связанных с повышенным риском преступности, например, банкоматы в районах с плохим освещением, скопление винных магазинов и автозаправочных станций вблизи группы незанятых домов или земельных участков. Другие модели включают время суток и погодные условия (в холодную погоду убийства происходят реже).

Прежде чем эти программы смогут прогнозировать преступления, все они должны обучаться на исторических полицейских данных. Например, в описанных выше случаях программы рассматривают плохо освещенные банкоматы как фактор риска, потому что рядом с ними произошло много преступлений. Но тип исторических данных, используемых для обучения алгоритмов, крайне важен.

Если тренировать алгоритмы на нарушениях общественного порядка, таких как бродяжничество, праздношатание или распитие алкоголя в общественном месте, в результате повышается риск расовой предвзятости. Почему? Потому что эти преступления, как правило, зависят от присутствия полиции. Люди вызывают полицию, когда кто-то врывается к ним в дом. Они редко звонят в органы из-за того, что кто-то пьет пиво из открытой бутылки или стоит без дела на углу улицы. Эти правонарушения часто зависят от присутствия сотрудника полиции, который наблюдает, а затем принимает решение о применении соответствующих законов. Как правило, полиция более интенсивно патрулирует улицы в бедных общинах, где преобладают меньшинства. (Мастерски написанная книга Джилл Леови «Геттоцид: правдивая история убийств в Америке» особенно проницательно иллюстрирует и избыток, и в то же время недостаток полицейского контроля в бедных небелых районах: зачастую граждане считают, что полиция слишком сурово расправляется с мелкими правонарушителями, но упускает из виду серьезные преступления.)

Кроме того, если мы желаем избежать усиления расовой предвзятости, не стоит обучать прогностические алгоритмы на основе преступлений, связанных с наркотиками. Причины те же: в 2016 году из всех арестов, связанных с наркотическими веществами, более 75 % произведены за простое хранение наркотиков – преступление, сильно зависящее от вмешательства полиции. Согласно данным Альянса по борьбе с наркотиками – коалиции, выступающей за разумные законы о наркотиках, – прокуроры вдвое чаще добиваются обязательного минимального наказания для чернокожего, чем для белого, обвиняемого в том же преступлении[170]. Я мог бы перечислять аргументы еще на нескольких сотнях страниц, но вы поняли идею: Америка применяет свои законы о наркотиках расистским образом, и алгоритм, обученный расизму, это увековечит.

Помимо распределения патрулей, полиция использует алгоритмы и для других целей. С помощью такой программы в полицейском управлении Чикаго создали стратегический список субъектов (другое название – горячий список), в который включены предполагаемые участники инцидентов со стрельбой, как жертвы, так и преступники. От прогностических программ, рассмотренных выше, этот алгоритм отличается одним важным аспектом: он фокусируется на людях, а не на географии.

Многое в этом списке окутано тайной. Точный алгоритм недоступен общественности, и он неоднократно корректировался после 2013 года, когда был впервые представлен в пилотной программе. В 2017 году, проиграв долгую судебную тяжбу с «Чикаго сан-таймс», департамент полиции опубликовал в интернете множество данных об арестах и одну версию списка[171]. Он использовал восемь признаков для оценки людей с криминальным прошлым по шкале от 0 баллов (низкий риск) до 500 (чрезвычайно высокий риск). Баллы пересчитываются регулярно – в какие-то периоды (и, возможно, до сих пор) ежедневно.

В числе этих признаков – число случаев, когда либо в человека стреляли, либо он был жертвой избиения или нападения при отягчающих обстоятельствах, когда его арестовывали по обвинению в насильственных преступлениях с применением огнестрельного оружия, за наркотики или принадлежность к банде, возраст, когда он был арестован в последний раз, характер недавней преступной деятельности. Алгоритм не учитывает расу и пол отдельных лиц. Он также не использует географию (то есть адрес подозреваемого), которая в Америке часто служит завуалированным указанием на расовую принадлежность.

Аналитик криминальных данных Джефф Ашер, сотрудничающий с «Нью-Йорк таймс», и исследовательская и правозащитная группа Upturn попытались перепроектировать этот алгоритм и пришли к аналогичным результатам[172]. Они заметили, что решающим фактором, определяющим баллы по шкале SSL, является возраст. Это неудивительно: многочисленные исследования показали, что насильственные преступления совершают, как правило, люди молодого возраста.