Технологии будущего против криминала

• 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.