طور باحثون نموذجاً جديداً للذكاء الاصطناعي قادراً على التنبؤ بالجرائم في المدن الأمريكية بدقة تصل إلى 86.3%، متفوقاً على العديد من الأنظمة الحالية، عبر تحليل مواقع الجرائم وأوقاتها والأنماط الاجتماعية المرتبطة بها.
واعتمد النموذج على دمج عدة تقنيات متقدمة في التعلم الآلي، أبرزها شبكة عصبية "تلافيفية" بيانية لرصد العلاقات بين المواقع، إلى جانب مُحوّل ذكي قادر على اكتشاف الأنماط الزمنية وتتبع تغيرات النشاط الإجرامي مع مرور الوقت.
وأضاف الباحثون شبكة توليدية تنافسية لتعزيز كفاءة النموذج، مع تحسينها باستخدام مُشفر تلقائي تبايني، وهي تقنية تساعد على إنتاج بيانات أكثر دقة وتقليل مشكلات التدريب الشائعة، مثل التحيز أو تباطؤ عملية التعلم.
وأظهرت الاختبارات التي أُجريت على بيانات تاريخية من مدن أمريكية عدة، بينها لوس أنجلوس وسياتل، قدرة النموذج على التنبؤ بعمليات السطو بدقة بلغت 86.3%، مقارنة بـ83.2% لأفضل الأنظمة المنافسة، كما حقق نتائج قوية في أنواع جرائم أخرى.
وأشار الباحثون إلى أن النظام الجديد قد يساعد أجهزة إنفاذ القانون على توزيع الموارد الأمنية بصورة أكثر فاعلية وتحديد المناطق الأكثر تعرضاً للجرائم قبل وقوعها.
وفي المقابل، أوضح الفريق أن النموذج يواجه تحديات في المناطق التي تفتقر إلى بيانات جنائية كافية، إذ تنخفض دقته في المواقع التي لا تتوفر عنها سجلات تاريخية واضحة.
وأكد الباحثون أن الدراسات المستقبلية ستركز على تطوير قدرة النظام على العمل في البيئات المحدودة البيانات، من خلال تقنيات التعلم النقلي التي تسمح بنقل المعرفة المكتسبة من مدينة إلى أخرى لتحسين دقة التنبؤ.
وأشار الباحثون إلى أن النظام الجديد قد يساعد أجهزة إنفاذ القانون على توزيع الموارد الأمنية بصورة أكثر فاعلية وتحديد المناطق الأكثر تعرضاً للجرائم قبل وقوعها.
وفي المقابل، أوضح الفريق أن النموذج يواجه تحديات في المناطق التي تفتقر إلى بيانات جنائية كافية، إذ تنخفض دقته في المواقع التي لا تتوفر عنها سجلات تاريخية واضحة.
وأكد الباحثون أن الدراسات المستقبلية ستركز على تطوير قدرة النظام على العمل في البيئات المحدودة البيانات، من خلال تقنيات التعلم النقلي التي تسمح بنقل المعرفة المكتسبة من مدينة إلى أخرى لتحسين دقة التنبؤ.
