Прогнозирование преступлений, датчики распознавания, реагирование в чрезвычайных ситуациях – современные инструменты для безопасности в городах

ShotSpotter
ShotSpotter
Про­гно­зи­ро­ва­ние пре­ступ­ле­ний, дат­чи­ки и систе­мы рас­по­зна­ва­ния, реа­ги­ро­ва­ние в чрез­вы­чай­ных ситу­а­ци­ях и борь­ба с гры­зу­на­ми – боль­шие дан­ные и тех­но­ло­гии все чаще исполь­зу­ют­ся для того, что­бы сде­лать жизнь в горо­де луч­ше.

Деся­ти­ле­ти­я­ми город­ские служ­бы соби­ра­ют и при­ме­ня­ют в сво­ей рабо­те дан­ные, но с помо­щью инно­ва­ци­он­ных под­хо­дов исполь­зо­вать эти дан­ные мож­но намно­го эффек­тив­нее. В сво­ей ста­тье «Digital Transformation: Wiring the Responsive City» Сти­вен Гол­дсмит рас­смат­ри­ва­ет то, как совре­мен­ные горо­да исполь­зу­ют новые тех­но­ло­гии.

Прогнозирование преступлений

Ста­ти­сти­че­ский ана­лиз, поз­во­ля­ю­щий про­гно­зи­ро­вать пат­тер­ны пре­ступ­ле­ний, исполь­зу­ет­ся депар­та­мен­та­ми поли­ции уже доста­точ­но дав­но, но с раз­ви­ти­ем тех­но­ло­гий про­изо­шло суще­ствен­ное изме­не­ние в харак­те­ре про­гно­зи­ро­ва­ния – вме­сто про­сто­го реа­ги­ро­ва­ния на ситу­а­цию ста­ло воз­мож­ным пред­ска­за­ние пре­ступ­ле­ния еще до того, как оно про­изой­дет.

В 2010 году в поли­цей­ском депар­та­мен­те горо­да Сан­та-Круз рабо­та­ло на 20% мень­ше сотруд­ни­ков, чем в 2000-м, но вызо­вов при этом было на 30% боль­ше. Сокра­ще­ние бюд­же­та и рост чис­ла пре­ступ­ле­ний заста­ви­ли депар­та­мент заду­мать­ся о более эффек­тив­ном рас­пре­де­ле­нии сво­их ресур­сов. Было реше­но обра­тить­ся к мате­ма­ти­ку Джор­джу Мохле­ру (George Mohler), кото­рый раз­ра­бо­тал для депар­та­мен­та метод про­гно­зи­ро­ва­ния пре­ступ­ле­ний, осно­вы­ва­ю­щий­ся на мате­ма­ти­че­ской фор­му­ле, пред­ска­зы­ва­ю­щей толч­ки после зем­ле­тря­се­ний.

Пре­ступ­ни­ки хотят повто­рять свои пре­ступ­ле­ния, и они воз­вра­ща­ют­ся в те места, где их совер­ши­ли, – это почти иден­тич­но тому, как про­ис­хо­дят под­зем­ные толч­ки после зем­ле­тря­се­ний, обра­зуя пред­ска­зу­е­мый пат­терн.

В резуль­та­те было созда­но про­грамм­ное обес­пе­че­ние PredPol («predictive policing»), про­гно­зи­ру­ю­щее пре­ступ­ле­ния и исполь­зу­ю­ще­е­ся в неко­то­рых муни­ци­па­ли­те­тах США и Вели­ко­бри­та­нии.

Вме­сто того что­бы про­сто обо­зна­чать обла­сти с высо­кой кон­цен­тра­ци­ей пре­ступ­ле­ний, PredPol лока­ли­зу­ет потен­ци­аль­ные обла­сти буду­щих пре­ступ­ле­ний. С помо­щью про­грам­мы созда­ют­ся кар­ты, кото­рые исполь­зу­ет поли­цей­ский пат­руль и суть кото­рых не в том, что­бы заме­нить зна­ния и инту­и­цию поли­цей­ских, а в том, что­бы эти зна­ния допол­нить.

И, судя по все­му, это полу­ча­ет­ся у PredPol очень хоро­шо. Так, поли­ци­ей Лос-Андже­ле­са был про­ве­ден срав­ни­тель­ный экс­пе­ри­мент: в неко­то­рые дни поли­цей­ский пат­руль полу­чал тра­ди­ци­он­ные кар­ты с обо­зна­чен­ны­ми на них кри­ми­но­ген­ны­ми обла­стя­ми, а в неко­то­рые – кар­ты, сге­не­ри­ро­ван­ные при помо­щи PredPol. Экс­пе­ри­мент пока­зал, что моде­ли PredPol ока­за­лись в два раза более точ­ны­ми, чем тра­ди­ци­он­ное про­гно­зи­ро­ва­ние, а уро­вень пре­ступ­ле­ний там, где исполь­зу­ет­ся эта про­грам­ма, зна­чи­тель­но сни­зил­ся.

Прогнозирование испытательного срока

В 2006 году повтор­ные пре­ступ­ле­ния, кото­рые совер­ши­ли люди, нахо­дя­щи­е­ся на испы­та­тель­ном сро­ке, сде­ла­ли Фила­дель­фию одной из кри­ми­наль­ных сто­лиц США. Для того что­бы умень­шить веро­ят­ность повтор­но­го совер­ше­ния пре­ступ­ле­ний, было реше­но най­ти спо­соб систе­ма­ти­че­ски выяв­лять тех, кто наи­бо­лее скло­нен совер­шить пре­ступ­ле­ние сно­ва, и сле­дить за ними соот­вет­ствен­но.

Раз­ра­бот­ку такой систе­мы воз­гла­вил социо­лог Ричард Берк (Richard Berk). Свою модель Берк постро­ил на десят­ках тысяч кри­ми­наль­ных запи­сей и десят­ках таких пере­мен­ных, как пол, воз­раст, коли­че­ство преды­ду­щих пре­ступ­ле­ний и их тип. Эта модель поз­во­ля­ет най­ти пат­тер­ны и свя­зи меж­ду раз­лич­ны­ми пере­мен­ны­ми и кате­го­ри­зи­ро­вать пре­ступ­ни­ков, нахо­дя­щих­ся на испы­та­тель­ном сро­ке, в соот­вет­ствии с риском, кото­рый они пред­став­ля­ют для обще­ства. Бла­го­да­ря это­му за теми, кто нахо­дит­ся в груп­пе рис­ка, мож­но наблю­дать более тща­тель­но.

Но воз­ник­ла про­бле­ма: коэф­фи­ци­ент ошиб­ки в моде­ли был такой, что в кате­го­рии с высо­ким риском ока­за­лось слиш­ком мно­го пре­ступ­ни­ков (кото­рые на самом деле мог­ли пред­став­лять неболь­шой риск) и у поли­ции не было воз­мож­но­сти осу­ществ­лять наблю­де­ние за все­ми. Зада­ча состо­я­ла в умень­ше­нии чис­ла оши­бок настоль­ко, что­бы про­гно­зи­ро­ва­ние сов­па­да­ло с воз­мож­но­стя­ми поли­ции.

К удив­ле­нию мно­гих, соглас­но моде­ли Бер­ка пер­вое пре­ступ­ле­ние (насиль­ствен­ное / нена­силь­ствен­ное) почти никак не было свя­за­но с веро­ят­но­стью того, что дан­ный чело­век совер­шит пре­ступ­ле­ние в буду­щем. Это при­ве­ло к выяв­ле­нию более слож­ных зави­си­мо­стей, напри­мер, связь воз­рас­та пре­ступ­ни­ка на момент совер­ше­ния им пер­во­го пре­ступ­ле­ния со вто­рым его пре­ступ­ле­ни­ем. Но глав­ная цен­ность моде­ли не в иссле­до­ва­тель­ских резуль­та­тах, а в прак­ти­че­ском при­ме­не­нии – модель, исполь­зуя слож­ный алго­ритм, при­ни­ма­ет реше­ние о том, какой уро­вень наблю­де­ния необ­хо­дим для каж­до­го кон­крет­но­го чело­ве­ка, нахо­дя­ще­го­ся на испы­та­тель­ном сро­ке.

Модель рабо­та­ет в режи­ме реаль­но­го вре­ме­ни: в тот момент, когда инди­ви­да реги­стри­ру­ют на испы­та­тель­ный срок, про­грам­ма соби­ра­ет все дан­ные о нем из судеб­ных и поли­цей­ских запи­сей, запус­ка­ет алго­ритм оцен­ки и при­суж­да­ет кате­го­рию рис­ка менее чем за 10 секунд.

Пока слож­но гово­рить, умень­шил­ся ли уро­вень повтор­ных пре­ступ­ле­ний с вве­де­ни­ем такой инно­ва­ции, но модель точ­но помог­ла поли­ции справ­лять­ся с уве­ли­чив­шим­ся коли­че­ством пре­ступ­ни­ков при умень­шив­шем­ся шта­те поли­цей­ских депар­та­мен­тов.

Осведомленность: полицейские, датчики и социальные медиа

Новые тех­но­ло­гии и боль­шие дан­ные нашли свое при­ме­не­ние и в поли­цей­ских депар­та­мен­тах. Так, напри­мер, депар­та­мент поли­ции Нью-Йор­ка сов­мест­но с Microsoft раз­ра­бо­тал Domain Awareness System (DAS) – систе­му, кото­рая агре­ги­ру­ет и ана­ли­зи­ру­ет инфор­ма­цию об обще­ствен­ной без­опас­но­сти из отче­тов, камер наблю­де­ния, наблю­де­ний оче­вид­цев и т.д. Затем эту инфор­ма­цию о потен­ци­аль­ных угро­зах и кри­ми­наль­ной актив­но­сти в режи­ме реаль­но­го вре­ме­ни полу­ча­ют сле­до­ва­те­ли и ана­ли­ти­ки депар­та­мен­та.

Похо­жим обра­зом рабо­та­ет ShotSpotter – аку­сти­че­ская систе­ма наблю­де­ния, кото­рая фик­си­ру­ет выстре­лы из ору­жия и опо­ве­ща­ет об этом поли­цию. Сен­со­ры ShotSpotter поз­во­ля­ют опре­де­лить место, где про­изо­шел инци­дент, с точ­но­стью до двух футов.

Но город­ская жизнь состо­ит из мно­же­ства зву­ков, часть кото­рых мож­но при­нять за выстре­лы из ору­жия. Что­бы избе­жать таких оши­бок, зву­ки, кото­рые сен­со­ры опре­де­ля­ют как выстре­лы, отправ­ля­ют­ся экс­пер­там. Если ока­за­лось, что дей­стви­тель­но про­изо­шел выстрел, то инфор­ма­ция о том, где, когда и сколь­ко выстре­лов было совер­ше­но, отправ­ля­ет­ся поли­ции. Весь этот про­цесс – с момен­та, когда выстрел был засе­чен, до отправ­ки инфор­ма­ции поли­ции – зани­ма­ет око­ло 40 секунд. Дан­ная тех­но­ло­гия исполь­зу­ет­ся уже в 75 горо­дах США.

Систе­ма помо­га­ет не толь­ко опе­ра­тив­но реа­ги­ро­вать на про­ис­ше­ствия, но и узна­вать о них – жите­ли неко­то­рых рай­о­нов часто не сооб­ща­ют в поли­цию о пре­ступ­ле­ни­ях, оче­вид­ца­ми кото­рых явля­ют­ся. Так, в горо­де Милу­оки толь­ко о 14% всех выстре­лов, кото­рые зафик­си­ро­вал ShotSpotter, было сооб­ще­но в поли­цию.

Дру­гой частью трен­да в исполь­зо­ва­нии новых тех­но­ло­гий для повы­ше­ния осве­дом­лен­но­сти явля­ет­ся исполь­зо­ва­ние соци­аль­ных медиа и, в част­но­сти, Twitter. Поли­ция все чаще пола­га­ет­ся на эту соци­аль­ную сеть и исполь­зу­ет для ком­му­ни­ка­ции с жите­ля­ми горо­да. Напри­мер, во вре­мя бес­по­ряд­ков, устро­ен­ных спор­тив­ны­ми болель­щи­ка­ми в Ван­ку­ве­ре, поли­ция исполь­зо­ва­ла Twitter для того, что­бы быть в кур­се ситу­а­ции, а после того, как бес­по­ряд­ки были устра­не­ны, Twitter и Facebook ста­ли кана­ла­ми, через кото­рые сви­де­те­ли мог­ли сооб­щить поли­ции име­ю­щу­ю­ся у них инфор­ма­цию.

Чрезвычайные ситуации: быстрое реагирование и распространение данных

Волон­тер­ская орга­ни­за­ция Team Rubicon зани­ма­ет­ся рас­пре­де­ле­ни­ем волон­те­ров в обла­сти, где про­изо­шли чрез­вы­чай­ные ситу­а­ции. Но эффек­тив­ное рас­пре­де­ле­ние волон­те­ров – это все­гда слож­ная зада­ча, осо­бен­но когда о ситу­а­ции извест­но немно­гое.

После ура­га­на Сэн­ди Team Rubicon объ­еди­нил­ся для про­ве­де­ния вос­ста­но­ви­тель­ных работ с Palantir, ком­па­ни­ей, зани­ма­ю­щей­ся инно­ва­ци­он­ны­ми раз­ра­бот­ка­ми в обла­сти боль­ших дан­ных в пуб­лич­ном сек­то­ре. Так, плат­фор­ма «Gotham», кото­рую Palantir изна­чаль­но создал для помо­щи ФБР и ЦРУ в борь­бе с тер­ро­риз­мом, уни­фи­ци­ру­ет и объ­еди­ня­ет раз­лич­ные набо­ры дан­ных. Имен­но эту плат­фор­му было реше­но исполь­зо­вать для устра­не­ния послед­ствий ура­га­на.

Мобиль­ный интер­фейс плат­фор­мы был дора­бо­тан таким обра­зом, что волон­те­ры из Team Rubicon мог­ли полу­чать, отправ­лять и соби­рать важ­ную инфор­ма­цию. Инже­не­ры, в свою оче­редь, настро­и­ли систе­му таким обра­зом, что­бы мож­но было объ­еди­нять и рас­про­стра­нять демо­гра­фи­че­ские дан­ные, кар­ты, дан­ные о состо­я­нии атмо­сфе­ры и т.д. Таким обра­зом, на осно­ве име­ю­щей­ся инфор­ма­ции ста­ло воз­мож­ным быст­рое реа­ги­ро­ва­ние и эффек­тив­ное рас­пре­де­ле­ние задач сре­ди волон­те­ров.

Борьба с грызунами в Чикаго

Улич­ные кры­сы – это угро­за инфра­струк­ту­ре, запа­сам еды и здо­ро­вью жите­лей любо­го горо­да. Депар­та­мент инно­ва­ций и тех­но­ло­гий Чика­го (DoIT) объ­еди­нил­ся с лабо­ра­то­ри­ей EPD Lab при уни­вер­си­те­те «Кар­не­ги-Мел­лон» для того, что­бы решить про­бле­му с гры­зу­на­ми – не толь­ко создать кар­ту, пока­зы­ва­ю­щую, какие рай­о­ны в горо­де наи­бо­лее под­вер­же­ны ата­кам гры­зу­нов, но и про­гно­зи­ро­вать такие вспыш­ки до того, как они про­изой­дут.

Обна­ру­же­ние гнезд гры­зу­нов – это веч­ная про­бле­ма Чика­го, а без точ­ных дан­ных о том, где они рас­по­ло­же­ны, актив­ные дей­ствия по борь­бе с ними невоз­мож­ны. Что­бы решить про­бле­му нехват­ки инфор­ма­ции, коман­да обра­ти­лась к набо­ру дан­ных город­ской служ­бы 311, содер­жа­ще­му 4 мил­ли­о­на звон­ков – от жалоб на самих гры­зу­нов до жалоб на сле­ды их дея­тель­но­сти. Иссле­до­ва­те­ли нашли зави­си­мость меж­ду этой инфор­ма­ци­ей и дру­ги­ми дан­ны­ми, напри­мер, выяс­ни­лось, что жало­бы на крыс начи­на­ют посту­пать через семь дней после жалоб на мусор в этой же обла­сти. Исполь­зуя эти дан­ные и дру­гие инди­ка­то­ры, напри­мер, про­теч­ку водо­про­вод­ных труб, воз­мож­но про­гно­зи­ро­ва­ние появ­ле­ние боль­шо­го чис­ла крыс в кон­крет­ной обла­сти и при­ме­не­ние пре­вен­тив­ных мер.

Аналитика данных для оценки общественной безопасности

Нель­зя сде­лать луч­ше то, что невоз­мож­но изме­рить. К тако­му выво­ду при­шло пра­ви­тель­ство Нью-Йор­ка летом 2013-го, когда из-за мед­лен­но­го отве­та служ­бы 911 коли­че­ство смер­тель­ных про­ис­ше­ствий силь­но воз­рос­ло. Несмот­ря на то, что город потра­тил $88 на обнов­ле­ние авто­ма­ти­зи­ро­ван­ной дис­пет­чер­ской систе­мы, при­чи­на задер­жек оста­ва­лась неяс­на – по раз­ным вер­си­ям она заклю­ча­лась в новом про­грамм­ном обес­пе­че­нии, ошиб­ках опе­ра­то­ров или в чем-то совер­шен­но ином.

Это послу­жи­ло при­чи­ной раз­ра­бот­ки мето­да оцен­ки каж­дой ста­дии в про­цес­се реа­ги­ро­ва­ния на ЧС – от звон­ка в 911 до при­бы­тия служ­бы спа­се­ния на место. Теперь город полу­чил воз­мож­ность отсле­жи­вать ско­рость реа­ги­ро­ва­ния 911, выяв­лять неэф­фек­тив­ность и при­чи­ну задерж­ки в каж­дом кон­крет­ном слу­чае, а так­же при­ни­мать стра­те­ги­че­ские реше­ния об инве­сти­ции ресур­сов.

Вве­де­ние инно­ва­ций и исполь­зо­ва­ние новых тех­но­ло­гий – это все­гда непро­стой про­цесс, но его резуль­та­том ста­но­вит­ся не про­сто луч­ший сер­вис: новые спо­со­бы рабо­ты поз­во­ля­ют сохра­нять вре­мя, день­ги и ресур­сы, а так­же делать горо­да без­опас­нее.