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.