Europski parlament je još 2018. izglasao promjene u sustavu upozoravanja građana EU u slučaju krizne situacije. Bilo je to dan nakon treće godišnjice terorističkih napada u Parizu, a svake godine se za obilježavanja sličnih tužnih događaja ponovno podsjetimo na važnost brzih reakcija i točnog informiranja u takvim situacijama. Od srpnja iduće godine sve će članice morati imati funkcionalan sustav „reverse 112“ koji šalje SMS poruke ljudima na ugroženom području, i u slučaju opasnog ljudskog djelovanja, kao i kod vremenskih nepogoda i katastrofa poput potresa.
U Hrvatskoj smo, nažalost, već više puta od 2018. mogli iskoristiti SMS upozorenje, a posebno u slučaju jakih potresa na području Zagreba i Sisačko-moslavačke županije, te na taj način usmjeriti građane kako da se ponašaju i koja su im skloništa potencijalno dostupna. Situacija je bila posebno izazovna zbog epidemije, a takav sustav, poput našeg HAVENA, istovremeno može pratiti i kretanja osoba iz žarišta epidemije. Tada su zbog potresa ukinuta ograničenja kretanja između županija i sustav poput našega je mogao pridonijeti daljnjem anonimiziranom praćenju kretanja potencijalno rizičnih skupina. Kao što sam spomenuo, svi podaci su anonimizirani i agregirani, zbog usklađivanja s EU GDPR protokolima.
No, vratimo se na opasnosti koje dolaze od ljudskih, kriminalnih aktivnosti. Umjetna inteligencija već danas može imati široku primjenu. Kako koristi ljudskom mozgu nedostižnu količinu podataka, AI može prepoznati uzorke prijašnjih događaja i predvidjeti kako bi se isti dalje mogli odvijati. U BISS-u smo našli jedan način korisne primjene big data, pa tako naši studenti vježbaju pravo predviđanje mjesta i datuma zločina!
Kako već dulje vrijeme radimo na tom istraživanju, ispostavilo se koji povijesni podaci najviše utječu na preciznost predviđanja zločina, odnosno koje korelacije postoje među tim podacima. Točnost predviđanja dosegla je vrijednosti između 70% i 90%, a prikazuje se korištenjem heatmap prikaza na karti područja koje se analizira, što je u našem israživanju New York, čime se optimalno označavaju najkritičnija područja. Tu koristimo strojno učenje i treniramo modele dostupnim podacima poput razine siromaštva, obrazovanja, povijesnih podataka o zločinima, dana u godini, godišnjeg doba, temperature i prognoze. Klasična statistika zločina uglavnom ne uzima u obzir uzroke događaja zločina, dok naše istraživanje potvrđuje korelaciju između podataka koji definiraju uzroke.
Sustavi poput opisanog mogu se dakle koristiti u preventivnom djelovanju i smanjenju stope kriminala. Primjerice, slanjem dodatnih policijskih patrola u kvart na koji je ukazala umjetna inteligencija moglo bi se obeshrabriti potencijalne počinitelje. Prema našim saznanjima se već koristi nekoliko takvih sustava, uglavnom u gradovima Sjedinjenih Američkih Država, ali bez većeg uspjeha, no to također ovisi o količini i kvaliteti podataka koji se analiziraju.
Sličan sustav razvijamo i za prepoznavanje opasnosti od nesreća na prometnicama, tako da u dogledno razdoblje možemo očekivati kako će umjetna inteligencija globalno donijeti nove mogućnosti za sigurniju svakodnevicu. U doba kad prečesto čitamo crne naslove, tehnologija nam daje malo nade da jednog dana neće baš sve biti prepušteno slučaju i da ćemo se općenito osjećati sigurnije u gradovima u kojima živimo ili kao turisti.
