τεχνητή νοημοσύνη & έγκλημα ΤΕΥΧΟΣ #7 ΟΚΤΩΒΡΙΟΣ 2018

Τεχνητή Νοημοσύνη & Έγκλημα: Μια άλλη διάσταση

Χρυσή Χρυσοχού

Πριν μερικά χρόνια όταν μιλούσε κανείς δημόσια για Τεχνητή Νοημοσύνη, θεωρούνταν ότι αναφερόταν γενικώς είτε σε κάποιο σενάριο ταινίας επιστημονικής φαντασίας ή σε κάποια καλοφτιαγμένη θεωρίας συνομωσίας απο αυτές που έχουν ταυτόχρονα πολλούς οπαδούς αλλά και πολέμιους. Δεκαετίες μετά, βιώνουμε στην καθημερινή μας ζωή τα επιτεύγματα των εφαρμογών της Τεχνητής Νοημοσύνης και αναμένουμε ακόμα και άλλες σπουδαίες εξελίξεις στον τομέα αυτόν μέσα στα επόμενα χρόνια. Η Τεχνητή Νοημοσύνη λοιπόν, είναι εδώ, είναι παντού και είναι πλέον πραγματικότητα.

Τι εννοούμε όμως με τον όρο Τεχνητή Νοημοσύνη, ποια η διαφορά του όρου αυτού απο την “Μηχανική Μάθηση” (MachineLearning, ML) και “Βαθιά Μάθηση” (DeepLearning, DL) και ποια η σχέση της τεχνητής Νοημοσύνης με το έγκλημα;

Ο όρος “Τεχνητή Νοημοσύνη” ανήκει στον JohnMcCarthy[1] ήδη απο το 1955 και αναφέρεται στην επιστήμη που ασχολείται με την σχεδίαση και τη δημιουργία νοούντων υπολογιστικών συστημάτων (και προγραμμάτων) που προσιδιάζουν στην ανθρώπινη νοημοσύνη, περιλαμβάνοντας λειτουργίες όπως η κατανόηση, η γλώσσα, η αναγνώριση ήχων και αντικειμένων, η μάθηση και η επίλυση προβλημάτων.

Ο όρος “Μηχανική Μάθηση” (MachineLearning, ML), αποτελεί κλάδο της Τεχνητής Νοημοσύνης και αναφέρεται στην ιδιότητα ενός υπολογιστικού συστήματος να βελτιώνει τις γνώσεις και τη συμπεριφορά του, αναλύοντας νέα δεδομένα με τη βοήθεια αλγόριθμων χωρίς την ανάγκη περαιτέρω προγραμματισμού[2].

Ο όρος “Βαθιά Μάθηση” (Deep Learning, DL), είναι ο κλάδος αιχμής της “Μηχανικής Μάθησης” που επίσης βρίσκεται κάτω από την ευρεία κατηγορία της “Τεχνητής Νοημοσύνης”.  Hβαθιά Μάθηση χρησιμοποιεί τεχνητά νευρωνικά δίκτυα (artificial neural networks), αλγορίθμους που μιμούνται την βιολογική δομή του ανθρώπινου εγκεφάλου και επεξεργάζονται τεράστιο όγκο δεδομένων, συσχετίζοντας τα μεταξύ τους με σκοπό την εξαγωγή συμπερασμάτων ή ακόμα και περίπλοκων προβλέψεων[3].

Τα τελευταία τεχνολογικά επιτεύγματα σπουδαίων εταιριών παγκοσμίως που επένδυσαν στον τομέα της Βαθιάς Μάθησης συγκεντρώνονται στους τομείς της τεχνολογίας, των χρηματοοικονομικών και πιστωτικών ιδρυμάτων και του ηλεκτρονικού εμπορίου και αφορούν εφαρμογές της καθημερινότητας που μας έχουν λύσει κυριολεκτικά τα χέρια όπως, η υπηρεσία φωνητικής αναζήτησης του Bing, της μηχανής αναζήτησης της Microsoft, η φωνητική αναγνώριση φυσικής γλώσσας στο Xbox One, οι προτάσεις ταινιών στο Netflix, οι προτάσεις μουσικής στοSpotify, και οι προτάσεις προϊόντων στο Amazon, τα μοντέλα ανίχνευσης ηλεκτρονικής απάτης της Paypal[4] και πολλά άλλα.

Σύμφωνα με τα παραπάνω λοιπόν, η Μηχανική Μάθησης στον πυρήνα της, είναι ο λόγος ύπαρξης της Τεχνητής Νοημοσύνης. Και η Τεχνητή Νοημοσύνη υπάρχει, γιατί στο περιβάλλον μας δημιουργείται και διακινείται διαρκώς τεράστιος όγκος δεδομένων, τα οποία (δεδομένα) εφόσον επεξεργαστούν και αναλυθούν  περαιτέρω, συσχετιστούν μεταξύ τους και με έτερα πρότυπα, δύνανται να καταλήγουν σε ποικίλες -περίπλοκες ή μη- δομές και συμπεράσματα που εξυπηρετούν διάφορες λειτουργίες και τομείς της καθημερινότητάς μας.

Αρκετές ιδιωτικές επιχειρήσεις παγκοσμίως[5], όπως για παράδειγμα τράπεζες και πάροχοι συστημάτων πληρωμών μέσω διαδικτύου χρησιμοποιούν την τεχνητή νοημοσύνη για την ανίχνευση απάτης και την αποκάλυψη εγκλημάτων που αφορούν ξέπλυμα μαύρου χρήματος. Επιπλέον, εταιρίες υπηρεσιών κοινωνικής δικτύωσης έχουν ενσωματώσει τεχνικές τεχνητής νοημοσύνης[6] στους αλγόριθμους τους ώστε να ανιχνεύουν υλικό παιδικής πορνογραφίας στο λιγότερο δυνατό χρόνο και να το απομακρύνουν ή να εμποδίζουν την διασπορά του. Σε γενικές γραμμές, οι ιδιωτικές εταιρίες επενδύουν[7] στην τεχνητή νοημοσύνη, με σκοπό την ελαχιστοποίηση του κινδύνου κατά την ανάπτυξη και προώθηση του επιχειρηματικού τους μοντέλου και των προσφερόμενων απο αυτές υπηρεσιών αλλά και την άμεση ανταπόκριση τους και τη συνεργασία τους με τις διωκτικές αρχές με σκοπό την πρόληψη ή την καταστολή εγκληματικών ενεργειών εις βάρος αυτών ή των πελατών τους.

Σε επίπεδο κρατικών δημόσιων φορέων, οι αστικές υποδομές και η αστική ανάπτυξη σε παγκόσμιο επίπεδο μεταπηδούν πλέον στο “έξυπνο” και διασυνδεδεμένο ψηφιακό περιβάλλον, χρησιμοποιώντας και αναλύοντας πληροφορίες και δεδομένα σε πραγματικό χρόνο (real time) μέσα απο μια σειρά -διασυνδεδεμένων  ή μη- “έξυπνων συσκευών”, όπως το παραδοσιακό πλέον κλειστό κύκλωμα καμερών ασφαλείας στο οποίο τα τελευταία χρόνια έχει προστεθεί ως καινοτομία η επιπρόσθετη λειτουργία αυτόματης αναγνώρισης προσώπου, με χρήση πρόληψης εγκλήματος αλλά και γενικότερης εποπτείας τηςδημόσιας τάξης, αλλά και οι “έξυπνοι” λαμπτήρες φωτισμού, αλλά και οι αισθητήρες ανίχνευσης καιρικών συνθηκών (υγρασίας, αέρα, βροχής κτλ), με σκοπό την καλύτερη διαχείριση του φυσικού περιβάλλοντος και την καλύτερη αξιοποίηση των πηγών ενέργειας[8].

Ιδιαίτερα σημαντική είναι τα τελευταία χρόνια, η εφαρμογή της τεχνητής νοημοσύνης στον τομέα της εθνικής ασφάλειας και της πρόληψης ή καταστολής εγκλημάτων. Εταιρίες σε όλο τον κόσμο επενδύουν στη δημιουργία “έξυπνων συσκευών” που όχι μόνο ανιχνεύουν το έγκλημα λίγα λεπτά αφότου έχει ήδη διαπραχθεί, αλλά μπορούν ακόμα και να το προβλέψουν, ώστε να εμποδίσουν αποτελεσματικά την τέλεση του[9].  Η υπηρεσία της αστυνομίας ορισμένων πολιτειών στις ΗΠΑ για παράδειγμα, χρησιμοποιεί ειδικό λογισμικό εντοπισμού του πυροβολισμού, με σκοπό την άμεση επέμβαση στο έγκλημα ακόμα και αν ο πυροβολισμός δεν έχει καταγγελθεί από κάποιον πολίτη ή  ακόμα και αν δεν έχει φθάσει ποτέ το περιστατικό αυτό προς διερεύνηση στην αστυνομία. Ο εντοπισμός γίνεται ως εξής: τοποθετούνται κάμερες και ειδικοί ανιχνευτές ήχου σε διάφορα σημεία της πόλης, τα οποία ανιχνεύουν τον πυροβολισμό τη στιγμή που συμβαίνει και με βάση τη χρήση αλγορίθμου μηχανικής μάθησης, εντοπίζουν με τη μέθοδο του τριγωνισμού, συνυπολογίζοντας την ένταση του ήχου, το χρόνο ανίχνευσης του θορύβου και την αντανάκλαση του ήχου στα κτίρια, την ακριβή τοποθεσία του πυροβολισμού[10].

Μια άλλη εξαιρετικά ενδιαφέρουσα χρήση της τεχνητής νοημοσύνης είναι στην ανίχνευση παραβατικής συμπεριφοράς με σκοπό την πρόληψη των εγκλημάτων. Μια κινεζική εταιρία έχει δημιουργήσει μια μέθοδο με τη χρήση καμερών ασφαλείας με λειτουργία αναγνώρισης προσώπου, παρακολούθησης ασυνήθιστων ή ύποπτων συμπεριφορών πολιτών σε δημόσιο χώρο ώστε να επέμβει το συντομότερο δυνατόν όταν ανιχνευθεί μια συμπεριφορά που “τείνει” προς το έγκλημα ή ακόμα και να εντοπίσει τον ένοχο μέσω του συλλεχθέντος υλικού[11].

Εκτός από τα αναρίθμητα πλεονεκτήματα της τεχνητής νοημοσύνης σε επίπεδο υπερεθνικό, εθνικό, αλλά και τοπικό, στον ιδιωτικό ή δημόσιο τομέα, φαίνεται πως οι προκλήσεις για το κοινωνικό σύνολο και τα ανθρώπινα δικαιώματα σε κάποιες περιπτώσεις αποτελούν τροχοπέδη στην εφαρμογή της ή κατ’ ελάχιστον απαιτούν τη λήψη επιπρόσθετων μέτρων με βάση την αρχή της αναλογικότητας και της αρχής του μέσου προς τον επιδιωκόμενο σκοπό. Ένας κίνδυνος που φέρει η λειτουργία της τεχνητής νοημοσύνης είναι ότι δύναται να καταλήγει σε επισφαλή συμπεράσματα για άτομα ή καταστάσεις που βασίζονται ιδιαίτερα σε παράγοντες, όπως η εθνικότητα, η φυλετική καταγωγή, η ηλικία και το φύλο και να αποκλείονται αυτομάτως -χωρίς την ανθρώπινη επέμβαση- άτομα από την απόλαυση συγκεκριμένων δικαιωμάτων με βάση εσφαλμένα δεδομένα ή λανθασμένους συσχετισμούς αυτών από το ίδιο το σύστημα. Ένας ακόμα κίνδυνος σχετίζεται με την επεξεργασία προσωπικών δεδομένων και αφορά το τρόπο συλλογής των δεδομένων αυτών, την αιτία συλλογής τους, το χρόνο αποθήκευσης, το μέσο αποθήκευσης, τη διαβίβαση τους και τη συσχέτιση τους με άλλα δεδομένα και ειδικά τη χρήση τους για μαζική παρακολούθηση για λόγους εθνικής ασφάλειας ή ακόμα και για τη διενέργεια φορολογικών ελέγχων από τις κυβερνήσεις[12]. Επιπλέον, με βάση τη δομή και τη λειτουργία της τεχνητής νοημοσύνης είναι σχεδόν αδύνατον ακόμα και για τους ίδιους τους κατασκευαστές από ένα στάδιο και μετά, να εξηγήσουν την εσωτερική λειτουργία των αλγορίθμων τεχνητής νοημοσύνης όσο οι αυτοί εξελίσσονται ή “μαθαίνουν απο μόνοι τους” χωρίς την ανθρώπινη παρέμβαση. Αυτό ακριβώς είναι γνωστό στην επιστήμη των υπολογιστών ως το “black box algorithm”[13] και επηρεάζει την αρχή της λογοδοσίας και της διαφάνειας ως προς την επεξεργασία των δεδομένων που εισέρχονται και εξέρχονται με βάση αυτούς τους αλγορίθμους. Οι κίνδυνοι, λοιπόν, είναι ορατοί και αλληλοεπιδρούνμε τα ατομικά δικαιώματα και τις ελευθερίες των πολιτών.

Παρατηρούμε λοιπόν, ότι η τεχνητή νοημοσύνη, η πολυπλοκότητα της και η ταχύτητα με την οποία εξελίσσεται αποτελεί ένα εξαιρετικά χρήσιμο εργαλείο, τόσο στην πρόληψη όσο και στην καταστολή του εγκλήματος, σε ιδιωτικό και δημόσιο τομέα και ειδικά για τα όργανα επιβολής του νόμου (lawenforcementagencies). Είναι λοιπόν στο χέρι μας να δημιουργήσουμε ρυθμιστικούς/εποπτικούς φορείς και σύνολο κανόνων μέσα από τους οποίους θα απολαμβάνουμε όλα τα πλεονεκτήματα της τεχνητής νοημοσύνης, χωρίς όμως να θυσιάζουμε τα προσωπικά μας δικαιώματα και τις ατομικές μας ελευθερίες μέσα στην κοινωνία που ζούμε και εργαζόμαστε καθημερινά.

* Η Χρυσή Χρυσοχού είναι δικηγόρος,  εξειδικευμένη στο Δικαιο του Internet, των Προσωπικών Δεδομένων και των νέων τεχνολογιών


 

[1]Μαθηματικός και καθηγητής στο Πανεπιστήμιο του Stanfordήδη απο το 1962 έως και το 2011 όπου και πέθανε. Ο McCarthyείναι ένας απο τους πιο σημαντικούς επιστήμονες της επιστήμης των υπολογιστών, “πατέρας” του όρου “Τεχνητή Νοημοσύνη” και ο εφευρέτης της γλώσσαςπρογραμματισμού LISP. (πηγή: http://www.computerhistory.org/fellowawards/hall/john-mccarthy/και http://jmc.stanford.edu/)

[2]NegnevitskyNewton; Τεχνητή Νοημοσύνη: αρχές και εφαρμογές για την ανάπτυξη συστημάτων με τεχνολογίες Νοημοσύνης, Εκδόσεις Τζιόλα, 3η εκδοση, σελ 301-303.

[3]Awad & Khanna; Efficient Learning Machines - Theories, Concepts, and Applications for Engineers and System Designers, 2015, Αpress, κεφάλαιο9, σελ.173-175.

[4]Προσβάσιμο στον ακόλουθο υπερσύνδεσμο: https://www.paypal.com/gr/webapps/mpp/phishing

[5]Omkar Sabnis and Sukant Khurana, “Artificial Intelligence and Data Science are changing Crime Investigation and Prevention”, 2018, available at https://towardsdatascience.com/artificial-intelligence-and-data-science-are-changing-crime-investigation-and-prevention-62a6e6f15283

[6]Ibid.

[7]Ibid.

[8]Rodger Lee, “Smart Cities:An Overview of the Technology Trends Driving Smart Cities, March 2017, IEEE available at https://www.ieee.org/content/dam/ieee-org/ieee-web/pdf/ieee-smart-cities-trend-paper-2017.pdf

[9]Daniel Faggella, “AI for Crime Prevention and Detection – Current Applications”, 3 August 2018, available at https://www.techemergence.com/ai-crime-prevention-5-current-applications/

[10]Νick Selby et al, “ShotSpotter-Gunshot Location System”, 2011,available at https://csganalysis.files.wordpress.com/2011/08/shotspotter_efficacystudy_gls8_45p_let_2011-07-08_en.pdf

[11]Daniel Faggella, “AI for Crime Prevention and Detection – Current Applications”, 3 August 2018, available at https://www.techemergence.com/ai-crime-prevention-5-current-applications/

[12]Ενδεικτικά να αναφέρουμε ότι προσφάτως μεγάλη ευρωπαϊκή τράπεζα -μετά από δημόσια κατακραυγή- αναγκάστηκε να εγκαταλείψει το σχέδιο της για μαζική παρακολούθηση των λογαριασμών πελατών της στα κοινωνικά δίκτυα, στο πλαίσιο έγκρισης ή απορρίψης αιτήσεων για σύναψη σύμβασης ενυπόθηκου δανείου απο τους πελάτες της.

[13]Τι είναι η Μέθοδος του Μαύρου Κουτιού;, InnoSupport “Οδηγός υποστήριξης καινοτομίας”, διαθέσιμο εδώ http://www.innosupport.net/index.php?id=2080&L=4, «Μέθοδος του μαύρου κουτιού είναι οποιαδήποτε διαδικασίατης οποίας ο τρόπος λειτουργίας δεν είναι κατανοητός ή προσβάσιμος στο χρήστη, αλλά μόνο τα δεδομένα που εισάγουμε (inputs) και τα δεδομένα που εξάγουμε (outputs) απ αυτό.»