Tagarchief: artificial intelligence

Robocop en de snoeppot

Geef een reactie

Wat betreft technologisering, stelt de politie zich op als een kind dat zijn handen niet uit de snoeppot kan houden, sprak directeur van burgerrechtenorganisatie Bits of Freedom Hans de Zwart. Sectorhoofd Dienst Regionale Informatie Organisatie Frank Smilda dacht er anders over: ?De criminele markten zijn enorm in Nederland. ? Als het gaat om het in kaart brengen van die markten dan verdient de samenleving een nog betere politie.?

Op 29 januari discussieerde een volle zaal bij Huis voor Democratie en Rechtsstaat ProDemos over de technologisering van de politie. Thema van dit eerste Tijdschrift voor de Politie Debat: Robocop en de rechtsstaat; wie bewaakt de bewakers? Eerste stelling: in deze digitale wereld mag de politie alle mogelijkheden gebruiken die er zijn. Het debat is boven dit artikel terug te luisteren.

Dode pixels

Inleider Hans de Zwart uitte zijn zorgen: ?De waarborgen zijn niet meegegroeid. Zaken die eerst werden begrenst door, bijvoorbeeld, hoge kosten zijn dankzij technologie vrij toepasbaar. Denk aan drones.? Volgens hem is het tijd dat de politie het ?echte verhaal? vertelt over hoe het burgers in beeld heeft. ?De politie moet eerlijker zijn. Zij doet alsof ze minder zicht heeft op criminaliteit: ?Going dark?. Maar in deze tijd, waarin iedereen een tracking device bezit, leeft ze in een gouden tijd. De politie kijkt naar een heel groot scherm, maar legt de nadruk op een paar dode pixels.? De Zwarts belangrijkste punt: de politie heeft de verantwoordelijkheid om een visie te ontwikkelen op het gebruik van technologie.

Tweede inleider Frank Smilda stelde dat er inderdaad geen spelregels zijn over wat de politie wel of niet mag monitoren en welke technologische mogelijkheden zij wel of niet mag gebruiken. Ook hij zag de noodzaak daarvan in, maar dat neemt volgens Smilda niet weg dat de politie nu wel technologie moet inzetten. ?Jarenlang ging het slecht met de ICT bij de politie. Nu is dat omgekeerd, kunnen we inzicht krijgen in wie welke relatie heeft met een criminele markt. Onderschat die markten niet: zo zijn we eigenlijk een narcostaat; de beste xtc-producent ter wereld.?

Onvrij gevoel
De zaal bleek verdeeld. Mogelijkheden benutten ja, maar wel onder voorwaarden. Een dame van Interpol, net terug uit Singapore: ?In Singapore hangen 80 duizend camera?s. Dat voelt onvrij. In Nederland had ik het gevoel dat ik continu moet oppassen: op mijn tas, wie achter me loopt. Ook onvrij. Ik heb geen antwoord, alleen een gevoel.? De zaal vraagt zich af: is een ethische commissie de oplossing?

Tweede Kamerlid voor GroenLinks Kathalijne Buitenweg leidde de tweede stelling in: gezien de snelheid van de technologische ontwikkelingen moet de politie zijn eigen morele grenzen bepalen. Buitenweg zei al langer te pleiten voor een Kamercommissie die grenzen stelt, waarden borgt, pal staat voor de autonomie van de burger. ?De politiek is de arena waar zulke besluiten moeten worden genomen.? Tegelijk stelde ze dat de samenleving verwachtingen moet bijstellen: ?Ik ben onder de indruk van de politie, maar de toekomst is er niet ??n van overal grip op krijgen en alles voorkomen. We zullen moeten toegeven dat we sommige dingen niet wisten. We kunnen niet alles policen.

Denkkracht nodig
Hoofdredacteur van het Tijdschrift voor de Politie en moderator Jaco van Hoorn concludeerde met de zaal dat zowel politiek als politie zelf kaders moet scheppen. Hoogleraar Digital Security Bart Jacobs stelde in een kort vraaggesprek met Van Hoorn een probleem aan de orde: de uit doeners bestaande politie mist op dit terrein organisatie-brede kennis. Hij pleitte voor meer denkkracht bij de politie. ?Er is binnen de overheid een trend geweest om inhoudelijke kennis te outsourcen. Dat leidde tot een ramp van enorme proporties. Daar komen we gelukkig van terug.?

Of de politie verantwoord met haar mogelijkheden omgaat, weet Jacobs zo net nog niet. ?Neem het afluisteren van versleutelde telefoons. Technisch indrukwekkend, petje af. Maar juridisch is dat in een aantal gevallen heel omstreden.? Ter illustratie noemt hij het afluisteren in opdracht van de Verenigde Staten van de Mexicaanse drugsbaron El Chapo. ?Nederland zette de tap vol vertrouwen in, zonder de Amerikanen vragen te stellen: waarom, waarvoor? Dat zou wel moeten.?

Jacobs pleit voor meer ?horizonbepaling?. ?Durf als politiek en politie te experimenteren. Maak een wet om bijvoorbeeld drie jaar iets te doen, dan te evalueren en ervoor te kiezen om ermee te stoppen als het niet werkt of ethische grenzen overschrijdt. Alleen, ik heb nog nooit meegemaakt dat de Eerste of de Tweede Kamer na drie jaar evalueert en een wet schrapt.?

Bron: Website voor de politie

Wat er mis is met predictive policing

1 reactie

Is predictive policing ? politiewerk op basis van onderbouwde voorspellingen ? het nieuwe wondermiddel? Dankzij geavanceerde algoritmen die big data aankunnen, kan de politie misdaad voorspellen en preventieve maatregelen nemen om de kans op misdaad te verkleinen, bijvoorbeeld door daar te zijn waar die kans het grootst is. Predictive policing is overgewaaid uit Amerika. Veel politieorganisaties zijn ermee in de weer, maar onderzoek heeft nog geen uitsluitsel kunnen geven over de vraag of het echt effectiever is dan mensenwerk.

Auteurs: Rick van der Kleij is senior researcher human factors; Selmar Smit is senior researcher artificial intelligence; Hans van Vliet is senior business consultant; Freek van Wermeskerken is
researcher artificial intelligence. Allen bij TNO.

Predictive policing is relatief nieuw. Critici benadrukken vaak de mogelijkheid van systematische vooringenomenheid van de voorspelling (en dus etnische profilering) en zien een gebrek aan transparantie en verantwoording. Daarnaast brengen precieze voorspellingen de misdaadcijfers niet per definitie omlaag, bijvoorbeeld als het tijdstip en de locatie onvoldoende specifiek zijn of de politie de voorspellingen verkeerd interpreteert. Aan de andere kant hoeven bij een goed ontworpen systeem en goede inbedding in het proces dergelijke effecten helemaal niet op te treden en kan predictive policing bijdragen aan effectiever politieoptreden.

Dit artikel belicht de data en de algoritmen in de predictive policing-terugkoppelingslus. Hoe staat het met de algoritmen die de tijd en locatie van een toekomstige misdaad voorspellen (zoals inbraak)? De huidige benaderingen en algoritmen kunnen beter. Onze nieuwe benadering van predictive policing laat zien wat er precies moet veranderen om de effecten van voorspellingen op basis van algoritmen te verbeteren, en daarmee ook het proces van de toewijzing van de schaarse middelen (agenten, voertuigen, enzovoort).
We kijken eerst naar de huidige voorspellingsalgoritmen. Vervolgens zoomen we in op de problemen met deze algoritmen en de manier waarop die problemen toenemen wanneer de voorspellingen daadwerkelijk worden gebruikt voor operaties. Daarna beschrijven we onze nieuwe benadering en kijken we hoe het verder moet.

>> “Onze nieuwe benadering laat zien wat er precies moet veranderen”

Huidige predictive-policingalgoritmen
Predictive-policingalgoritmen zijn doorgaans gebaseerd op gecombineerde informatie, bijvoorbeeld omgevingsgerelateerd/demografisch, datum-/tijdgerelateerd en vooral ook misdaad in het verleden. Een voorbeeld: het meest simpele voorspellingsmodel stelt dat het voorspelde aantal incidenten op een locatie (?box?) gelijk is aan het gemiddelde aantal vorige week gemelde incidenten op deze locatie. Dit model kan werken, maar er zijn complexere modellen denkbaar:

Het aantal inbraken op een specifieke locatie staat gelijk aan 2 x het aantal inbraken vorige week min 1 x het aantal inbraken van precies twee weken geleden.

Dit model kan een simpele trend weergeven. Als er vorige week tien inbraken waren en de week ervoor acht, dan zal de voorspelling twaalf zijn. Toevoeging van meer data levert al snel complexe formules op. De uitdaging hierbij is: wat is de wegingsfactor (het relatieve belang) van iedere variabele? In het vorige voorbeeld was dat eenvoudig, namelijk 2 en 1. Maar hoe zit dat met deze formule?

Komende maandag is het aantal inbraken in deze ?box? 0,257 x de luchtvochtigheid, plus 1,56 x het aantal inbraken vorige week, min 0,46 x het aantal inbraken dat gewoonlijk op een maandag plaatsvindt, plus 0,12 x het aantal inbraken vorige week in een aangrenzende ?box?.

Wegingsfactoren kunnen worden geschat op basis van?historische data. Als je weet wat vorig jaar de exacte luchtvochtigheid was op een specifiek moment en als je het aantal gemelde inbraken vorige week, het gebruikelijke aantal inbraken op een maandag en het aantal inbraken op aangrenzende locaties kent, dan is het mogelijk het gewicht van iedere variabele vast te stellen, en is de gemiddelde kwadratische fout het kleinst. Met een complexe formule kun je een boek vullen. De termen die gerelateerd zijn aan misdaden in het verleden zijn over het algemeen het belangrijkst,
omdat deze in essentie trend analyzers zijn. De formules schatten de waarschijnlijkheid van een incident op een specifieke locatie en een specifiek tijdstip op basis van de trend in gemelde misdaden uit het verleden. De meeste predictive-policingsystemen werken op basis van deze, of vergelijkbare, uitgangspunten.

Vertekend beeld
Om misdaad te kunnen voorkomen, moeten we weten wat het misdaadpotentieel is: het aantal misdaden dat zou plaatsvinden als we niets doen. Er zijn heel veel factoren van invloed op het misdaadpotentieel, en die kunnen verschillen per type misdaad. Voorbeelden zijn het opleidingsniveau van de dader of diens aanwezigheid in een situatie die geschikt is om een misdaad te plegen ? de gelegenheid maakt de dief.

Het probleem zit in de data die de politie gebruikt voor het voorspellen van misdaad. Dit zijn namelijk data over gemelde misdaad en niet over het daadwerkelijke misdaadpotentieel. Bij inbraak komt het gemelde misdaadcijfer redelijk overeen met de gepleegde misdaad. Maar voor? fietsendiefstal gaat dat niet op. Mensen doen hierbij niet snel aangifte, want de kans dat je je fiets terugziet is klein en het aangifteproces is moeizaam. Daar komt nog een complicerende factor bij. Het percentage aangiften verschilt per locatie (?box?), terwijl de meeste software aanneemt dat die variabele constant is. Verder kan de aangiftebereidheid op een locatie stijgen als er agenten aanwezig zijn.
En wat als die data een bijproduct zijn van politieoperaties, bijvoorbeeld in het geval van drugdealers? Data in dit verband worden meestal gegenereerd door de politie zelf. Op plekken waar geen agent is geweest, kan de politie dus geen overtredingen waarnemen, wat niet betekent dat er geen misdaad heeft plaatsgevonden. Kortom: de data die voor de huidige predictive-policingsoftware worden gebruikt, geven de werkelijkheid niet goed weer. Bovendien verschilt de mate waarin dit beeld wordt vertekend vermoedelijk per type misdaad en locatie.

Dat is nog niet alles. De data van de politie houdt ook geen rekening met de voorkomen misdaad. Het misdaadpotentieel voor een specifieke locatie kan hoog zijn, terwijl het grootste gedeelte van die misdaad wordt voorkomen door intensieve surveillance. Een dergelijke ?box? kent dus weinig gepleegde (en dus gemelde) misdaad en wordt daardoor ook in het voorspellingsmodel ondervertegenwoordigd.

Voorspellingen die enkel op basis van gemelde misdaad werken, zullen dus (in een bepaalde mate) vertekend zijn. Niet-gemelde of voorkomen misdaad wordt beide niet meegenomen, en daardoor is de gemelde misdaad meestal kleiner dan het aantal gepleegde misdaden en te allen tijde kleiner dan de daadwerkelijke potenti?le misdaad. In feite worden met de huidige algoritmes enkel aangiftes voorspeld, en niet de criminaliteit. Dit effect wordt nog verder versterkt door wat wij de ?back-to-the-future-paradox? noemen (naar de gelijknamige films).

Back-to-the-future-paradox
Een belangrijke stimulans voor criminele activiteit is de afwezigheid van mensen die misdaad kunnen voorkomen, bijvoorbeeld agenten op straat. Politieoptreden heeft dus een effect op de data die worden verzameld. Wanneer we voorspellingen gebruiken om operaties aan te sturen, cre?ren we dan ook een terugkoppelingslus:

Gemelde misdaad wordt gebruikt om misdaad te voorspellen, de voorspelde misdaad wordt gebruikt om operaties aan te sturen en de operaties zelf be?nvloeden de gemelde misdaad. Op die manier kunnen voorspellingen zichzelf dus bevestigen en leiden tot een zichzelf steeds versterkende terugkoppelingslus.
In het beste geval leidt dit tot onnauwkeurige voorspellingen, in het ergste kan het zelfs discriminatoir beleid tot gevolg hebben. Het probleem van het voorspellen van drugsdealers is ondertussen redelijk bekend (hoewel nog niet opgelost), maar een terugkoppelingslus die vaak over het hoofd wordt gezien, is dat politieoperaties ook misdaad voorkomen, met als gevolg dat die voorspellingen de daadwerkelijke ernst van de situatie onderschatten. Als een agent op basis van een voorspelling ergens gaat staan en er gebeurt niets, kun je onmogelijk weten of de agent de
misdaad heeft voorkomen of dat hij zijn tijd heeft verknoeid op een veilige locatie. Dat effect treedt niet alleen op in de ?box? waarop de operaties gericht zijn. Door de afschrikking en de verspreidingseffecten (positieve en negatieve waterbedeffecten) kan het misdaadpotentieel op aangrenzende locaties toenemen of afnemen, afhankelijk van de afstand en de motivatie van de daders en aanwezige politie.

Een gebied met zeer veel aangiftes zorgt voor een hoge voorspelde misdaad. Als gevolg gaat de politie zich volledig op dat gebied concentreren, en verplaatsen criminelen hun activiteiten naar aangrenzende locaties. In het eerste gebied daalt dus het aantal aangiftes, en op de aangrenzende locaties stijgt het aantal aangiftes. Op basis van deze gegevens zal het algoritme de agenten naar de aanliggende gebieden sturen, waarna de criminelen zich dus gewoonweg weer terug verplaatsen. In dit (extreme) voorbeeld is het enige wat de politie doet steeds een stap te laat zijn.

De precieze vertekening in de resultaten, de afschrikking en de waterbedeffecten zijn lastig vast te stellen. Misdaad die zich verplaatst, zal vaak buiten de gebieden en typen misdaden vallen waarop de politie focust of schuilgaan achter globale trends. Om dit effect te kunnen isoleren, is eigenlijk een speciaal experiment nodig, namelijk langdurige vergelijking van misdaadlocaties waar de politie heel actief was met locaties waar dit helemaal niet het geval was. We kunnen alleen moeilijk voor een wetenschappelijk onderzoek bepaalde locaties geheel aan hun lot overlaten.

>> Er wordt een onderscheid gemaakt tussen?potenti?le, gepleegde en gemelde misdaad

Evaluaties
Hoe komt het dan dat predictive policing zo populair is geworden? Deels is dat een gevolg van een bijna religieus geloof in data bij sommige bedrijven, organisaties, media en delen van de samenleving. Ook is een grondige evaluatie van predictive policing gecompliceerd. En misschien komt het sommige mensen ook beter uit om te stellen dat de evaluaties van predictive policing niet deugen dan dat het algoritme niet goed, of juist heel succesvol is.

In sommige experimenten leidden predictive policingmethoden tot veel betere voorspellingen dan die van de reguliere analisten. Maar klopt dit wel? Het lijkt erop dat de analisten moesten voorspellen waar veel misdaad was (het potentieel), terwijl de nauwkeurigheid van hun voorspelling werd ge?valueerd op basis van gemelde misdaad. Het algoritme daarentegen voorspelde de gemelde misdaad en won dus. Daarbij hadden de analisten ook nog last van de backto-the-future-paradox, namelijk: er gingen wel agenten naar de door hen aangewezen locaties (om daar misdaad te voorkomen), maar niet naar de door de algoritme aangewezen locaties. Met andere woorden, een nauwkeurige voorspelling is geen goede indicatie voor de kwaliteit van de voorspelling.

Figuur 1. Routine Activity met betrekking tot misdaadpotentieel (P), gepleegde misdaad (C) en gemelde misdaad (R).

Het omgekeerde is zelfs waar: als er ook interventies gedaan worden op basis van voorspellingen is de daling van de nauwkeurigheid juist een teken dat ze goed werken. In de ?paper van Brantingham? (Mohler et al. 2015) vermindert die nauwkeurigheid enkel bij hun algoritme, en niet bij de voorspellingen van de analisten. De enig mogelijke verklaring is dat de politieactiviteit in de betreffende gebieden in de ?beschikbare tijd? geen effect had, omdat hier al voldoende reguliere politieactiviteit was. Wederom: de analisten voorspelden het misdaadpotentieel en niet het aantal
gepleegde misdaden.

Een nieuwe benadering
Om de voorspellingen van het algoritme (meldingen) beter te laten aansluiten op het denkkader van de analist (criminaliteit), is een nieuwe benadering nodig. De huidige methoden voor dataverzameling richten zich op de verkeerde criminele respons: enkel de gemelde misdaden worden meegenomen in de algoritmen. Alleen, predictive policing gaat niet om het voorspellen van het aantal dossiers, maar om het voorkomen van misdaad. Het betreft dus niet-waargenomen ? want voorkomen ? misdaden, of anders gezegd: het afschrikwekkende effect van politieactiviteit.
Ons voorstel is om voor de voorspellingen gebruik te maken van het veel stabielere misdaadpotentieel in plaats van de gemelde misdaden. Het misdaadpotentieel op zichzelf kunnen we niet meten. Wel kunnen we proberen het af te leiden uit wat er niet kon worden voorkomen, namelijk de aangiftes, de daadwerkelijke politie-inzet en de effectiviteit van die inzet. Het misdaadpotentieel is gelijk aan de aangiftes + de voorkomen misdaad (inzet maal effectiviteit). Helaas kun je de effectiviteit weer alleen berekenen als je het potentieel kent. Deze vicieuze cirkel is
te doorbreken met een complex wiskundig model (http://policing.ai).

Daar waar de huidige predictive-policingalgoritmen potenti?le misdaad modelleren als een functie van gemelde misdaad, maakt onze benadering een onderscheid tussen potenti?le misdaad (P), gepleegde misdaad (C) en gemelde misdaad (R), zie figuur 1. Bijvoorbeeld: het misdaadpotentieel van morgen (een maandag) heeft een relatie met de potenti?le misdaad op andere maandagen.
Op vergelijkbare wijze heeft het misdaadpotentieel op deze specifieke locatie een relatie met aangrenzende locaties. In tegenstelling tot de gemeten misdaad is het basisidee dat potenti?le misdaad alleen wordt be?nvloed door tijd en locatie, en slechts geleidelijk verandert, omdat potenti?le misdaad in feite de overlap is van ?potenti?le dader? en ?geschikt doelwit? in de gelegenheidstheorie,
beter bekend als de Routine Activity Theory. Zowel daders als slachtoffers opereren in een bepaald gebied. Tenzij ze zich verplaatsen of achter slot en grendel verdwijnen, is het aantal ?potenti?le daders? relatief stabiel. Datzelfde geldt voor ?geschikte doelwitten?. Mensen gaan niet in korte tijd en masse verhuizen of iets veranderen aan de geschiktheid als doelwit (bijvoorbeeld door nieuwe sloten tegen inbrekers aan te schaffen).
Het enige wat het algoritme hoeft te doen, is voor elk van deze relaties een getal vinden dat de sterkte goed uitdrukt. Tegelijkertijd moet het model getallen vinden voor de plaatselijke effectiviteit van de interventies en voor de waterbedeffecten. En natuurlijk moeten deze getallen zo goed mogelijk passen bij alle dagen, alle locaties en alle mogelijke vormen van politie-inzet in het
verleden en in de toekomst. En hoewel dat complex is, kunnen deze getallen geschat worden met behulp van een combinatie van het aantal historische aangiftes en de bijbehorende gepleegde politie-inzet (bijvoorbeeld door GPS tracking van voertuigen en communicatiemiddelen). En daarmee kan het model compenseren voor de back-to-the-future-paradox.

Figuur 2. Effect van surveillanceduur

Effect en effectiviteit
Naast verbeterde voorspellingen van criminele activiteiten heeft de nieuwe benadering nog een belangrijk voor?deel: ze bepaalt ook direct het effect van politie-inzet, evenals de effectiviteit per interventie. Daarmee kunnen in principe dus operaties geoptimaliseerd worden, bijvoorbeeld als we weten wat de effectiviteit (procentueel) is van een surveillance te voet in een bepaald gebied
(figuur 2).
We kunnen de surveillanceduur te voet in een ?box? optimaliseren door de effectiviteit te vermenigvuldigen?met de (voorspelde) potenti?le misdaad. Bijvoorbeeld: 10 minuten surveillance te voet kan mogelijk 0,044 (effectiviteit) x 2,0 misdaden (wat er zonder politie zou zijn opgetreden) voorkomen. Wanneer de potenti?le misdaden voor iedere ?box? zijn vastgesteld, is het eenvoudig om de
beschikbare hulpmiddelen en de naar verwachting voorkomen misdaden te optimaliseren.

Hoe nu verder?
Het pure voorspellingsinstrument ?predictive policing? kan dus nog flink worden verbeterd. Een belangrijke eerste stap richting de verbreking van de foutieve terugkoppelingslus in predictive policing is het meenemen van de daadwerkelijke actie die is ondernomen, zodat voor de effecten ervan te compenseren is. Voor de implementatie van de nieuwe benadering moet men 1) de huidige voorspelalgoritmes aanpassen?en 2) de interventies die zijn toegepast meten. Aan dat laatste zijn wel aspecten als privacy en transparantie verbonden.

[slideshare id=76826011&doc=prescriptivepolicingtnoen-170610155107&type=d]

>> Het voorgestelde model moet vooral inspireren en zeker niet dirigeren

Prescriptive policing
Een bijkomend voordeel van denieuwe benadering is dat ze de stap richting impactgedreven of zelfs prescriptive policing mogelijk maakt: het voorspellen van de effectiviteit van een bepaalde inzet, gegeven een bepaalde situatie en gebaseerd op kennis van de effecten van specifieke interventies. Als predictive policing kan voorspellen waar en wanneer je ergens moet zijn, dan kan prescriptive policing voorspellen wat vermoedelijk de beste handelwijze is voor die specifieke ?box? en tijd. Als we kunnen vaststellen dat iets werkt op locaties met specifieke kenmerken, maar niet in andere, dan kunnen we die kennis ook gebruiken voor andere locaties. Zonder de effectiviteit van elke interventie in die bepaalde ?box? te moeten vaststellen, kunnen we dus al beoordelen wat waarschijnlijk wel of niet gaat werken.

Ten slotte
Ten slotte nog dit. Handhaving is een van de moeilijkste taken van de politie en we moeten bedenken dat ook het meest geavanceerde model geen boeven vangt. Het is er enkel en alleen om de analisten te ondersteunen. Een model kan honderd keer roepen dat een bepaalde interventie klopt, uiteindelijk gaat het toch enkel om een kansberekening. Iemand die een specifiek gebied of mogelijke daders goed in beeld heeft, komt vermoedelijk tot een betere oplossing.
Het hier voorgestelde model, en in principe elk voorspelmodel, moet dus vooral inspireren, en zeker niet dirigeren. De werkelijke waarde van dit soort modellen zit in het gebruik ervan en de inbedding in het politieproces. Voorspellingen hebben op zich geen waarde. Het zijn de acties van politiemensen die ze waardevol kunnen maken. Daarom is het van belang om onderzoek te doen, te experimenteren en te investeren in de samenwerking tussen mens en systeem, communicatie, uitleg en transparantie, op zo?n manier dat politiemensen dergelijke systemen op waarde kunnen
schatten.?

Bronnen: Website voor de politie waar ook een geannoteerde versie staat met daarin de wiskundige onderbouwing.

Big Data & Crime jaarcongres

Geef een reactie

Past de huidige organisatiestructuur nog wel bij de digitale uitdaging waar de politie voor staat?

Koppeling en analyse van data bieden ongekende mogelijkheden voor de aanpak van criminaliteit. Echter, hoe zorgt de politie dat relevante informatie uit de toenemende hoeveelheden data wordt gevonden en effectief en verantwoord wordt benut?

Laat u inspireren over onder meer:

  • Data-gedreven aanpak van georganiseerde misdaad vertaald naar effectieve interventies
  • Privacy en gegevensbescherming: Mogelijkheden en beperkingen ook m.b.t. delen van informatie met ketenpartners?
  • Politiewerk = Mensenwerk: Wat zijn de risico?s als algoritmen het politiewerk overnemen?

Welke lessen kan de politie leren van?Centraal Beheer?en de?Immigratie en Naturalisatiedienst?als het gaat om inbedden en toepassen van Big Data in de organisatie?

Het programma:

09.30u

Opening door de dagvoorzitter
Bob Hoogenboom?|?Hoogleraar forensic business studies Nyenrode en bijzonder hoogleraar politiestudies en veiligheidsvraagstukken aan de Vrije Universiteit

09.40u

Woord van Welkom door?Jaco van Hoorn,?Hoofdredacteur van het Tijdschrift voor de Politie

09.50u

State of the art intelligence en technologie bij de politie
Mari?lle den Hengst-Bruggeling?|?Project manager Real-Time Intelligence Lab, Politie

  • Hoe zorgt de politie dat ze state of the art technologie gebruikt?
  • Wat draait er, waar wordt aan gewerkt?
  • Hoe wordt het gebruikt?

10.20u

Verandert Big Data en Artificial Intelligence ons werk?
Marleen Huysman?|?Hoogleraar aan de School of Business and Economics, Vrije Universiteit. Zij is boegbeeld voor de VSNU onderzoeksagenda ?Digitale Samenleving?, op het gebied van Werk en Organisatie

  • Gevolgen van data-gedreven werken voor in algemene zin en specifiek voor politie (n.a.v. recent onderzoek bij de politie)
  • Tijdig inspelen op nieuwe functievereisten en rollen

10.45u

Netwerkpauze

11.15u

Data analyse en inzet artificial intelligence inbedden in de organisatie

  • Fundamenteel andere kijk op organisatieprocessen, klantervaring en benutten van je talenten in je organisatie
  • Waar te beginnen?
  • Hoe te omarmen en in bedden in de organisatie?

Drie korte presentaties vanuit verschillende organisaties:

Henk de Ruiter,?Programmamanager Informatie gestuurd werken, Immigratie en Naturalisatiedienst (IND)
Marteyn Roose,?Director Consumer, Centraal Beheer & FBTO
Reinder Doeleman,?Sectorhoofd Dienst Regionale Informatie Organisatie, Politie Amsterdam

12.00u

Discussie met de zaal

12.30u

Lunch

13.20u

Start workshopronde

1.1 Big belastingdata

Bernd Veldman?| Forensisch vastgoed accountant Vastgoedkenniscentrum Belastingdienst

  • Datamining en delen van informatie
  • Samenwerken met ketenpartners; wat kan wel en niet?

1.3 Data-gedreven aanpak van georganiseerde misdaad?
Paul Duijn?| Strategic Intelligence Analyst, FIOD

Hoe wordt binnen de politie en BOD’en op een data-gedreven wijze inzicht gecre?erd in het ondermijnende systeem achter de georganiseerde misdaad?
En hoe wordt dit vertaalt naar concrete scenario’s en strategie?n voor effectieve interventies?

Paul Duijn heeft zich als strategisch analist bij de Politie, Europol en de FIOD en als onderzoeker bij het Institute for Advanced Studies in Amsterdam met deze vraagstukken bezig gehouden en zal u meenemen in de meest recente inzichten en ontwikkelingen op dit gebied.

1.4 Meer rendement uit digitale informatie & Big data
Dominique Roest?| Co?rdinator forensische data-analyse, Eenheid Amsterdam, Team Digitale Opsporing, TROI

De politie wordt geconfronteerd met steeds grotere hoeveelheden (complexe) data uit bijvoorbeeld inbeslaggenomen telefoons, computers, taps etc. etc. Hoe zorgt de politie dat de relevante informatie uit deze grote hoeveelheden data wordt gevonden en kan worden benut in een opsporingsonderzoek? En past de huidige organisatiestructuur nog wel bij de digitale uitdaging waar de politie voor staat?

14.20u

Pauze

14.50u

Informatievergaring: Mag het en hoe dan?
Ulco van de Pol?|?Privacy adviseur voor Landelijke Aanpak Adreskwaliteit BZK/ICTU, voorzitter Commissie Persoonsgegevens Amsterdam; eerder lid College Bescherming Persoonsgegevens, gemeentelijke ombudsman te Amsterdam en rechter

  • Citydeal ?Zicht op Ondermijning? met behulp van CBS-gegevens om fenomenen op te sporen maar zonder herleidbare persoonsgegevens
  • Gebruiksbeperkingen vanwege de herleidbaarheid; wat zijn operationele mogelijkheden?

15.20u

Risico?s bij het gebruik van Big Data en algoritmen
Tom van Engers?|?Hoogleraar juridisch kennismanagement, Universiteit van Amsterdam

  • Hoe minimaliseer je het risico op misleidende resultaten?
  • Hoe waarborgen we dat publieke waarden zo vroeg mogelijk worden meegenomen in het ontwerpproces van digitale producten en diensten?

15.45u

Politiewerk ? mensenwerk:?Wat laten we over aan algoritmes en wat blijft mensenwerk?
Ren? ten Bos?|?Hoogleraar filosofie van de managementwetenschappen, Radboud Universiteit, Denker des Vaderlands

Veiligheid, rechtvaardigheid, controle over technologie, autonomie, menselijke waardigheid en machtsverhoudingen

16.15u

Discussie met sprekers van de middag en deelnemers in de zaal o.l.v. de dagvoorzitter

16.30u

Netwerkborrel

Bron: Gemeente.nu

Misdrijven oplossen met data

Geef een reactie

De politie die meer criminaliteit weet te voorkomen. Weinig mensen zullen daar op tegen zijn. Maar over de manier waarop valt wel te discussi?ren. De politie in Limburg vertrouwt op de rekenkracht van computers die door een berg data te analyseren rondreizende dieven aanwijzen. Terwijl deskundigen ook een hoop beperkingen van dat zogeheten ‘voorspellende politiewerk’ zien.

Zo heeft een algoritme het lang niet altijd bij het juiste eind, zegt Selmar Smit van het onderzoeksinstituut TNO. “Eigenlijk is het niet meer dan een kansberekening: hoe waarschijnlijk is het dat het hier om een verdacht persoon gaat? En een kansberekening zit er weleens naast.”

Hoeveel personen als gevolg daarvan onterecht als verdacht worden aangemerkt, hangt af van hoe ‘strak’ het algoritme wordt afgesteld. Formuleer je heel specifieke kenmerken, dan worden weinig mensen eruit gefilterd. Dat verkleint de kans op fouten, maar vergroot de kans dat een hoop criminelen over het hoofd worden gezien. Hanteer je ruimere kenmerken, dan pak je mogelijk meer boeven, maar wijst de computer ook meer onschuldigen aan.

De politie zegt fouten te ondervangen door agenten uiteindelijk zelf de afweging te laten maken of ze het advies van de computer opvolgen. Zoals in Roermond, waar de politie met camera’s langs de snelwegen en andere sensoren rondreizende dieven probeert te onderscheppen voordat ze toeslaan in het outletcentrum in de Limburgse stad. Agenten die een melding krijgen, gaan er heus niet direct met groot geschut op af, aldus de politie. Ze kijken eerst of dat wat de computer concludeert terecht is.

Steekproef

Het is belangrijk om maatregelen te nemen om agenten scherp te houden, stelt Smit. “Bijvoorbeeld door er af en toe een willekeurige steekproef tussendoor te gooien, zonder dat de agent op straat dat weet.”

Wat er kan gebeuren als de politie te veel op de computer vertrouwt, bleek uit een eerder project dat gericht was op het onderscheppen van drugskoeriers. Agenten waren gewend dat het systeem het altijd bij het goede eind had. Tot een oude vrouw met groot vertoon werd klemgereden.

Marc Schuilenburg, filosoof en criminoloog aan de Vrije Universiteit in Amsterdam, heeft meer bezwaren tegen dat voorspellende politiewerk. Iedereen die straks richting het outletcentrum in Roermond rijdt zal door het algoritme worden beoordeeld.

“Dat betekent dat elke burger als potentieel risico wordt gezien. Dat is een wezenlijk verschil met het traditionele politiewerk, waarbij agenten afgaan op een melding over een verdachte situatie of handelen op basis van hun eigen observatie.”

Risico

De ene groep zal bovendien vaker worden aangewezen als verdacht dan de andere, zegt Schuilenburg. “In Roermond zal dat gaan om Oost-Europeanen, omdat veel rondreizende dieven daar vandaan komen. Maar dat betekent nog niet dat elke bezoeker uit het voormalige Oostblok een risico vormt. Toch zullen ze meer kans maken staande te worden gehouden, terwijl ze helemaal geen misdrijf hebben begaan.”

Algoritmes zeggen alleen iets over de groep die wordt gepakt, zegt ook Smit. Want met die kenmerken wordt de computer gevoed. Zo kan een focus op ??n bepaalde groep ontstaan. “De vraag is of je het acceptabel vindt dat een Oost-Europees gezin telkens wordt aangesproken als ze komen winkelen omdat daarmee de veiligheid zou worden vergroot.”

Schuilenburg pleit voor meer toezicht op de algoritmes. “Bij andere opsporingsmethoden, zoals een observatie, moet de rechter-commissaris vooraf toestemming geven. Dat geldt niet voor dit voorspellende werk, waarvoor de politie wettelijke bevoegdheid heeft. Er is hooguit achteraf een toetsing door de rechter, als een verdachte voor moet komen. Dat is veel te beperkt.”

NOS bracht de stand van zaken in andere landen in kaart:

China: score per burger

Het bekendste voorbeeld is wel ver weg: China. En dat is dan ook het voorbeeld dat het verst gaat. Is de politie in Nederland bezig met het opsporen van zakkenrollers en plofkrakers, in China?wil?de overheid ook minder vergaande ‘overtredingen’ bestraffen.

Je ouders niet vaak genoeg bezoeken, zwartrijden, oversteken bij rood licht? Het kan van invloed zijn op je ‘sociale kredietscore’, een cijfer dat invloed heeft op de vraag of je een trein kunt nemen, bepaalde banen kunt krijgen of je kinderen naar de goede scholen kunt sturen.

Het systeem is nog niet operationeel, maar in delen van China wordt er al volop mee getest, met slimme camera’s die gezichten kunnen herkennen.

Verenigde Staten: niet altijd even transparant

Zo ver gaat het in westerse landen nog niet. Maar in de Verenigde Staten is de politie wel al meer dan tien jaar bezig om te zoeken hoe voorspellende technologie?n kunnen worden ingezet tegen criminaliteit.

In Chicago hebben honderdduizenden burgers bijvoorbeeld een score waarmee de politie inschat hoe gevaarlijk ze zijn. Als de politie een burger staande houdt, weet de agent die dat doet hoe gevaarlijk die persoon is. Ook in andere grote steden wordt deze aanpak gebruikt.

Dat gebeurt niet altijd even transparant: vaak zijn de onderliggende algoritmes geheim. In New Orleans bleek zelfs al zes jaar een project te bestaan voor het voorspellen van misdrijven, zonder dat burgers of gemeenteraadsleden dat wisten. Na publiciteit erover trok de gemeente de stekker uit het project.

Duitsland: een brug te ver

Zoiets zou in Duitsland nooit gebeuren, zegt correspondent Kees van Dam. “Privacy is hier een groot goed: we hebben hier geen DigiD, ov-chipkaart en Google Street View.” De afgelopen jaren is veel gedebatteerd over nieuwe wetgeving om de politie makkelijker achter de voordeur te laten kijken, maar die is nog niet aangenomen.

Een uitzondering is er in Beieren: daar is een wet aangenomen die de politie en de inlichtingendiensten preventief laat tappen en arresteren. Ook kunnen er camera’s met gezichtsherkenning worden ingezet en lopen agenten rond met bodycams. “Maar daar gaat het echt om terrorisme. Zoiets inzetten voor zakkenrollers is in Duitsland echt een paar bruggen te ver”, aldus Van Dam.

In Frankrijk heeft de politie meer ervaring met voorspellend rechercheren, maar dat blijkt ondanks een investering van 108 miljoen euro geen succes: agenten zijn onvoldoende opgeleid en de resultaten zijn niet spectaculair.

“Databases werden hierbij gekoppeld om beter te voorspellen waar welke vorm van misdaad zich zou voordoen”, zegt correspondent Frank Renout. “Maar zoals een politiechef die zo’n project leidde, al zei: vroeger plakten we blaadjes met een punaise op een bord, nu hebben we data, maar dat is nog geen voorspellend politiewerk.”

Weliswaar kon de politie in het departement L’Oise, in Noord-Frankrijk, 74 procent van alle strafbare feiten voorspellen met software, maar dat lukte de politiedienst net zo goed door ouderwets veldwerk op straat. Het project werd dan ook stopgezet.

Desondanks schuift de Franse politie digitaal rechercheren nog niet aan de kant: er is vorig jaar een speciale politiedienst opgericht die zich richt op agenten die niet de straat opgaan, maar wetenschappelijke of technische expertise hebben.

Verenigd Koninkrijk: weinig kritiek

In het Verenigd Koninkrijk, het land met de grootste hoeveelheid beveiligingscamera’s per inwoner, is de politie wel blij met de voorspellende technologie. In Kent, bijvoorbeeld, heeft voorspellende software geleid tot 6 procent minder geweldsdelicten op straat. “Ook was de politie vaker in staat om snel aanwezig te zijn en escalatie te voorkomen”, zegt correspondent Tim de Wit. De politie in Kent is nu aan het onderzoeken hoe ook het aantal inbraken kan worden teruggedrongen en ook andere politiekorpsen experimenteren met de technologie.

Burgers vinden het prima. “Ongeveer de helft van de Britten vindt het goed als politie en veiligheidsdiensten meer bevoegdheden krijgen”, zegt De Wit. “Maar privacywaakhonden en ook mensenrechtenorganisaties waarschuwen voor de gevolgen.”

Bronnen: Trouw, NOS, NOS, Trouw, De Telegraaf

Predictive policing: lessen voor de toekomst

Geef een reactie

ppHoorn

?It?s not how many people you catch, it?s how many crimes you prevent.?

Van alle politiestrategie?n mag predictive policing zich misschien wel het meest verheugen in de belangstelling van burgers en professionals. Grofweg tekent die belangstelling zich op twee manieren af. Aan de ene kant zijn daar degenen die vooral veel heil zien in deze nieuwe strategie voor het functioneren van de politie. Zij verwachten (of hopen) dat de politie dankzij predictive policing effectiever en effici?nter criminaliteit zal weten te bestrijden. Met name door te voorkomen dat criminaliteit gepleegd wordt, daarbij niet zelden verwijzend naar de film Minority report uit 2002. Een film waarin een speciale eenheid van de politie, Pre-Crime genaamd, met behulp van helderzienden toekomstige misdadigers arresteert. Het zal de lezer niet verbazen dat deze hoopvolle verwachting binnen de politie op veel bijval kan rekenen.

Aan de andere kant van het spectrum staan mensen die vooral bezorgd zijn over predictive policing. Zij zien deze ontwikkeling als een bedreiging voor de privacy, waarbij afwijkend gedrag maatgevend is, en niet strafbaar gedrag. In combinatie met verruimde bevoegd- heden voor opsporings- en veiligheidsdiensten en allerlei andere technologische ontwikkelingen tekent voor hen het beeld van big brother zich steeds meer af, waarbij iedere burger als een potenti?le verdachte gevolgd wordt door een gedachtepolitie. Voor de burger- rechtenorganisatie Bits of Freedom voldoende reden de politie de Big Brother Award 2015 uit te reiken.

Weliswaar sterk verschillend naar de wijze waarop dit zich uit, tonen beide groepen hiermee hun geloof in de werking van predictive policing. Beide kanten nemen aan dat predictive policing werkt, waarna de aandacht uitgaat naar hoe die uitwerking te beschouwen. Dit verraadt een sterke nadruk op het eerste woord ? predictive ? van deze nieuwe politie- strategie. En vermoedelijk is dit ook de reden voor de grote belangstelling. Al sinds mensenheugenis spreekt voorspellen immers sterk tot de verbeelding. Maar met een voorspelling van criminaliteit alleen zijn we er nog niet.?Sterker, het gaat juist om wat er vervolgens mee gedaan wordt. In onderstaand?rapport benadrukken de auteurs dan ook predictive policing als een nieuw intelligence-initiatief, waarbij het vooral gaat om veranderende werkprocessen. Ze?ontwikkelden hiervoor een procesmodel en onderwierpen vervolgens alle stappen, van data naar resultaat, aan een nader onderzoek. Hoe goed een voorspelling immers ook mag zijn, het resultaat staat of valt met wat er vervolgens mee gedaan wordt.

pp2

Lees of download hier het rapport:

[slideshare id=73217737&doc=predictivepolicing-lessenvoordetoekomst-170316163022&type=d]

Bronnen: Politieacademie

Alexa was mogelijk getuige van een moord

Geef een reactie

echo

Een nachtelijke moord in de Amerikaanse staat Arkansas wordt mogelijk opgelost met hulp van een excentrieke getuige: een slimme AI assistent met de naam Alexa. De politie denkt dat het apparaatje Echo van Amazon – dat normaliter vragen over het weer en de files beantwoordt – per abuis heeft opgenomen hoe verdachte James Bates zijn Walmartcollega Victor Collins heeft vermoord.

Amazon Echo deed twee jaar geleden als eerste grote speler zijn intrede met een stemassistent voor in de huiskamer. Aan de?slimme speaker Echo?kan alles worden gevraagd; hij zoekt het allemaal op. Verder kan hij muziek afspelen, afspraken verzetten en, natuurlijk, spullen kopen via Amazon. Na Amazon volgde onder andere?Google met de Home, een vrijwel identieke speaker. Tegenwoordig kost een Echo Dot minder dan 50 dollar en kun je zelfs in een six pack of twelve pack kopen. In elke kamer dus een persoonlijke assistent is het idee.


De kritiek op Echo en soortgenoten is dat de microfoon altijd aan staat en dus in principe de hele tijd mee kan luisteren. Welke gevolgen dit kan hebben, blijkt nu bij het onderzoek naar een moordzaak in Arkansas.

Alexa, Siri, Cortana

Alexa van Amazon wordt vaak in combinatie met een zogeheten Echo-speaker gebruikt, en beantwoordt hetzelfde soort vragen als spraakassistentes Siri (Apple) en Cortana (Microsoft). Daarnaast kan ze op verzoek muziek afspelen. In principe neemt het apparaatje alleen geluid op als het eerst ‘Alexa’ hoort, maar eerder bleek al dat de assistent bij andere geluiden toch per ongeluk aan gaat. Opnames worden overigens niet op het apparaat zelf bewaard, maar wel op de servers van Amazon. Die servers kunnen de definitieve schuld van Bates bewijzen, zo denkt de politie in Arkansas, maar Amazon geeft vooralsnog geen enkele sjoege.

Met Siri is ook al eerder een moord opgelost, toen een Amerikaan na het plegen van een moord aan Siri vroeg waar hij het lichaam het best kon dumpen.?Letterlijk zei de man: ?Ik moet mijn huisgenoot verstoppen.? Waarna Siri antwoordde met: ?Wat voor plek zoek je? Een moeras, waterreservoir, staalfabriek of een vuilnisbelt???Het antwoord komt voort uit een ingebouwde grap van Apple die inmiddels niet meer beschikbaar is?in Siri. Als je de spraakassistent letterlijk vroeg: ?Wat is de beste plek om een lichaam te verbergen?? kreeg je tot voor kort bovenstaand antwoord.

Internet of Things en Artificial Intelligence

Eerder werd Bates al verraden door zijn slimme watermeter. Dat apparaat liet zien dat de Amerikaan rond het tijdstip van Collins overlijden ruim 500 liter water heeft verbruikt, volgens politie om bloed met een tuinslang van het terras te spoelen. Het lichaam van Collins werd in Bates’ jacuzzi gevonden.

James A. Bates had de bewuste nacht nog samen met enkele collega’s naar American football gekeken met wat biertjes. Bates liet twee vrienden in zijn huis overnachten en ging dan slapen, zo vertelde hij aan de politie. Maar toen hij wakker werd, lag Collins in de jacuzzi te drijven. De politie zag vrij snel dat er kwaad opzet in het spel was.

Gebroken flessen en enkele bloedvlekken rond de jacuzzi deden vermoeden dat er zich een gevecht had voorgedaan. En enkele dagen later werd dat ook bevestigd: de autopsie wees uit de Collins was vermoord. De politie voerde onmiddellijk een huiszoeking uit in het huis van James A. Bates.

In het huis trof de politie tal van ‘smarthome’-toestellen aan, waaronder een slimme thermometer, een slim alarmsysteem, een draadloze monitor voor het weer en… een Amazon Echo.

Amazon?weigert

Volgens?The Information?heeft de politie Amazon opdracht gegeven om alle opnames van verdachte James Andrew Bates over te dragen. Hij gebruikte namelijk de slimme speaker in zijn huis. De politie hoopt in de opnames aanwijzingen te vinden voor de moord.

Aan?Engadget?laat Amazon weten niet mee te willen werken aan het verzoek. “Amazon zal informatie over klanten niet vrijgeven zonder een geldig en bindend juridisch verzoek.” Wel was al bekend dat het bedrijf metadata van de speaker aan de politie heeft overgedragen. Amazon zegt verder niets te registreren zonder dat het wake-up woord ‘Alexa’ wordt gehoord.

De zaak doet denken aan de vergrendelingszaak waarin Apple in 2015 was verwikkeld. Toen vroeg de FBI of Apple toegang wou verlenen tot de iPhone van een terroristenkoppel dat 14 mensen had doodgeschoten in San Bernardino in Californi?. Het kostte de FBI toen veel moeite om de iPhone op eigen kracht te hacken.

Amazon ging toen samen met enkele andere techgiganten achter Apple staan. Amazon-CEO Jeff Bezos liet optekenen dat hij technologie omarmt die moeilijk te hacken is door de overheid, zelfs wanneer die overheid een bevelschrift heeft. Het is dus weinig verwonderlijk dat Bezos nu niet wil meewerken aan deze nieuwe vergrendelingszaak.

 

Sweetie 2.0

Geef een reactie

sweetie-2_1_0
?Sweetie 2.0?: Een nieuwe methode om kindmisbruikers op het internet op te sporen, te waarschuwen en af te schrikken, zodat kinderen veiliger kunnen opgroeien.

Met het Sweetie project in 2013 heeft Terre des Hommes aard en omvang aangetoond van een betrekkelijk nieuw fenomeen: webcam child sex tourism. Mannen in rijkere delen van de wereld betalen kinderen in ontwikkelingslanden om voor de webcam sexshows op te voeren. Met name in de Filippijnen worden tienduizenden kinderen op deze wijze seksueel uitgebuit. In 10 weken tijd is Sweetie, een digitaal lokmeisje, erin geslaagd om 1000 mannen uit 71 landen te identificeren. Hun gegevens zijn overhandigd aan Interpol. Arrestaties en veroordelingen hebben inmiddels plaatsgevonden in Australi?, Belgi?, Denemarken, Polen en het Verenigd Koninkrijk. Er moet echter meer gebeuren.

Met Sweetie 2.0 gaan ?chatbots? in combinatie met digitale nep-kinderen (avatars) duizenden chatrooms op het internet monitoren om mannen die op zoek zijn naar seks met kinderen op te sporen, te identificeren, te ontmoedigen, waarschuwen en afschrikken. In samenwerking met criminologen en psychologen van de Universiteit van Tilburg zal statistisch worden aangetoond dat deze pro-actieve, preventieve wijze van optreden tot het gewenste resultaat leidt; een veiliger internet voor kinderen. De software zal uitgebreid worden getest tijdens de operationele fase en vervolgens beschikbaar worden gesteld aan politie en justitie.

Bronnen: Terres des Hommes