Tagarchief: big data

Voorspellen van de spoedvraag met live databronnen

Geef een reactie

Technologische en maatschappelijke ontwikkelingen hebben ertoe geleid dat er steeds meer sensoren en data beschikbaar komen. Slimme, voorspellende algoritmes kunnen deze data gebruiken om op de spoedvraag te anticiperen en zo een belangrijke bijdrage leveren aan het noodhulpproces.

Dat blijkt uit onderzoek naar hoe het gebruik van live data kan leiden tot specifiekere voorspellingen van de spoedvraag. In samenwerking met het Ministerie van Justitie en Veiligheid, de Landelijke Meldkamer Samenwerking en de hulpverleningsdiensten voerde TNO in het najaar van 2018 dit onderzoek naar het voorspellen van de spoedvraag uit.

Betrouwbaar voorspellen
Het gebruik van (big) data voor het aansturen van het noodhulpproces is niet nieuw. Een voorbeeld hiervan is het Criminaliteits Anticipatie Systeem (CAS) dat de politie gebruikt om te voorspellen waar en wanneer misdrijven als straatroof en inbraak plaatsvinden. De voorspellingen van CAS en vergelijkbare systemen zijn grotendeels gebaseerd op trendanalyses van historische data, zoals het aantal incidenten in het verleden en demografische factoren. De voorspellingen geven informatie over de kans dat een bepaald type incident zal plaatsvinden gegeven de locatie en datum. Deze voorspellingen kunnen gebruikt worden bij het plannen van de benodigde inzet of voor het positioneren van eenheden. Maar deze voorspellingen geven alleen een trend aan en houden geen rekening met de huidige situatie. Hierdoor is het meestal niet wenselijk om op basis van deze informatie direct uit te rukken; in veel gevallen zal er namelijk helemaal geen incident plaatsvinden. In dit onderzoek is verkend in hoeverre het gebruik van live data kan helpen om specifieke incidenten te voorspellen met een dusdanige betrouwbaarheid dat het loont om ook direct op de voorspellingen te acteren.

Challenge in de meldkamer
Dit onderzoek is uitgevoerd in de vorm van een challenge. In samenwerking met de meldkamer Rotterdam heeft een team van onderzoekers van TNO in één week een prototype algoritme gebouwd dat op basis van historische en live data specifieke incidenten in het gebied Rotterdam-Rijnmond kan voorspellen. Het algoritme gebruik hiervoor onder andere meldingen uit het Generieke Meldkamer Systeem, weersvoorspellingen en evenementen kalenders. Tijdens de challenge zijn drie type meldingen uitgewerkt: openbare schennispleging, wateroverlast en liftopsluiting. Deze drie soorten zijn gekozen op basis van het aantal relevante meldingen in de dataset en de verwachte voorspelbaarheid van het type incident gegeven de bronnen die op dat moment beschikbaar waren. Met de huidige dataset bleek de liftopsluiting het beste te voorspellen, voor de andere twee type incidenten maakte het gebruik van live data geen significant verschil ten opzichte van standaard trendanalyses.

Conclusies
De resultaten van de challenge tonen aan dat de betrouwbaarheid van de voorspelling (de kans dat een incident ook echt plaatsvindt op de voorspelde plaats en tijd) erg verschilt per type incident. De meldkamer beschikt op dit moment vooral over databronnen die informatie bevatten over openbare fenomenen zoals weer en drukte; hierdoor zullen op korte termijn de incidenten die sterk met dergelijke factoren samenhangen het beste te voorspellen zijn. Het onderzoek toonde aan dat wanneer het algoritme een incident voorspelde dit in 30% van de gevallen juist was. Of deze en mate van betrouwbaarheid voldoende is om proactief op te treden is aan de hulpdiensten om te bepalen.

Gerichte experimenten kunnen meer inzicht bieden in de toegevoegde waarde van verschillende databronnen en de te verwachte betrouwbaarheid van voorspellingen voor deze specifieke incident types. Om de precisie van de voorspellingen in het algemeen te verbeteren moeten vervolgstappen zich richten op het aanvullen van voorspellingen met data van slimme sensoren zoals camera’s met automatische beeld- en geluidsanalyses.

Er blijft sprake van een continue schaal waarop de spoedvraag voorspeld kan worden: aan de ene kant is de precisie van de voorspelling hoog, maar is er weinig tijdswinst, aan de andere kant is voorspelling onbetrouwbaarder maar is er nog veel tijd om te reageren. Per type incident moet worden bepaald waar op dit spectrum de kosten, zowel in privacy als in geld, in balans zijn met de baten.

Meer weten
Wil je meer lezen over de aanpak, uitkomsten en conclusies van dit onderzoek? Lees dan de flyer Het Nieuwe Melden: voorspellen spoedvraag:

[slideshare id=142988155&doc=flyer-challenge-voorspellen-spoedvraag-april-2019-190430164742&type=d]

Bron: K-LMO

Big Data is watching (over) you. Debat in De Balie over toekomst van opsporing

Geef een reactie

Dankzij algoritmes kan men tegenwoordig criminaliteit voorspellen en hierop anticiperen. Politieorganisaties onderzoeken de mogelijkheden om big data en kunstmatige intelligentie in te zetten. Kunnen computers nauwkeuriger en veiliger voorspellen of criminaliteit gaat plaatsvinden dan getrainde agenten? Hoe bestrijden we effectief nieuwe vormen van criminaliteit zonder?onevenredige?inbreuk?op grondrechten??Aan de hand van voorbeelden uit de praktijk verkennen we de toekomst van big data en AI bij de opsporing van criminaliteit.

Deze avond over Big Data en kunstmatige intelligentie is de derde in de programmareeks ?Opsporing & Vervolging in de toekomst?. In samenwerking met de politie en het OM maakt De Balie een serie over de herpositionering van politie en burger in het digitale tijdperk. Hoe kunnen alle partijen het best gezamenlijk anticiperen op technologische en maatschappelijke ontwikkelingen in relatie tot politiewerk en criminaliteit? Hoe kan daarbij de rechtstaat worden gewaarborgd? Brengen technologische ontwikkelingen ons het ultieme veiligheidsklimaat, of zullen we kennismaken met de donkere kanten van nieuwe technologie ? la hitserie Black Mirror? De eerste aflevering in deze serie ging over toenemende burgeropsporing, kijk het programma?hier?terug.

Sprekers:?

Fred Westerbeke, Hoofd Officier Landelijk Parket

Reinder Doeleman, sectorhoofd Dienst Regionale Informatie organisatie, die ingaat op het Criminaliteits Anticipatie Systeem waarover we eerder al veel artikelen en publicaties plaatsten.

Vincent Bohre van Privacy First, een onafhankelijke stichting met als doel het behoud en de bevordering van het recht op privacy. Hij benoemt oa het?@MIGO-BORAS project.

Marc Schuilenburg, docent Strafrecht en Criminologie van de VU. Hij publiceerde meerdere boeken over veiligheid, filosofie, strafrecht en populaire cultuur waaronder Orde in veiligheid (2012), waarvoor hij de driejaarlijkse Willem Nagelprijs won. Dit jaar kwam zijn boek Hysterie. Een cultuurdiagnose uit, met daarin een groot hoofdstuk over algoritmen en predictive policing. Hij benoemt het Big Data project uit Roermond.

Jacqueline Bonnes, Cyber Officier Arrondissement parket Rotterdam

Rapport met enige achtergrond over de huidige state of the art van AI in predictive policing, een aantal dilemma’s en een blik op de toekomst:

Van predictive policing naar prescriptive policing – Verder dan vakjes voorspellen
[slideshare id=61354641&doc=104tnorpredictivepolicingweb-160426065651&type=d]

Bron: De Balie

 

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

QUIN helpt opsporingsteam in ?Hunted?

Geef een reactie

Het tweede seizoen van tv-programma Hunted gaat maandag 6 november van start, bij AvroTros op NPO3. In dit programma proberen veertien deelnemers, de ?voortvluchtigen?, 21 dagen lang uit handen te blijven van een team van professionele opsporingsexperts. Deze ?hunters? worden dit seizoen ondersteund door QUIN, een voorspelmodel voor voortvluchtigen ontwikkeld door TNO.

QUIN ? een afkorting van Question & Investigate ? is het geesteskind van Selmar Smit, onderzoeker artificial intelligence. De software is in samenwerking met de Nationale Politie ontwikkeld met als doel de leeslast voor analisten in liquidatiezaken te verkleinen. ?We hebben de naam QUIN niet voor niets gekozen. De software is vergelijkbaar met het personage Mr. Quin uit de Agatha Christie-boeken, een mystiek individu dat komt en gaat en de hoofdinspecteur in het oor fluistert ?heb je daar wel aan gedacht?? Onze QUIN is een systeem dat gebaseerd is op het feit dat je een misdaad maar op een aantal manieren kunt begaan. Elke misdaad lijkt op een andere misdaad. Dat maakt dat je kunt inschatten wat een verdachte mogelijk gaat doen. QUIN kan analisten helpen om beschikbare data te verwerken en volgende stappen van verdachten te voorspellen?, legt Smit uit.

Hoe werkt het?

Op basis van gegevens die bekend zijn van een huidige casus en dezelfde informatie van oude zaken, kan QUIN voorspellingen doen. Denk aan persoonsgegevens, aan de casus gerelateerde gebeurtenissen zoals tijdstippen, locaties en vervoersmiddelen, en woonplaatsen van familie en vrienden. Smit: ?QUIN berekent de afstanden tussen twee casussen, het model vergelijkt verschillende zaken die op elkaar lijken. En kan aan de hand daarvan voorspellingen doen over waar een verdachte zich bevindt of zal gaan slapen. QUIN kan bijvoorbeeld uitspraken doen over of een verdachte waarschijnlijk in een hotel, bij vrienden of ergens anders zal gaan slapen en inschatten hoe groot de kans is dat diegene nog op een al bekende plek zit.?

Hunted als validatie

Het valideren van de effectiviteit van de ontwikkelde tool is echter lastig zonder toegang tot gevoelige data van (lopende) onderzoeken. ?En logischerwijs krijg je geen toegang tot politiedata zonder indicatie van de effectiviteit en je wil ook een lopend onderzoek niet verstoren met eventueel foutieve inlichtingen. Deelname aan het programma?Hunted?leek ons dan ook een mooie manier om deze vicieuze cirkel te doorbreken. Er is geen sprake van gevoelige data maar wel (enigszins) realistische scenario?s. We hebben contact opgenomen met de productieleider en gelukkig waren ze enthousiast. We hebben QUIN beschikbaar gesteld aan het opsporingsteam en ik ben zelf als analist aan het team toegevoegd. Het was hartstikke leuk om drie?nhalve week mee te draaien binnen het opsporingsteam. Een mooie ervaring en natuurlijk heel anders dan je normale dagelijkse werkzaamheden?, vertelt Smit.

Goede voorspellingen

Ter voorbereiding zijn alle data van eerdere seizoenen van?Hunted, ook uit het buitenland, verzameld en ingevoerd in QUIN om zo te zien hoe deze voortvluchtigen ? het zijn natuurlijk geen echte voortvluchtigen ? zich gedragen. Bovendien is voor het programma een gelikte interface gebouwd. ?Tijdens de opnames van het nieuwe seizoen hebben we gezien dat QUIN een aantal keer goede voorspellingen heeft gedaan. De tool lijkt dus echt te werken!?, aldus Smit.

Het ontwikkelen van QUIN is natuurlijk een team effort geweest. ?Ik ben zichtbaar op tv, maar er staat een heel team achter me dat QUIN heeft ontwikkeld en gebouwd.?

Pilot

De politie heeft interesse in verdere samenwerking, mogelijk wordt er binnenkort een pilot met QUIN uitgevoerd. ?Met software als QUIN kunnen we de politie helpen te doen waar ze goed in zijn: boeven vangen. Deze tool is bovendien mogelijk ook interessant voor andere veiligheidsorganisaties en -diensten?, benadrukt Smit.

?Het werk van de veiligheidsdiensten wordt de komende jaren steeds meer gedreven door informatie en technologie?, vult Krishna Taneja, directeur National Security TNO, aan. ?Online en via bijvoorbeeld smartphones en auto?s wordt meer data verzameld dan het menselijk brein kan verwerken en analyseren. TNO probeert hiervoor oplossingen te vinden in nauwe samenwerking met de veiligheidsdiensten en het bedrijfsleven. QUIN is hier een voorbeeld van en blijkt in de testfase ook de stap te kunnen zetten van ruwe data naar voorspellingen. Dit is de opmaat naar een fundamenteel andere werkwijze in het veld van data-analyse en predictie.?

?I have a certain friend ? his name is Mr Quin, and he can best be described in terms of catalysis. His presence is a sign that things are going to happen, because when he is there strange revelations come to light, discoveries are made.? Agatha Christie – The Mysterious Mr Quin

Bronnen: Hunted, TNO

App: HART – Harm Assessment Risk Tool

Geef een reactie

De politie van Durham begint met het testen van een Artificial Intelligence app HART – Harm Assessment Risk Tool – om te helpen in beslissingen over het verlaten van verdachten of ze in hechtenis te houden. Het systeem bevat tot 5 jaar aan data en geeft middels een kansberekening een score: lage, middelmatige of hoge kans op recidive.

Het systeem is al in 2013 getest en de resultaten zijn?vergeleken met wat er in de twee jaren daarna gebeurde. Ze vonden dat HART zeer goed gewerkt had voor de groep van lage risico’s, met een score van?98% van de tijd goed, en een score van 88% voor het juist berekenen van de categoriegroep (laag, middel of hoog).

Niet slecht voor een?computer. Een externe deskundige geeft aan dat het gereedschap nuttig kan zijn, maar dat het risico erin sluipt dat het zelfstandig beslissingen zou kunnen gaan maken. Tijdens de proefperiode werd de nauwkeurigheid van het HART algoritme gecontroleerd, maar het heeft geen beslissingen genomen die anders door de politie genomen zou zijn, zegt Sheena Urwin, hoofd van het strafrechtelijke Durham Constabulary. “Ik zie een systeem voor me dat de komende twee tot drie maanden de besluitvorming van officieren kan ondersteunen,” vertelde ze aan de BBC.

Prof. Lawrence Sherman, werkzaam aan de Universiteit van Cambridge, was betrokken bij de ontwikkeling van het instrument. Hij stelt voor dat HART in verschillende gevallen gebruikt zou kunnen worden, zoals bij beslissingen over of iemand een paar extra uur in hechtenis moet blijven; Of bijvoorbeeld voor een aanklacht op borgtocht kan worden vrijgelaten; Of, nadat een heffing is opgelegd, deze in bewaring moet worden overgedragen. “Het is tijd om het echt te gaan gebruiken en een goed experiment is de beste manier,” vertelde hij aan de BBC.

Tijdens het aanstaande experiment zullen officieren toegang krijgen tot het systeem in een willekeurige selectie van zaken, zodat de impact ervan kan worden vergeleken met wat er gebeurt wanneer dat niet het geval is.

Vooroordelen?

Vorig jaar publiceerde de Amerikaanse website ProPublica een onderzoek naar een algoritme dat door autoriteiten wordt gebruikt om de kans te voorspellen dat een arrestant een toekomstige misdaad begaat. Het onderzoek stelde dat?het algoritme raciale vooroordelen versterkt, en ook overdreven negatieve voorspellingen over zwarte versus witte verdachten maakte – hoewel de firma achter de technologie de bevindingen van ProPublica betwist.

“Tot op zekere hoogte doen leermodellen de verborgen en stilzwijgende aannames die door mensen zijn gemaakt,” waarschuwde prof Cary Coglianese, een politieke wetenschapper aan de Universiteit van Pennsylvania, die algoritmische besluitvorming heeft bestudeerd. “Dit zijn erg lastige [machine learning] modellen en het is lastig te beoordelen in hoeverre ze echt discriminerend zijn.” Het Durham-systeem bevat bijvoorbeeld ook gegevens over de postcode en het geslacht van de arrestant bijvoorbeeld. De makers van het systeem verzekeren echter dat slechts een postcode niet tot een uitslag kan leiden, en dat het systeem slechts een advies geeft. Ook een zgn. ‘audit trail’, waarin wordt bekeken hoe het systeem bij een bepaald besluit kwam, zal later nodig zijn, en de werking zal dan toegankelijk moeten zijn, aldus prof Sherman. Dr Helen Ryan, rechtsgeleerde bij de?Universiteit van Winchester, geeft aan dat ze HART “ongelooflijk interessant” vindt en dat er een enorm potentieel ligt om te kunnen profiteren mocht er een uitgebreiding van de pilot komen. “Ik denk dat het eigenlijk een zeer positieve ontwikkeling is,” voegt ze eraan toe. “Ik denk dat, potentieel, machines kunnen veel nauwkeuriger zijn – gegeven de juiste data – dan mensen.”

Bronnen: Gizmodo,?BBC

Wetenschap helpt politie met data analyse voor recherche

Geef een reactie

big data analytics

Recherchewerk verandert ingrijpend door de mogelijkheden van Big Data analytics. De politie gaat samenwerken met wetenschappers om beter informatie uit in beslag genomen smartphones en computers van verdachten te kunnen halen. Het idee is dat een computer met nieuwe technieken razendsnel miljoenen foto?s, berichten, locatiegegevens en filmpjes kan doorpluizen op zoek naar verbanden die een agent met het blote oog niet snel ziet.

De politie begint daarvoor het project ?Politielab? met Amsterdam Data Science. Dat is een samenwerkingsverband van de twee universiteiten en hogeschool in Amsterdam, en het Centrum Wiskunde & Informatica.

Drie promovendi van de Universiteit van Amsterdam gaan hun promotieonderzoek doen bij de politie door de?computertechniek deep learning te gebruiken voor opsporingswerk. Deep learning-netwerken zijn goed in het herkennen van patronen.Er is veel belangstelling voor vanuit de wetenschap, zegt de politie. Er moeten programma’s worden ontwikkeld om snelle data-analyse mogelijk te maken.?De promovendi worden gefinancierd vanuit de politie.

“Er zijn steeds meer data aan het werk, waardoor het steeds moeilijker is om verbanden te ontdekken. Daarom willen we de expertise van de wetenschap gebruiken”, zegt Theo van der Plas, programmadirecteur digitalisering en cybercrime bij de politie in het NOS Radio 1 Journaal. De ontwikkelingen in de wetenschap gaan volgens hem zo snel dat de politie daar graag bij wil aansluiten.

NOS Tech podcast in gesprek met?Theo van der Plas:

Misdaden sneller oplossen

De techniek helpt bij het ontdekken van nieuwe verbanden die rechercheurs niet met het blote oog kunnen zien. De computer kan razendsnel grote hoeveelheden bestanden met elkaar vergelijken en verbanden leggen. “Uiteindelijk zullen we daardoor sneller de onderzoekslijn vinden en sneller tot de oplossing van een misdaad kunnen komen”, zegt Van der Plas.

“Er is bijvoorbeeld een grote hoeveelheid foto’s van huiskamers. Combinatie van die beelden kan tot de conclusie leiden dat het om een clubhuis gaat waarvan een criminele bende gebruikmaakt. Door deze data science kunnen we mogelijk herleiden waar dat clubhuis staat en dat helpt ons enorm in het onderzoek.”

Uitdagingen

De enorme hoeveelheid gegevens in strafrechtelijke onderzoeken waar de politie mee te maken krijgt, brengt nieuwe uitdagingen met zich mee, zegt Theo van der Plas, programmadirecteur digitalisering en cybercrime van de politie. ?Zoals hoe je eruit haalt wat je nodig hebt. Of hoe haal je eruit wat je nog niet wist dat je nodig hebt voor het onderzoek? Ik verwacht dat we met de nieuwe technieken verbanden gaan zien die we nooit eerder hebben ontdekt.?

Nu al gebruikt de politie computertools waarmee automatisch kan worden gezocht in gegevens. Politielab moet de volgende stap zetten. Zo moet de rechercheur met een druk op de knop een samenvatting krijgen van wat er interessant kan zijn van alle in beslag genomen apparaten. De computer ziet relaties en (afwijkende) patronen in de gegevens.

Om een voorbeeld te geven: de computer herkent dat twee foto?s op verschillende apparaten op dezelfde plek zijn genomen. Dat kan aan de hand van bijvoorbeeld locatiegegevens en objecten die op de beelden te zien zijn. Voor de politie kan het een indicatie zijn dat twee verdachten op dezelfde plek zijn geweest.

‘Wapenwedloop’

De samenwerking met de wetenschap is voor de politie een belangrijke stap in ?de wapenwedloop? met criminelen, zegt Van der Plas. ?Criminelen hebben veel mogelijkheden om het ons lastig te maken. Ze versleutelen hun berichten en maken gebruik van allerlei verschillende communicatiemiddelen. Door de nieuwe tools kunnen wij straks hopelijk meer kennis halen uit de berg informatie die we in beslag hebben genomen.?

Daarmee worden niet alle problemen voor de politie opgelost, erkent hij. Gegevens die versleuteld zijn, zijn ook met de nieuwe tools niet te doorzoeken. Daarom is ook de nieuwe Wet Computercriminaliteit, die momenteel in behandeling is in de Eerste Kamer, belangrijk, zegt hij. Die geeft de politie de bevoegdheid computersystemen van verdachten te hacken, wat er onder meer voor moet zorgen dat informatie wordt verzameld v??rdat die versleuteld is.

politielab

Toestemming

Daarnaast heeft de Hoge Raad zich onlangs uitgesproken over het doorzoeken van alle informatie op een smartphone. Dat kan een bijna compleet beeld opleveren van iemands persoonlijke leven en mag volgens het arrest dus niet zonder toestemming van een officier van justitie of rechter-commissaris, wat tot voor kort niet altijd gebeurde.

Ook de nieuwe tools die in het Politielab worden ontwikkeld, zullen aan de waarborgen voldoen, zegt Van der Plas. Zo gaat de politie volgens hem niet ongericht analyses toepassen op de in beslag genomen apparaten als de informatie niet relevant is voor het onderzoek.

Computers kunnen steeds beter rechercheren

Zo kunnen computers steeds beter foto?s interpreteren. De politie kan daar haar voordeel mee doen bij onderzoeken. Oefening baart kunst. Dat geldt voor mensen, maar ook voor computers. Dus als je wilt dat een computer herkent dat er bijvoorbeeld een wapen op een foto staat, dan moet je eerst heel veel voorbeelden van wapens tonen.

Op de Amerikaanse Stanford-universiteit zijn ze om die reden bezig geweest met het invoeren van miljoenen gelabelde foto?s van allerlei voorwerpen en alledaagse taferelen. Van die database wordt nog steeds wereldwijd gebruikgemaakt. Straks ook door de onderzoekers van het ?Politielab?. Voor Marcel Worring, hoogleraar informatica aan de UvA en een van de initiatiefnemers van Amsterdam Data Science, bekend terrein. ?De technieken die we daarvoor gebruiken zijn niet nieuw. Ze zijn wel een stuk beter geworden. Kon een computer eerst nog maar een antwoord geven op de vraag wat er op een foto staat, nu herkent hij losse elementen, en zegt hij bijvoorbeeld: er staan hier vier personen op, een boom een auto.?

Wat is de grootste uitdaging van het project met de politie?

?De computer is steeds beter geworden in het herkennen van wat er op een foto staat, en het begrijpen van onze taal. De volgende belangrijke stap is de verbanden tussen beeld en taal maken. Een foto met daarop een wapen kan een andere lading krijgen als daar een bepaalde tekst bij staat.

?Datzelfde geldt voor het zien van patronen. De computer moet gaan herkennen dat er plotseling een reeks foto?s op dezelfde plek is genomen. Dat kan aan de hand van geografische gegevens in smartphones, maar ook door te herkennen dat bepaalde elementen op twee foto?s hetzelfde zijn. Een zelfde gebouw bijvoorbeeld.?

Heeft de politie wel wat aan de al bestaande database van Stanford? Het zijn niet altijd alledaagse dingen waar agenten naar op zoek zijn in strafrechtelijke onderzoeken.

?Over het algemeen geldt: hoe meer elementen de tools kunnen herkennen, hoe makkelijker het wordt om nieuwe dingen te leren. De politie kan dus voor hen relevante beelden toevoegen, zoals bepaalde wapens.?

Is de computer beter in de analyse dan een mens?

?Ik heb altijd gezegd: de computer is dommer dan de mens, alleen wel veel sneller. Maar computers beginnen langzaam op ons in te lopen. Ze zien patronen die je als mens niet makkelijk zult herkennen. Waar de computer alleen absoluut niet tegenop kan, is de ervaring en het onderbuikgevoel van een rechercheur die belast is met het onderzoek naar een in beslag genomen apparaat. Die onderbuikgevoelens kun je niet in regels vatten, dus kun je het een computer niet leren. Echte experts zijn nog altijd beter in het herkennen van subtiele details in beeld zoals een stopcontact, maar computers lopen op hen in. ?

Is het dan straks de techniek die bepaalt of iemand vervolgd gaat worden?

?De interpretatie van de bevindingen moet altijd aan mensen overgelaten worden. Het is niet zo dat de computer straks kant-en-klaar bewijsmateriaal gaat afleveren in de rechtszaal. Een voorbeeld: een computer kan wel constateren dat criminelen opeens een nieuw woord gaan gebruiken en de rechercheur daarop wijzen. Maar begrijpen dat ze daarmee op drugs doelen, is een tweede.?

Hoe gaat deep learning de politie helpen?

?Eerder waren we blij als de computer een zonsondergang of zebra op een foto herkende. Computers kunnen inmiddels bij een foto met een hond aangeven om welk ras het precies gaat, ze kiezen dan uit honderden soorten. Dit soort software willen wij bijvoorbeeld ombouwen, zodat computers ons vertellen welk merk en type vuurwapen op een foto staat.

?Na herkennen van wat op de foto staat, is verbanden leggen een volgende stap. We willen dat computers binnen enkele seconden uitleg kunnen geven over de inhoud van een in beslag genomen smartphone. Gaat het hierbij bijvoorbeeld om een potenti?le terrorist die bezig is geweest met het plannen van een aanslag?

?Daarnaast moet software snel verbanden of afwijkende patronen kunnen vinden in enorme bergen data. Zo moet het mogelijk worden verbanden te vinden tussen beelden en tekst, tussen bijvoorbeeld een foto van Schiphol en dreigende woorden.?

Waarom gebeurt dit niet nu al?

?Wetenschappers werkten natuurlijk al samen met de politie. Zo lukt het computers in onderzoeken naar kinderporno vaak te herkennen of beelden uit dezelfde kamer komen, maar bijvoorbeeld gefilmd vanuit een andere hoek.

?We zetten nu een nieuwe stap. Het Politielab is een groter samenwerkingsproject, en de technieken waarmee wij gaan werken zijn veel intelligenter. Daarmee herkennen computers details ? een bepaald behang, een manier van inrichten. Door locatiegegevens van foto?s aan elkaar te koppelen, kunnen ze zien of criminelen misschien samenwerken.?

De ontwikkelingen binnen deep learning gaan snel. Hoe komt dat?

?Deep learning heeft in het vak van data-analyse de afgelopen jaren tot grote revoluties geleid. Daar zijn twee belangrijke oorzaken voor. Netwerken binnen deep learning worden niet geprogrammeerd, maar getraind door ze als het ware te voeden. Afgelopen jaren hebben onderzoekers, onder meer van de fameuze Stanford-universiteit, computers duizenden voorbeelden gegeven om ze slimmer te maken. De techniek van deep learning komt al uit de vorige eeuw, maar in 2006 is er een grote doorbraak geweest uit de game-industrie. Om ingewikkelde fictieve landschappen in de games snel en scherp te laten zien, was er veel rekenkracht nodig. Het lukte om tientallen, soms honderden lagen neuronen tegelijk berekeningen te laten uitvoeren. Het zou zonde zijn dat vermogen niet te benutten voor de bestrijding van criminaliteit.?

Bronnen: Trouw, NRC, NOS, Politie

Geen nieuwe Project X door slimme inzet mens en techniek

Geef een reactie

Door?, Fast Moving Targets?en eerder geplaatst op MarketingFacts

De politie is in de kern een informatiefabriek. En waar die informatie vroeger handmatig werd verzameld, vastgelegd en geanalyseerd, gaat dat tegenwoordig meer en meer met behulp van computers. Big data, artificial intelligence en crowdsourcing zijn niet meer weg te denken.?Frank Smilda, sectorhoofd regionale informatieverzameling, constateert drie grote veranderingen: de impact van het web, de rekenkracht van computers en de snelheid van informatie.

Een paar jaar terug, in 2012, ging het nog goed mis met de inschatting van de kracht van het web. Een op Facebook openbaar aangekondigd feestje in Haren bracht meer dan 5000?mensen op de been. Burgemeester en politie werden totaal overvallen door de opkomst. Vandaag de dag zou dat veel lastiger zijn. Het web wordt 24 uur per dag?gemonitord. Bij verdachte activiteiten wordt die informatie direct gedeeld met de politie ter plekke.

?Wanneer je iets virtueel ziet wat?impact kan hebben op de fysieke wereld, maak je heel snel de koppeling met de wijkagent die direct op pad gaat en gaat onderzoeken wat er aan de hand is. Dat gaat nu veel sneller dan in 2012. Er zijn daarna nog veel Project X-achtige aankondigingen geweest en die hebben we allemaal in de kiem kunnen smoren.”

?In de grote steden kunnen we nu al ? van de woninginbraken voorspellen?

De komst van ??n nationale politie is voor het verzamelen en delen van informatie van enorme waarde. ?We hadden altijd 25 regio?s en moesten dus op 25 manieren in systemen kijken. Er is nu ??n systeem. We kunnen in ??n systeem alle vragen stellen en antwoorden ophalen. Dat is ongekend, dat hebben we in Nederland nog nooit gehad. We kunnen er ook allerlei analyses op los laten. Stel: er vindt een overval plaats en het signalement luidt: rood petje, zwarte Audi, groene jas. Dan krijg je wanneer je in het nationale systeem kijkt, met de snelheid van Google, antwoord. Dat is de wereld waar we in leven. Dat kun je direct koppelen aan social media, maar ook aan andere antecedenten.?

Op dit moment werken 3300 mensen in de politie intelligence, zo?n 5 procent van de totale politiecapaciteit.

Door middel van data science software kunnen in luttele seconden analyses worden gemaakt. Het gaat zelfs zo ver dat er ook voorspellingen van misdaad kunnen worden gegeven. ?We kunnen vrij goed voorspellen waar in grote steden bijvoorbeeld woninginbraken of straatroven zullen gaan plaatsvinden. Per wijk, per straat, in de ochtenddienst of in de late dienst. Het begon met heatmaps, de historie en nu koppelen we daar voorspellingen aan. Daar heb je wel veel data voor nodig. In de grote steden kunnen we nu al een derde van de woninginbraken voorspellen. Daar kun je dan weer intelligent je inzet van blauw op plegen.?

Daarmee volgt de politie de trend in de zorg: voorkomen in plaats van genezen. ?Natuurlijk mensen zullen altijd ziek worden en misdaad blijft bestaan, maar er is zoveel meer intelligentie mogelijk met big data, slimme software en mensen om daar verbetering in te brengen.?

?Wet- en regelgeving loopt achter?

De praktijk leert dat veel organisaties problemen hebben met technische ontwikkelingen. En ook binnen de politie zijn er ongetwijfeld agenten te vinden die menen dat er niks boven het oude handwerk gaat. Maar tegelijkertijd biedt de organisatie veel ruimte voor experimenteren en vernieuwen.

?De wet- en regelgeving loopt natuurlijk achter, maar met rugdekking en wat budget kan je veel. Zelf heb ik bijvoorbeeld ge?xperimenteerd met het online zetten van een moordzaak naar aanleiding van het boek over de wisdom of the crowd. Ik dacht: er is veel interesse in dat soort type zaken, waarom zou je het niet online brengen? In het begin was er veel twijfel. We zijn toch begonnen met een cold case en we hebben het publiek gevraagd mee te denken. Dan zie je een hele nieuwe dynamiek ontstaan. Nu begint dat veel normaler te worden. We moeten dan wel het hele spel opnieuw leren.?

In Noord-Nederland, de regio waar Smilda werkzaam is, werd onlangs een zogenaamde innovatie-expeditie gestart. ?We kregen allerlei innovatietools aangereikt binnen ons team en daar zijn vier hele interessante initiatieven uit tevoorschijn gekomen.?

Bijvoorbeeld een app die gebruikt kan worden bij de 40.000 jaarlijkse vermissingen die Nederland telt. De app, nu nog in ontwikkeling, maakt optimaal gebruik van de inzet van burgers. ?Het?legt een raster over een geografisch gebied en dan kun je met bewoners die mee helpen zoeken afspreken in welk?raster zij zoeken. Als ze iets zien of vinden vullen ze dat in binnen?de app. Dan verwerken wij dat weer met onze politie informatie. Het klinkt logisch, maar dat is er nog niet.?

Het veronderstelt ook een andere manier van werken. De politie moet kennis delen en verder durven los laten. ?Dat is wel het leuke van de politieorganisatie: als je dit soort idee?n hebt, krijg je de ruimte om te pitchen en geld bij elkaar te brengen om kennis en kunde te bundelen.?

Bronnen: Marketingfacts

Informatiegestuurd politiewerk in de praktijk

Geef een reactie

igp

De politie staat met informatiegestuurd werken op een keerpunt: van informatiegestuurd politiewerk naar politiewerk in een informatie(gestuurde) maatschappij. De afgelopen jaren is er veel tot ontwikkeling gekomen. Wie had bijvoorbeeld bij de start van het lectoraat intelligence, zeven jaar geleden, voor mogelijk gehouden dat de politie op straat real-time toegang heeft tot gegevens uit verschillende systemen? Wie kon toen vermoeden dat de politie met een druk op de knop alle incidenten in de wijk van de afgelopen week op een kaart te zien krijgt? Wie had gedacht dat de politie de kans op veelvoorkomende criminaliteit redelijk kan berekenen? Hoewel er nog verbeteringen mogelijk en nodig zijn, is de politie er de afgelopen jaren in geslaagd het politiewerk meer informatiegestuurd te maken. Tegelijkertijd is dit slechts een eerste stap, de basis, op weg naar een effectieve en effici?nte politie in de informatiemaatschappij. Politiewerk in een informatiemaatschappij stelt andere eisen. Alles en iedereen genereert informatie, mensen en objecten hebben sensoren die voortdurend met internet verbonden zijn. Alles en iedereen is dus ook met elkaar verbonden. De genetwerkte samenleving is daardoor meer dan partners die samenwerken. Net zo goed als dat we zeven jaar geleden niet voor mogelijk konden houden waar we nu staan, kunnen we dat nu niet voor de komende zeven jaar. We kunnen wel, en moeten ook wel, net zoals zeven jaar geleden, stappen zetten met de kennis die we nu hebben over politiewerk en over de maatschappij.

Seminar politieacademie

Op woensdag 22 maart jl. werd een seminar georganiseerd waarin dit keerpunt in informatiegestuurd politiewerk centraal stond. Het keerpunt is beschreven in het boek ?Informatiegestuurd politiewerk in de praktijk? (zie hieronder). Dit boek werd tijdens het seminar gepresenteerd en aan alle deelnemers uitgereikt. Pieter-Jaap Aalbersberg, politiechef Eenheid Amsterdam en portefeuillehouder Intelligence, gaf?tijdens het seminar een beschouwing hierop. Mari?lle den Hengst, lector Intelligence aan de Politieacademie, gaf een overzicht van het keerpunt door de lessen uit zeven jaar onderzoek samen te vatten en te vertalen naar wat dat betekent voor informatiegestuurd politiewerk in de toekomst. Daarmee nam zij tevens afscheid als lector Intelligence. Hiermee markeert het seminar niet alleen een inhoudelijk keerpunt, maar ook een persoonlijk keerpunt voor haar.

Download of lees het hele boek hier online.

Bronnen: De politieacademie