SocialMediaDNA richt zich op kennisdeling rondom social media, politie en maatschappelijke veiligheid. Onderwerpen vari?ren van de online aspecten van openbare orde, opsporing, vervolging, rechtspraak tot crisisbeheersing en communicatie.
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.
>> 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.
Onderzoek van Martijn Wessels laat zien hoe politiemensen met artificial intelligence samenwerken binnen de politieorganisatie. Hij heeft daarbij als casus het werken met het predictive policing systeem CAS onderzocht. Hieronder de samenvatting van het onderzoek en de resultaten en het volledige rapport.?
Politieorganisaties over de hele wereld maken steeds meer gebruik van algoritmes die hen helpen om tijdruimtelijke voorspellingen te maken van waar en wanneer criminaliteit de grootste kans heeft om plaats te vinden in de toekomst. Rondom dit zogenaamde predictive policing heerst veel controverse en scepsis. Allereerst wordt eraan getwijfeld in hoeverre deze vorm van politievoering inderdaad leidt tot een verbetering van de effectiviteit en effici?ntie van de politie, aangezien empirisch bewijs schaars is en het lastig is om het effect van predictive policing methoden te isoleren. Daarnaast worden er ook ethische bezwaren aan het gebruik van algoritmen genoemd. Er wordt gesteld dat dergelijke algoritmen niet transparant zijn en het gebruik ervan wellicht kan leiden tot de profilering en stigmatisatie van bevolkingsgroepen. Wat er echter ontbreekt in dit wetenschappelijke debat is hoe politieprofessionals momenteel omgaan met dergelijke algoritmen. Dit is van groot belang voor de evaluatie van deze vorm van politievoering omdat menselijk handelen uiteindelijk bepaalt in hoeverre de (eventuele) onbedoelde consequenties van predictive policing tot uiting kunnen komen.
Om het debat rondom predictive policing te voorzien van context is de Nederlandse politieorganisatie bestudeerd om inzichtelijk te maken hoe een dergelijk algoritme (het Criminaliteitsanticipatiesysteem; CAS) wordt gebruikt. Binnen de Nederlandse Politie hebben de zogenaamde intelligence specialisten de taak om de agenten op straat te adviseren in hun handelen. Hiervoor kunnen zij gebruik maken van een aantal informatiesystemen, waaronder CAS. Vandaar dat de werkwijze van deze functiegroep binnen een veiligheidsregio in Nederland is bestudeerd. In dit onderzoek is gekeken naar de organisatiestructuren die het gebruik van CAS be?nvloeden, maar ook naar de consequenties die het gebruik van CAS heeft voor de politieorganisatie. Voor deze studie is bewust gekozen om onderzoek te verrichten binnen een regio die al een langere tijd gebruik maakt van CAS.
De hoofdvraag die centraal staat in het onderzoek luidt:
Hoe en in hoeverre gebruiken de intelligence specialisten van de Nationale Politie het Criminaliteitsanticipatiesysteem en interacteren daarbij met bestaande organisatiestructuren?
Orlikowski?s (2000) theorie van technologies-in-practice is gebruikt om te bestuderen hoe technologie wordt gebruikt binnen een organisationele context. Deze practice lens gaat ervan uit dat de manier waarop technologie wordt gebruikt wordt be?nvloed door bestaande organisatiestructuren, maar dat tegelijkertijd diezelfde organisatiestructuren worden be?nvloed door het technologiegebruik. Het model van Orlikowski (2000) is aangepast voor dit onderzoek zodat dit geschikter is voor het bestuderen van het gebruik van algoritmes. Algoritmes verschillen namelijk van traditionele informatiesystemen omdat het gebruik van algoritmes ook vraagt om de evaluatie van de output van het systeem: de verwachtingen van CAS dienen te worden vertrouwd alvorens de intelligence specialisten dit systeem ook echt betrekken in hun werk. Deze notie is daarom toegevoegd aan het analytische model van Orlikowski (2000), wat heeft geresulteerd in een aangepaste analytische lens: de algorithm in practice lens.
Middels een combinatie van semigestructureerde interviews en de analyse van beleidsdocumenten is onderzocht hoe de intelligencespecialisten gebruik maken van CAS en hoe dit gebruik wordt be?nvloed door organisatiestructuren. De eerste structuur die wordt herkend is de trend van de Nederlandse politie richting informatie-gestuurde politievoering. De politie heeft namelijk voor ogen om het gebruik van informatie en data een steeds belangrijkere rol te geven en probeert ook haar organisatieprocessen hieraan aan te passen. Dit heeft ogenschijnlijk geleid tot een verdere standaardisatie van het werk van de intelligence specialisten en een centrale rol van deze functiegroep in het politieproces, waarin de intelligencespecialisten uitgebreid contact hebben met verschillende partijen binnen de politie, waaronder de agenten op straat. Dit is dan ook de tweede
organisatiestructuur die invloed heeft op het gebruik van CAS: de behoeften van de agenten op straat. De intelligence specialisten lijken zeer gericht te zijn op de wensen en (informatie)behoeften van de agenten op straat, waardoor er een continue wisselwerking bestaat tussen beide partijen.
De normen van de intelligence specialisten lijken daarbij sterk te worden be?nvloed door de trend richting het informatie-gestuurde werken ?n door de behoeften van de straatagenten. De normen van de intelligence specialisten worden voornamelijk omschreven als het verschaffen van kwalitatief hoogwaardig advies (in termen van bruikbaarheid voor de agenten op straat). Dit resulteert in het feit dat de percepties en interpretaties van de intelligence specialisten ten aanzien van CAS doorslaggevend zijn: als CAS niet als toegevoegde waarde voor hun advies wordt gezien zal het ook niet worden gebruikt. Deze attitude jegens CAS lijkt door een derde organisationele structuur te worden be?nvloed: de opinie van de directe sociale omgeving van de intelligence specialisten. Omdat een aantal van de ge?nterviewde intelligence specialisten met CAS kennismaakte via een collega, is de mening van die collega over CAS van groot belang. Indien degene die CAS moet uitleggen aan een nieuwe collega negatief is over het gebruik van CAS, is de kans waarschijnlijk groter dat de nieuwe intelligence specialist zijn/haar percepties en interpretaties van het systeem over zal nemen.
Uiteindelijk zijn er drie categorie?n herkend hoe CAS wordt gebruikt:
1) De ondersteunende collega: CAS wordt gebruikt als een ondersteunend middel voor het opstellen van een advies. Hierbij worden meerdere voordelen van CAS genoemd. CAS zou de intelligence specialisten helpen omdat het tunnelvisie kan voorkomen, het anders ?denkt? aangezien het meerde databronnen combineert, het snel is in het verwerken van grote hoeveelheden data en dat intelligence specialisten advies kunnen geven als ze zelf niet over voldoende informatie beschikken. Desalniettemin achten ze hun eigen kennis en expertise als het allerbelangrijkst en verschaffen daarbij ook advies op de actuele trends en gebeurtenissen die zij op dat moment observeren.
2) De ongeschikte of onnodige collega: CAS voegt geen waarde toe aan het advies van de intelligence specialisten omdat het ofwel niet accuraat is in zijn voorspellingen, of omdat de output geen toegevoegde waarde zou zijn voor de operationele laag van de politie. Vandaar dat de intelligence specialisten in deze categorie advies ontwikkelen dat vooral is gebaseerd op eigen kennis en ervaringen.
3) De sturende collega: CAS wordt gebruikt als een middel om direct de operationele laag mee te sturen. De intelligence specialist communiceert de uitkomst van CAS nadrukkelijk omdat dit wordt gezien als een legitiem middel om beslissingen op de baseren.
Deze drie manieren van het gebruik van CAS hebben verschillende consequenties voor de trend richting de informatie-gestuurde politievoering. De adviezen die worden gegeven door de intelligence specialisten in de eerste categorie ontstaan uit een combinatie van eigen ervaringen, kennis, observaties en statistische informatie uit CAS. Dit lijkt de notie van informatie-gestuurde politievoering te versterken omdat het gebruik van expliciete informatie een prominente rol heeft. De intelligence specialist horende bij de derde groep benadrukt het gebruik van data en informatie ogenschijnlijk nog meer aangezien de eigen ervaringen en kennis minder belangrijk lijken te zijn. De intelligence specialisten die CAS niet gebruiken in hun werk baseren hun advies op de eigen assumpties en kennis, waardoor de informatie-gestuurde politietrend afhankelijk blijft van de (impliciete) assumpties van de intelligence specialist.
Dit onderzoek heeft meerdere theoretische contributies. Allereerst laat het zien hoe een algoritme wordt gebruikt binnen een politieorganisatie. Dit kan het debat rondom predictive policing verder helpen. Dit onderzoek laat zien dat er (momenteel) nog steeds voldoende menselijke invloed lijkt te zijn bij de vorming van beslissingen. Daarnaast benadrukt deze studie dat er verder wetenschappelijk onderzoek moet komen naar het gebruik van dergelijke algoritmen. Ook lijken de aanpassingen die zijn gedaan aan het originele model van Orlikowski (2000) geschikt om het gebruik van algoritmen te begrijpen en wordt het aangemoedigd om deze ook toe te passen bij vergelijkbaar onderzoek in de toekomst.
Verder heeft dit onderzoek ook praktische implicaties. Middels dit onderzoek is inzichtelijk gemaakt hoe CAS wordt gebruikt door intelligence specialisten en welke organisationele processen en mechanismen dit gebruik be?nvloeden. De Nederlandse Politie kan deze inzichten gebruiken om het huidige CAS gebruik te evalueren en om te bepalen wat zou moeten worden aangepast in de politieorganisatie om het gebruik van CAS waar nodig te veranderen. Daarnaast lijkt de grootste groep van respondenten CAS te zien als een ondersteunend systeem. Zij beschouwen de uitkomsten van CAS niet als een absolute waarheid maar zien het voornamelijk als een middel dat ze kunnen gebruiken om de kwaliteit van hun adviezen te vergroten. Vandaar dat er kan worden gesteld dat d?t misschien ook de toegevoegde waarde van CAS is in het politieproces. De politie kan overwegen of en in hoeverre ze CAS een centraal element willen maken voor de politieregio?s die in de toekomst dit systeem gaan gebruiken, of dat het een ondergeschikt systeem moet worden. Tot slot lijkt het erop dat de transparantie en ?uitlegbaarheid? van het systeem moet/kan worden verbeterd om de intelligence specialisten beter te kunnen helpen bij hun werk. Een dergelijke verbetering zal ook een bijdrage leveren aan de beoordeling van de vertrouwelijkheid en accuraatheid van het systeem.
De politie kan misdaad voorspellen. Meer dan de helft van basiseenheden van de politie werkt al met?Predictive Policing. Volgend jaar moeten alle politie-eenheden ermee gaan werken.Het Criminaliteits Informatie Systeem, Het Cas, maakt gebruik van de kracht van Big Data. Met behulp van politiegegevens, CBS-gegevens, cijfers van aangiftes enzovoort, kan bijvoorbeeld worden voorspeld in welke buurt morgen de kans op woninginbraken het grootst is. Het geeft de politie de mogelijkheid op te treden nog voordat er een misdaad is gepleegd. Maar wat voorspelt CAS eigenlijk? Wie controleert of de ingevoerde data kloppen? Kunnen algoritmes ook discrimineren?
Een Radio programma met Dick Willems van de politie geeft uitleg over de werking van CAS dat al bij 110 van de 168 politieteams wordt gebruikt en in 2018 in alle politieteams om effici?nter te werken en politie inzet niet op buikgevoel te sturen.? En met Selmar Smit van TNO geeft uitleg over hoe kunstmatige intelligentie en machine learning werkt. De Big Brother Awards 2015 komen aan bod waarin de politie een award kreeg en predictive policing aanprees. Ook Marc Schuilenburg, jurist en filosoof aan de Vrije Universiteit van Amsterdam, geeft commentaar en is kritisch over het middel predictive policing omdat er nog weinig over bewezen is en dat de nadelen momenteel zwaarder wegen dan de voordelen. Algoritmes kunnen volgens hem alles bepalend worden, niet objectief zijn en toch sturend. Predictive policing doet namelijk geen voorspellingen, maar aan extrapoleert volgens hem alleen historische data. Het cre?ert een bias, een tunnelvisie die zich blijft focusseren op een bepaalde groep of gebied door de data in het systeem. Stel dat de politie alleen mensen met een migratie staande houdt, dan zal het systeem zich daarop trainen. De bias van de mens, en dit geval heel veel politiemensen, sluipt op die manier in het systeem. In Amerika blijkt al dat donkere amerikanen die wiet roken tien keer meer gearresteerd worden dan blanken die evenveel wiet roken. Dit is een vorm van etnisch profileren die in de algoritmen kan sluipen als dit de enige basis vormt voor predictive policing. Een ander risico is dat de politie zich kan gaan focusseren op gedragingen die op zichzelf nietszeggend zijn, zogenaamde zwakke signalen. Het gaat hier om correlaties en combinaties van gedragingen die statistisch gezien tot crimineel handelen kan leiden. Politie handelt in dat geval als een soort psychiater en niet meer alleen op redelijke gronden van schuld, maar leggen een verhaal vast. Het idee van predictive policing is volgens hem om in een steeds vroegtijdelijker stadium met voorbereidende handelingen al in gaat grijpen, bijvoorbeeld in het geval van terrorisme. Er is momenteel in Amerika, maar ook in Nederland, te weinig controle op welke data er in de systemen wordt meegewogen om tot statistische voorspellingen te komen. Het kan leiden tot een totaal andere manier van functioneren van de politie dan we de afgelopen 300 jaar gewend zijn geweest en deze discussie wordt volgens Schuilenburg onvoldoende tot niet gevoerd.
Gasten in de Argos studio zijn Rutger Rienks is data-analist, eerder ook bij de politie, en schreef in 2015 een boek over?predictive policing. En Bart van der Sloot is onderzoeker op de Tilburg University, op het gebied van big data en privacy. Ook schreef hij mee aan een rapport van de Wetenschappelijke Raad voor het Regeringsbeleid over big data-gebruik bij de overheid. Volgens Bart van der Sloot is de politie de enige die zegt dat predictive policing in Nederland werkt, een soort “WC Eend adviseert WC Eend”, terwijl het maar sterk de vraag is of het werkt. EEn expliciete juridische basis ontbreekt bovendien volgens hem of is onvoldoende. Rutger geeft aan dat algoritmen beter zouden kunnen zijn. Hij ziet dat de bias verminderd kan worden door schaalgrootte: hoe meer data je gebruikt van meer mensen, hoe stabieler je een uitspraak kan doen omdat de individuele menselijke bias minder zal zwaar zal meewegen. Niemand wil een Big Brother die elk individu 24/7 in de gaten houdt. Maar geen politie wil ook niemand. Het waarnemingsvermogen van politie wordt steeds beter, denk aan extra camera’s op de weg, krijgt een steeds betere informatiepositie (big data en hierover kunnen redeneren) en kan steeds meer en beter met ketenpartners en publiek private partners ingrijpen. De politie krijgt momenteel nieuwe middelen, maar Bart van der Sloot vindt dat problematisch als die middelen niet werken en meer nadelen dan voordelen kennen. De politie is nu al bezig met Smart Cities in samenwerking met bedrijfsleven. Mandarijnengeur spuiten in de straat om geweld te voorkomen, onbewuste manipulatie van burgers om veiligheid te verbeteren. De overheid tast hier volgens hem de autonomie van burgers hiermee aan. Al deze experimenten vinden op dit moment plaats in een wettelijk niemandsland. De WRR pleit in haar rapport voor meer controle achteraf, maar ook tussentijds door bijvoorbeeld een autoriteit bescherming persoonsgegevens.
Publicatie van TNO over de volgende stap na predictive policing: prescriptive policing
[slideshare id=61354641&doc=104tnorpredictivepolicingweb-160426065651&type=d]
Publicatie van de Wetenschappelijke Raad voor het Regeringsbeleid over Big Data gebruik bij de overheid
[slideshare id=61479991&doc=bigdataineenvrijeenveiligesamenleving-160428204125&type=d]
Kan de computer misdaad voorspellen? Binnenkort gebruikt de Nederlandse Politie een algoritme om te bepalen waar de kans op een inbraak of overval het grootst is. De politietop is enthousiast, maar experts zetten vraagtekens bij de effectiviteit.
Onderstaand artikel is eerder gepubliceerd in De Ingenieur, tekst van Marc Seijlhouwer.?
Een schimmig zijstraatje in Amsterdam. Hier is het risico op een inbraak het grootst in de hele stad, zo weet de politie. Daarom houden agenten de straat deze avond extra in de gaten. Statistisch gezien is de kans immers aanzienlijk dat hier straks een roof,
inbraak of autokraak gaat plaatsvinden.
De agenten weten dat niet vanwege hun jarenlange ervaring met criminelen en de stad. Nee, een computer heeft hen verteld hoe het allemaal zit. Een algoritme, om precies te zijn, met de naam CAS. Dit Criminaliteits Anticipatie Systeem voorspelt voor elk gebied van 125 bij 125 m hoe groot de kans is dat er iets gebeurt in de komende twee weken. Dit alles op basis van tientallen informatiebronnen: het aantal inbraken of overvallen, de samenstelling van de bevolking aan de hand van CBS-cijfers, de adressen van veelplegers in een buurt en de geografische eigenschappen van een wijk, zoals de afstand tot een snelwegoprit die als makkelijke vluchtroute kan dienen.
Al die gegevensstromen zijn in drie jaar tijd tweewekelijks verzameld en in een zelflerend algoritme gestopt. Het programma ontwaarde patronen in deze informatie en kon op die manier een overzichtelijke kaart maken: risicovakjes zijn rood, andere oranje of geel. Een commandant ziet in ??n oogopslag waar de politie het meest nodig is en kan daar zijn surveillancerooster op baseren.
In theorie werkt CAS voorbeeldig. De voorspellingen zijn nauwkeurig en de agenten kunnen op de kaarten makkelijk zien waar ze heen moeten. Maar de praktijk blijkt weerbarstig. Toch springt de politie, in zijn zoektocht naar hulpmiddelen om effici?nter te werken, er fanatiek op. Is dat verantwoord? En wat zijn de gevolgen voor de maatschappij?
Tachtig datastromen
In mei maakte de Nationale Politie bekend CAS te gaan gebruiken bij 168 politieteams. Daarmee is Nederland het eerste land dat landelijk predictive policing (voorspellend politiewerk) toepast. De boodschap kwam na pilot-programma?s in Amsterdam en vier andere gemeentes (Enschede, Groningen-Noord, Hoefkade en Hoorn). Volgens de politie verliepen deze pilots dus succesvol genoeg om het systeem in te voeren. CAS lijkt inderdaad een handig gereedschap voor de drukke roostermakers die met een beperkte hoeveelheid agenten toch zoveel mogelijk misdaad willen voorkomen. Voordat CAS bestond, gebeurde dat goeddeels op basis van ervaring, rapportages van politieanalisten en het gevoel van de agenten. Subjectieve maatstaven dus. CAS, of breder: voorspellend politiewerk, geeft een schijnbaar objectiever advies. Het is immers gebaseerd op harde cijfers.
Predictive policing begon in 2009 in Los Angeles, toen antropoloog dr. Jeffrey Brantingham als eerste een manier bedacht om data te gebruiken om criminaliteit terug te dringen. Hij ontwierp een simpel algoritme waarin drie datastromen ? het soort misdrijf, de misdrijflocatie en het misdrijfmoment ? samenkwamen en een heat map van de Californische superstad opleverden. Die kaart leek al snel een goede voorspelling te geven en de misdaadcijfers daalden mede dankzij het gebruik van PredPol. Predictive policing was een hit. Bij de Nederlandse Politie ontwierp vervolgens dataminer drs. Dick Willems CAS. Dat was qua opzet een stuk ambitieuzer: niet drie, maar tachtig datastromen gingen in eenzelfde soort algoritme. ?Het is begrijpelijk dat de politieagenten hier snel op springen?, stelt ir. Arnout de Vries, sociaal onderzoeker bij onderzoeksorganisatie TNO. Hij kijkt al een aantal jaar naar de mogelijkheden en risico?s van predictive policing. ?Het geeft houvast bij een onzekere kant van het?werk. En het kan volgens onderzoeken in theorie enorm helpen.? Volgens CAS-ontwerper Willems, die een artikel over ?zijn? algoritme schreef in het Tijdschrift voor de Politie, kan 40 % van de inbraken en 60 % van de straatroven worden voorspeld. Dat betekent dat dergelijke misdrijven plaatsvonden in of nabij de voorspelde hokjes op de CAS-kaarten. Als al die misdrijven daarmee ook voorkomen kunnen worden, is dat natuurlijk enorme winst voor de veiligheid in de buurt.
Voorbeeld van een heat map. Vierkantjes van 125 bij 125 m krijgen een kleur, afhankelijk van de kans dat er een inbraak of roof plaatsvindt. Vervolgens kan de politie bijvoorbeeld meer surveilleren of een extra lantaarnpaal laten plaatsen om het risico te verkleinen.
Meer is niet beter
Toch is predictive policing niet alleen maar rozengeur en maneschijn. De eerste onderzoeken naar het gebruik van CAS, gedaan nadat de pilot ten einde kwam, laten zien dat het effect beperkt is. Dat wil zeggen: de pakkans bij inbraken en roof is vergroot, maar het is moeilijk om te bepalen of dat door CAS komt of doordat er meer agenten zijn ingezet om dergelijke misdrijven aan te pakken. Dat laatste gebeurde de afgelopen jaren namelijk ook, vanwege een wens uit de politiek.
Een onderzoek van de Politieacademie liet verder zien dat de interpretatie van de CAS-kaart problemen oplevert. ?De interpretatie van de kaart ging regelmatig mis, doordat de mensen die dat moeten doen te weinig kennis hebben?, vertelt dr.ir. Marielle den Hengst-Bruggeling, voormalig lector bij de Politieacademie, auteur van het rapport over CAS en universitair docent aan de TU Delft. Het onderzoek laat zien hoe ingewikkeld data-interpretatie kan zijn. ?Als agenten daar niet voor hebben geleerd, kan het effect van een algoritme kleiner zijn. We ontdekten dat de voorspellingen van CAS goed en betrouwbaar waren. Maar het omzetten van een voorspelling in een actie bleek lastig.? Daarnaast waren de reacties op de kaarten vanuit de politieleiding niet altijd adequaat. ?De meest voorkomende reactie was ?meer agenten inzetten op een plek?. Maar dat is lang niet altijd de beste optie. Als er een lantaarnpaal stuk is, werkt een monteur sturen beter om de locatie veiliger te maken.? Het academieonderzoek was voornamelijk kwalitatief; Den Hengst-Bruggeling en collega?s spraken met agenten en leidinggevenden en met de makers van CAS. Zo ontdekten ze wat er goed ging en wat niet. ?Maar harde cijfers hebben we niet, want het is lastig te onderzoeken.?
Bij PredPol lijken de resultaten wel hoopgevend. Bedenker Brantingham deed een onderzoek naar zijn eigen systeem, waarbij hij wijken die m?t PredPol waren geanalyseerd vergeleek met soortgelijke wijken (qua misdaadcijfers) zonder PredPol. En daaruit bleek dat PredPol werkt: het is twee keer zo goed in het voorspellen van misdrijflocaties als ervaren misdaadanalisten en het vermindert de hoeveelheid criminaliteit met 7 procent.
Dat zijn opmerkelijke cijfers, die echter ook meteen controversieel werden. Brantinghams onderzoeksmethodologie rammelde; de criteria?voor misdaaddaling waren bijvoorbeeld nogal los en het was niet altijd duidelijk of een daling aan de voorspellingen van PredPol lag of aan andere zaken.
Een onafhankelijk onderzoek naar PredPol of andere in de praktijk gebruikte voorspellingssystemen is er niet. Het dichtst in de buurt komt een Amerikaans onderzoek van de denktank The?RAND Corporation. Die paste een zelfontworpen model toe op het stadje Shreveport in Louisiana en vond niet significant minder misdaad dan in controlewijken. RAND ontkrachtte ook claims van de stad Chicago. Die stad gebruikte een ?voorspellingslijst? van mensen die vermoedelijk binnenkort een misdaad zouden begaan. Volgens Chicago had die lijst effect, RAND ontdekte dat dit effect niet significant was.
Of het systeem in Nederland werkt, is nog moeilijker te zeggen; gedegen statistisch onderzoek naar het effect begint nu langzaam te komen, maar is nog lang niet voltooid. De Vries van TNO: ?We werken voor de evaluatie van CAS aan een kwantitatieve analyse die ons wat meer houvast geeft. Het onderzoek in Nederland is tot nu toe voornamelijk kwalitatief.?
Overigens bleek ook uit die kwalitatieve analyse van de Politieacademie geen significant verschil tussen criminaliteit zonder CAS en met. Bij het Nederlandse onderzoek vergeleek men de cijfers van een jaar voordat CAS begon met het jaar met CAS. ?Vergelijken blijft lastig, maar onze bevindingen geven wel een indicatie dat het ergens mis gaat met de voorspellingen?, zegt Den Hengst-Bruggeling. ?We weten dat de voorspelling zelf goed is, dus moet het probleem in de opvolging zitten.?
En ook als we over de bezwaren tegen het positieve onderzoek van Brantingham heen stappen, is dat moeilijk als bewijs voor de effectiviteit van CAS te zien. PredPol is ingezet in de Verenigde Staten, waar de cultuur en manier van werken van de politie totaal anders zijn. Bovendien verschillen de algoritmes behoorlijk. Vooral de veel grotere hoeveelheid datastromen in CAS valt op. ?Misschien zou je denken dat meer data altijd een betere voorspelling oplevert. Maar dat hoeft niet?, zegt de Vries. ?Zoveel data kan de voorspelling ook minder duidelijk maken, of kan ervoor zorgen dat er te veel aandacht wordt gegeven aan de verkeerde data. Meer is niet altijd beter.?
Big Brother Award
De Wetenschappelijke Raad voor Regeringsbeleid kwam vorig jaar met een rapport dat waarschuwde voor de gevolgen van big data in overheidsbeleid. Predictive policing valt daar ook onder en moet volgens de raad dus uiterst voorzichtig worden uitgerold.
Internetprivacyorganisatie Bits of Freedom is ook kritisch over het gedrag van de politie; in 2015 gaf die de politie de Big Brother Award voor grootschalige privacyschending via een hun dataverzameling en -gebruik. Voorlopig is de data van de politie echter niet te gebruiken om individueel gedrag te detecteren. Dat lijkt men ook niet van plan, maar de mogelijkheid bestaat wel als systemen zoals CAS eenmaal gemeengoed zijn.
Zo objectief mogelijk
PredPol liet tijdens het gebruik ook al een risico zien van dit soort data-analyse. In achterbuurten werden vaker misdaden gepleegd, dus focuste het algoritme zich volledig op die buurten. Daardoor ging er meer politie heen, werd er meer misdaad ontdekt, enzovoort. Aangezien in de achterbuurten relatief veel Afro-Amerikanen woonden, zorgde het algoritme in feite voor een raciale ?bias? bij de politiemacht, ook al was etniciteit geen onderdeel van het model. De politie ging immers vaker naar die wijken en arresteerde daardoor vaker Afro-Amerikanen.
Dat probleem zou hier mogelijk nog groter kunnen zijn dan in de VS. Daar werkt het algoritme puur op criminaliteitscijfers, terwijl CAS onder andere CBS-gegevens over inwoners gebruikt, wat de kans op onbedoelde raciale profilering nog groter maakt.
Maar hoe voorkom je dat dan? De Vries: ?Het is lastig, want dit soort vooroordelen zijn niet geprogrammeerd; ze ontstaan uit de statistische regels van het programma. Dat maakt ze niet waar; de tunnelvisie is een soort glitch in de statistiek. Dat kun je voorkomen door ruis in de data te gooien. Normaal vertroebelt dat de analyse, maar met een beetje ruis kun je het algoritme uit zijn tunnelvisie halen en op een ander pad zetten. Zo maak je vooroordelen minder waarschijnlijk.?
Ook moet je kritisch kijken naar de criteria waarmee je een wijk bestempeld als ?risicovol?, zegt De Vries. ?Zit daar iets in dat te maken heeft met vooroordelen? Dat moet je als ontwerper weten voordat je je algoritme gaat gebruiken.?
Daarnaast proberen de ontwerpers van de algoritmes een zo objectief mogelijke maatstaf te nemen. Dat is doorgaans de aangifte die een slachtoffer doet. Die is niet gebaseerd op de aanwezigheid van politie in de wijk en geeft zodoende een eerlijker beeld van de hoeveelheid misdrijven dan een steeds terugkerende agent. Mede door die maatstaf is predictive policing op dit moment alleen te gebruiken voor zogenoemde high impact crimes: misdrijven die mensen raken in hun levenssfeer en veiligheidsgevoel. Van dat soort misdrijven doet men namelijk bijna altijd aangifte, dus geven ze een vrij volledig beeld van de hoeveelheid misdaad in een wijk.
Inbreekbereik
Terwijl de politie zich gereedmaakt om CAS in het hele land te gebruiken, zijn er ook al onderzoekers en politieonderdelen die naar de volgende stap kijken. CAS is namelijk beperkt: het zegt alleen waar iets gaat gebeuren, niet wat je ertegen moet ondernemen. Dat is echter wel mogelijk, denkt TNO. Daar werkt data-onderzoeker dr. Selmar Smit samen met de Vries en andere onderzoekers aan iets wat ze prescriptive policing noemen. Doel van dit onderzoek: een algoritme dat aan de hand van data voorschrijft wat een agent het beste kan doen. ?We willen de agenten helpen om een keuze te maken, zonder dat ze de vrijheid verliezen om zelf een interventie te kiezen?, vertelt De Vries. Dus voorspelt het systeem van een aantal ingrepen hoe effectief ze kunnen zijn. Als er een donker straatje is waar veel overvallen plaatsvinden, is een straatlamp of een beveiligingscamera misschien wel de beste oplossing. Zijn er veel inbraken? Dan kan een andere patrouilleroute een wereld van verschil maken. ?Ons systeem berekent het effect van elke interventie en geeft die informatie aan agenten. Zij kiezen vervolgens wat de beste optie is, aan de hand van het systeem en hun ervaring op straat.?
Het klinkt als een simpel systeem, maar dat is het niet. ?Om zo?n voorspellend algoritme te maken, moet je niet alleen veel data hebben, je moet ook het effect van een interventie meenemen in je berekening?, vertelt Smit. ?Als je dat niet doet, voorspel je alleen de situatie in vergelijking met het scenario waarin de politie niets doet. Maar dat is onrealistisch; de politie zal hoe dan ook altijd proberen in te grijpen. Daarom zijn de huidige algoritmes ook niet altijd toepasbaar.? Zo?n recursief algoritme, waarin je de uitkomst van de berekeningen terugvoert aan het algoritme, is niet makkelijk te maken. ?Met alleen criminaliteitscijfers of bevolkingsdata ben je er nog niet. Dus moet er kennis over mensen, in dit geval over het gedrag van criminelen, in het algoritme worden verwerkt.?
Al vier jaar werken Smit en collega?s aan hun prescriptive policing, en het gaat stapje voor stapje vooruit. ?De belangrijkste vooruitgang zit eigenlijk op het menselijke vlak. We spreken veel met experts, ervaren rechercheurs en agenten die ons vertellen hoe criminelen werken. Die kennis, vaak kwalitatief van aard, probeer ik in het algoritme te stoppen.? Als voorbeeld noemt Smit inbreekgedrag: ?Een crimineel zal niet bij zijn buren inbreken, maar?zal ook niet tientallen kilometers rijden op zoek naar een goede kraak. Zijn ?kraakgebied? is dus relatief goed te voorspellen. De politie weet dat, en wij proberen een maximaal bereik vanaf het huis van een inbreker te bepalen voor in het algoritme.?
Op die manier produceert het prescriptive algoritme niet alleen heat maps, maar ook een lijstje met mogelijke acties voor agenten. Bij elke actie staan ??n tot vijf ?ballen? om de voorspelde effectiviteit aan te geven. ?Daarbij komt dan een korte motivatie vanuit het algoritme.
Die motivatie komt vooral van vergelijkingen met andere wijken waar we al iets over weten. Dan staat er bijvoorbeeld: ?Een camera ophangen in een donkere straat werkte erg goed in deze
vergelijkbare wijk in Almere.? Op die manier weet de agent waar de voorspelling vandaan komt.
Hongerig algoritme
Die vergelijkingen zijn voorlopig de kern van het prescriptive-algoritme. Echt de gevolgen van ingrepen simuleren gaat nog te ver, vindt Smit. ?De toekomst simuleren is een vaag onderzoeksgebied. We kunnen op korte termijn misschien wel iets voorspellen, maar het is onmogelijk om langetermijngevolgen te overzien met zo?n simulatie. Met wijkvergelijkingen weet je dat vaak wel, omdat de ?toekomst? van de ene wijk het verleden van een andere, soortgelijke buurt is.?
Wat TNO doet, is volgens De Vries en Smit op dit moment uniek in de wereld. ?Amerika, en Los Angeles in het bijzonder, volgt ons werk met veel interesse?, zegt De Vries.
Het risico van een bevooroordeeld algoritme geldt hier nog steeds. ?Het zou kunnen dat er eerder dan bij predictive policing al vooringenomenheid voor bepaalde wijken of bepaalde wijksoorten ontstaat doordat eerdere reacties van wijkagenten al is meegenomen.? Voorlopig is dat echter lastig na te gaan, want er is nog niet genoeg data om het hongerige algoritme mee te voeden. Om te weten welke interventies effectief zijn in bepaalde situaties, moet een computerprogramma immers weten of het werkte op een andere plek.
Daarom probeert Smit nu agenten te overtuigen om hun data te delen. Met hun telefoon en een gps-logger, bijvoorbeeld, of met een app waarop een agent kort aangeeft wat hij deed en waarom. ?Dat is meer moeite voor de agent, en het kan een vrij grote privacyinbreuk zijn. Hij of zij kan zich beperkt voelen in zijn of haar vrijheid, omdat elke beweging nu wordt gevolgd en opgeslagen. Ik probeer ze ervan te overtuigen dat ze als dataproducent met een gps op zak ook meer vrijheid kunnen krijgen op de lange termijn. Denk bijvoorbeeld aan ?een praatje maken?. Nu is dat voor de leidinggevenden vaak geen actie die als werk ?telt?. Als ons algoritme straks aantoont dat praten juist helpt om lokale criminaliteit te verminderen, krijgt de agent mogelijk meer vrijheid in zijn manier van werken.?
Komende vijf jaar is prescriptive policing nog geen realiteit. Maar met de landelijke invoering lijkt het voorspellend politiewerk van CAS moeilijk tegen te houden. Hoewel ze zelf aan de mogelijke opvolger van CAS werken, kijken ook Smit en De Vries niet alleen positief tegen de techniek aan. ?Het risico van bias is alleen te verminderen als de algoritmes transparant blijven. Daar zal bij elke verdere ontwikkeling op gelet moeten worden?, stelt Smit.
Op dit moment zijn de algoritmes in principe nog helder genoeg; predictive policing gebruikt statistische methodes die patronen uit data ontwaren. Zo ?leert? het programma met analyses die terug te volgen zijn tot de bron. Dat is doorzichtiger dan deep learning, waarbij een computer via verschillende ?lagen? een beslissing neemt. Deze methode zorgt nu al voor onnavolgbare uitkomsten bij verschillende zelflerende programma?s van Google en andere softwarebedrijven. Begrijpelijk dat de overheid en politie daar vandaan blijven.
Ondertussen denken de wetenschappers van TNO dat het essentieel is om de voorspellende techniek te ontwikkelen. ?Je houdt dit niet tegen. En ik geloof dat het beter is dat wij het doen, namens de overheid, dan dat een marktpartij een voorspellend ? maar niet transparant ? algoritme bouwt om daar winst mee te maken?, aldus Smit.
Hackrisico
Een vraag die CAS ook oproept, is: moet je bij iets wat misschien niet werkt wel al die gegevens van burgers willen gebruiken? Den Hengst-Bruggeling nuanceert het gevaar van privacy-inbreuk: ?De gegevens die CAS gebruikt, zijn nu in principe ook al beschikbaar voor de politie. Het algoritme maakt er overzichtelijke kaarten van, maar het werkt niet op het niveau van individuen.? Ze vindt de landelijk uitrol dan ook niet vreemd. ?Ik denk dat het een goed moment is. De politie gebruikt veel methodes die niet per se wetenschappelijk bewezen zijn. Dat is logisch, want het is altijd erg moeilijk om aan te tonen dat de criminaliteit daalt door een bepaald beleid. Hopelijk gaat de politie meer inzetten op het duiden van de data. Dat is belangrijk om van CAS een systeem te maken dat ook echt invloed heeft op de hoeveelheid criminaliteit.?
?Je kunt het systeem op een ethische manier invoeren zolang het algoritme maar transparant blijft en er bij elke verdere stap een discussie ontstaat?, zegt De Vries van TNO. Hij geeft wel meteen toe dat er nog de nodige beren op de weg zijn. ?De privacywetgeving en -handhaving zijn op dit moment slecht geregeld, zeker voor zaken als big data. Daar moet meer beleid voor komen. Daarnaast is er een belangrijke rol weggelegd voor het Openbaar Ministerie, rechters en de advocaten van verdachten. Die moeten kritische vragen stellen bij rechtszaken die als gevolg van predictive of prescriptive policing voorkomen: ?Hoe is mijn cli?nt gepakt? Is dat voor de wet te verantwoorden? Alleen als de juridische partijen zich mengen in de discussie krijg je een volledig debat.?
?Wat problematisch is?, voegt De Vries nog toe, ?is het ontbreken van een onafhankelijke landelijke of Europese ICT-autoriteit die initiatieven als CAS toetst aan de wet of aan ethische richtlijnen. Voor veel andere taken van de overheid bestaan zulke commissies wel, maar niet voor dergelijke algoritmes. Dat is eigenlijk vreemd; het zorgt er nu voor dat de controle op het gebruik van dit soort technieken van andere plekken moet komen.?
Los van al deze ethisch-maatschappelijke bezwaren kan het algoritme ook een veiligheidsrisico worden. ?Als criminelen een systeem kunnen hacken of namaken, hebben ze in feite een kaart die altijd de perfecte inbraakplek weergeeft. De dieven kunnen dan immers de politie omzeilen door naar de locatie te gaan waar het algoritme de kans op een inbraak het laagst schat.?
Aangezien de opzet van CAS relatief eenvoudig is, is het kraken van het systeem een realistische optie. Nu CAS prominenter wordt, wordt het ook verleidelijker om tijd en moeite in het hacken te stoppen. Bovendien zijn in Londen de misdaadcijfers openbaar, en er bestaat ook een open source predictive-algoritme. Daarmee kunnen mensen dus makkelijk een ?omgekeerde? misdaadkaart
maken.
Nu CAS landelijk is uitgerold, is voorspellend politiewerk in Nederland realiteit geworden. Of steden zoals Amsterdam daar uiteindelijk ook veiliger van worden, is alleen de vraag. In dit geval is de belofte van een techniek al genoeg geweest om hem door te laten breken. Ondertussen werkt men aan de volgende stap, waarvoor TNO nu data verzamelt bij de politie zelf. Daarmee be?nvloeden nieuwe technieken zoals zelflerende algoritmes en big data nu, naast het zakenleven en de wetenschap, ook het werk van de politie op straat. Dat werk zal er alleen niet per se makkelijker op worden. Er is gespecialiseerde kennis nodig die lang niet iedere agent of informatiewerker nu heeft. Hopelijk geldt dat hoe langer de agenten met het systeem werken, des te beter ze het weten te gebruiken. En wie weet wordt predictive policing daardoor straks effectiever dan het onderzoek tot nu toe laat zien.
Agenten sturen is niet altijd de beste oplossing om misdaad te voorkomen. Ook zorgen voor adequate verlichting kan een goede zet zijn. Op het Hoekenrodeplein bij Station Bijlmer Arena is er dankzij zogenoemd adaptief licht altijd de juiste sfeer voor optimale veiligheid en gezelligheid. Zo heeft de politie minder werk.
Glad ijs of gouden kans voor de Nationale Politie? Publieke waarden binnen de inzet van predictive policing in Nederland
Predictive policing is een ontwikkeling die sterk in opkomst is binnen politieland, zowel in het buitenland als in Nederland. Deze technologische innovatie maakt het mogelijk om aan de hand van allerlei data crimineel gedrag te voorspellen waarmee de politie in toenemende mate proactief kan optreden in plaats van alleen reactief. De groeiende gegevensverzameling die hiermee gepaard gaat, impliceert een potenti?le inbreuk op de levenssfeer van burgers en kan daarmee een behoorlijke impact hebben op de maatschappij. Hoe die impact eruit gaat zien, is vooralsnog onbekend. De vraag rijst in hoeverre er met deze ontwikkeling rekening wordt gehouden met publieke waarden als respect voor privacy en gelijkheid. Het is daarom van belang om predictive policing nader onder de loep te nemen.
Dit onderzoek richt zich op de ontwikkeling van predictive policing in Nederland door te kijken naar de publieke waarden die een rol spelen hierbinnen. Daarbij is gekeken naar hoe de Nationale Politie predictive policing als concept benadert (beleidsmatige kant) en hoe het in de praktijk als instrument wordt ingezet. Als casestudy is daarom gekeken naar het Criminaliteits Anticipatie Systeem, een predictive policing systeem dat sinds een aantal jaren wordt gebruikt door de Nationale Politie. Vervolgens is de verhouding onderzocht tussen de publieke waarden die een rol bleken te spelen aan de hand van het Competing Values Framework van Talbot (Talbot, 2008). Door de ge?dentificeerde publieke waarden te plotten op dit model, worden bepaalde spanningen zichtbaar die bij ICT-ontwikkelingen binnen de overheid kunnen ontstaan tussen bepaalde waarden. Vervolgens kunnen hier conclusies aan worden verbonden over de balans tussen de vier kwadranten met publieke waarden. Zonder die balans kan er geen sprake zijn van legitimiteit van en vertrouwen van de samenleving in een beleidskeuze of in dit geval het inzetten van predictive policing.
Uit het onderzoek volgt dat er geen balans bestaat binnen predictive policing bij de Nationale Politie, zowel bij hoe de politie het concept benadert als hoe ze het inzet als instrument in de
praktijk. De focus wordt in het geval van de beleidsmatige kant te veel op de waarden effici?ntie, effectiviteit en sociale resultaten gelegd, waardoor andere belangrijk publieke waarden als transparantie, verantwoording en het recht op privacy behoorlijk in de knel komen. Hierdoor ontstaan spanningen waardoor een balans niet mogelijk is. Dit beeld wordt deels bevestigd in de casestudy van het Criminaliteits Anticipatie Systeem waarbij wederom de nadruk voornamelijk wordt gelegd op effici?ntie, effectiviteit en sociale resultaten. De disbalans is echter kleiner hier omdat in de huidige vorm de waarden transparantie en verantwoording nochtans voldoende worden gewaarborgd. Het risico is echter aanwezig dat deze waarden ook in de knel komen wanneer het systeem verder wordt ontwikkeld en daarmee complexer wordt.
Aan de hand van dit onderzoek kan de conclusie worden getrokken dat predictive policing zoals het nu bestaat binnen bij de Nationale Politie niet voldoende legitiem is en daarmee niet het vertrouwen verdient van de maatschappij.
Kun je inbraken voorspellen en daders vaker op heterdaad betrappen? De politie in de Duitse deelstaat Niedersachsen denkt dat het mogelijk is met een slimme app die informatie over inbraken analyseert en herhalingsrisico inschat. De deelstaat Niedersachsen grenst aan de provincies Groningen en Drenthe. Als het aan de Duitse politie ligt wordt er op korte termijn samengewerkt met de collega?s in Nederland.
Politie-agenten kunnen tijdens hun surveillance met de app zien waar zich inbraakgevoelige buurten bevinden. Het ziet er ongeveer zo uit als de app buienradar waarop je aan de hand van rode of zwarte wolken slecht weer op je af ziet komen. Op de display van de inbrekerradar zien agenten de inbraken die de afgelopen 24 uur zijn geregistreerd. Ze kunnen hun surveillance dan in die omgeving plannen. De app bezorgt de agenten aansluitend alle informatie over inbraken die de afgelopen maand hebben plaatsgevonden.
De Duitse politie experimenteert sinds begin februari in de omgeving van Wolfsburg met de zelfontwikkelde app PreMap. Wereldwijde ervaring leert dat inbrekers vaak binnen 72 uur na een inbraak nogmaals toeslaan in een straal van 500 meter rond dezelfde omgeving. Internationaal wordt dat ?Repeat-Near-Victimisation? genoemd.
Agenten hoeven dankzij deze app niet meer surveillances te draaien op basis van onderbuikgevoelens of routine. De app helpt efficient en doelgericht te werken. In principe zouden inbrekers vaker op heterdaad betrapt kunnen worden. Maar dat is niet het doel van de app. De Duitse politie denkt dat de app gaat helpen inbraken te voorkomen.
De eerste ervaringen met de app zijn positief. Sinds februari maken 250 agenten gebruik van de slimme software. De feedback is volgens het Landeskriminalamt (LKA) Niedersachsen zonder meer positief.
Elders in Duitsland lopen nog twee vergelijkbare projecten. In Nordrhein-Westfalen en Baden-W?rttemberg wordt getest met commerciele software. In Bayern heeft de politie een test met commerciele software inmiddels succesvol afgesloten en wordt de software nu definitief ingezet bij surveillances.
Niedersachsen heeft bewust voor een eigen project gekozen waarvoor 100.000 Euro is uitgetrokken. Volgens de politie in Niedersachsen is het voordeel dat de eigen informatietechnici de eigen software voortdurend snel zelf kunnen verbeteren. In Niedersachsen werden in 2016 minder inbraken geregistreerd. Net als in andere Duitse Bundesl?ndern en in Nederland lijkt het alsof het aantal inbraken de laatste jaren afneemt. Volgens de Duitse politie is het probleem echter niet kleiner geworden.
Kan het publiek straks net als de politie de app gaan gebruiken zoals nu gebeurt met buienradar? De kans dat de politie de informatie met het publiek gaat delen is klein. Het gaat om gevoelige informatie die ook voor onrust kan zorgen. De proef met de PreMap inbrekersradar wordt in augustus afgesloten.
Met behulp van software criminelen op heterdaad betrappen, of voorkomen dat ze toeslaan: het lijkt science fiction, maar het gebeurde allang in Amsterdam.?Een landelijk virtueel raster met vakken van 125 bij 125 meter. Per vlak worden meldingen van bijvoorbeeld inbraken en roofovervallen bijgehouden. Dat is, in het kort, de gedachte achter CAS, het Criminaliteits Anticipatie Systeem.????
Predictive Policing is het voorspellen van misdaadrisico?s met behulp van software, op grond van grote hoeveelheden data die aan elkaar worden gekoppeld. Sinds meer dan een jaar gebruikt de politie het Predictive Policing systeem CAS. Nu wordt het landelijk uitgerold.
Wat zijn de voordelen van dit systeem en wat kunnen we er in de toekomst van verwachten? Kritische kanttekeningen zijn er ook te maken, Marc Schuilenburg vind het zelfs onzin. Onderstaand interview met Arnout de Vries, onderzoeker bij TNO, duidt de zin van de onzin in predictive policing:
Waar gebruikt de Nederlandse politie Predictive Policing voor?
?Om ?eenvoudige?, maar veel voorkomende misdaden als inbraak en zakkenrollen te voorkomen.?
“Een crimineel breekt het liefst in op bekend terrein, in een bekend huistype. En dat doet hij vaak op dezelfde manier, bijvoorbeeld met een breekijzer”, legt Arnout de Vries uit. Hij is onderzoeker bij kenniscentrum TNO en vanaf het begin betrokken bij deze ontwikkeling.
Door data over eerdere inbraken te combineren, kun je de volgende inbraak voorspellen, zegt De Vries. Op basis van 250 soorten data, bijvoorbeeld de sociale samenstelling van de buurt, het aantal caf?s en zelfs ook het weer wordt zo de kans op nog een incident berekend.
“Als je weet dat er in een straat steeds wordt ingebroken via openstaande ramen op zonnige dagen, dan kun je daar als politie rekening mee houden.”
Toch is De Vries verrast dat het systeem nu al landelijk ingezet gaat worden. “Het is gek dat ze het nu al uitrollen, want het is nog niet bewezen dat het systeem ook echt een verschil maakt op straat. We weten dat de voorspellingen aardig kloppen, maar niet of er ook meer boeven door worden gevangen, of dat de veiligheid hierdoor verbetert.”
Wat betekent CAS voor het werk van een politieagent?
?De agenten gaan nog steeds op pad, maar gerichter. Het systeem geeft aan waar en wanneer het risico op een misdaad groot is, maar schrijft niet voor wat de agenten moeten doen. Ga je er bijvoorbeeld naartoe, of hang je camera?s op? De leidinggevende bepaalt altijd al waar de agenten naartoe gaan. Die beslissing is nu deels gebaseerd op de risicobepaling van CAS.?
Werkt het systeem goed?
?De ervaringen in Amsterdam zijn positief, maar wetenschappelijk onderbouwde resultaten zijn er nog niet. We weten dus niet met welk percentage de misdaad is gedaald door dit systeem.?
Welke data gebruikt de politie bij Predictive Policing?
“Ze gebruiken de misdaadgegevens van de politie zelf, in combinatie met andere data. Denk aan de evenementenkalender of de weersvoorspellingen. Is het druk in de binnenstad? Doen mensen hun ramen open? Ook de woonplaats van veelplegers wordt erin meegenomen, want binnen een straal van twee kilometer rondom hun woning is de kans groot dat er iets gebeurt. CAS gebruikt nu al meer dan honderd soorten data.?
Hoe meer data ze gebruiken, des te beter de voorspelling?
?Dat is maar de vraag. Je zou bijvoorbeeld sociale media kunnen gebruiken om de meest actuele gegevens in je rekenmodel te stoppen. Bij TNO denken we echter dat het gebruik van nog meer gegevens op een zeker moment alleen zorgt voor optimalisatie in de marge. De opbrengst wordt steeds kleiner. Er bestaat bovendien een risico dat de politie zelf het zicht verliest op het model: hoe meer data je gebruikt, des te complexer worden de berekeningen. Willen we een situatie, waarin de politie zelf geen idee meer heeft waarom het systeem een locatie als risicovol aanwijst??CAS richt zich vooral op inbraken en zakkenrollen.
Het huidige systeem benut ook de adressen van veelplegers. Dat doet het op een schaal van 500 tot 1000 meter. Daar kun je ethisch gezien nog wel het nodige van vinden, zegt De Vries. “Zeker als die mensen hun straf al hebben uitgezeten.”
Komt er een uitbreiding naar andere criminaliteit?
?Zo?n uitbreiding kan zeker, maar is complex en vereist dat je fors inzet op data science. Het is de vraag of de politie hiervoor het geld en de expertise heeft.?
Ook is er volgens De Vries niet genoeg duidelijk over het ‘waterbed-effect’. Dus of criminaliteit zich door de extra controles in de rode vakjes niet simpelweg naar andere gebieden verplaatsen. ?”Mij valt op dat sommige burgemeesters daar erg simpel in zijn. Die denken: zolang de inbraak niet in mijn stad is, is dat veiligheidsprobleem opgelost.”
Werkt Predictive Policing altijd beter dan de intu?tie van een agent?
?De software bevat het collectieve geheugen van de politie, dat is meer dan het individu kan onthouden. Maar er kleven ook risico?s aan het gebruik van wiskundige modellen. Zo kan er een tunnelvisie ontstaan, doordat de software zich baseert op data uit het verleden. Als het systeem agenten een wijk in stuurt, zullen deze in veel gevallen wel wat vinden. Als het systeem vervolgens redeneert dat het risico in die wijk groter is dan elders, stuurt het de agenten er nogmaals heen. Zo kan onterecht het idee ontstaan dat die wijk crimineler is dan andere wijken. Die versterkende redeneringsloop kun je onder andere doorbreken door agenten af en toe willekeurig een wijk in te sturen.”
?De software bevat het collectieve geheugen van de politie, dat is meer dan het individu kan onthouden?
Critici van Predictive Policing zijn bang dat onterecht mensen op worden gepakt. Is die angst terecht?
?Een veel gebruikt voorbeeld is dat iemand ten onrechte wordt aangehouden, omdat hij ?s nachts toevallig met een schroevendraaier rondloopt over straat. Ook ?racial profiling? kan het systeem insluipen: mechanismen, waardoor mensen met een etnische achtergrond vaker worden aangehouden. Stel bijvoorbeeld dat de eerder genoemde wijk toevallig erg multicultureel is. Je moet je bewust zijn van de data het systeem ingaan en welke juist ontbreken. Eigenlijk zou een onafhankelijke ethische ICT-commissie het systeem moeten toetsen.?
Prescriptive Policing zou de volgende stap kunnen zijn. Wat houdt dat in?
?Predictive Policing zegt alleen op welk moment je waar moet zijn. Prescriptive Policing voorspelt welke maatregel het meest effectief is gebleken in die context. Het politiesysteem bevat een schat aan gegevens die nu onbenut blijft. Met smartphones kun je bijvoorbeeld meten waar agenten geweest zijn en wat ze gedaan hebben. Welk effect heeft dat gehad??
Is de politie hier klaar voor?
?De Nederlandse politieleiding stuurt nu juist erg aan op professionele vrijheid van de agenten. Als die vrijheid wordt ingeperkt door software, zal dat lastig te accepteren zijn. Bovendien is er een enorme allergie voor cijfers: een kopje koffie drinken in een buurthuis is niet in cijfers uit te drukken, toch kan het enorm nuttig zijn. Het is heel belangrijk dat agenten en leidinggevenden de toegevoegde waarde van het systeem zelf gaan ervaren. Die mindset is nog belangrijker dan de dataset.?
Is het nog een optie om deze technologie?n links te laten liggen?
?Gezien de effici?ntie van de bedrijfsvoering ligt het voor de hand om toch op predictive en prescriptive policing in te zetten. De politie weet momenteel niet wat allerlei interventies opleveren. Zowel de politiek als de samenleving verwacht dat resultaten aantoonbaar gehaald zijn. En de politie moet steeds meer doen met minder. Deze technologie stelt je daartoe in staat. Wat ook sterk meespeelt, is dat het bedrijfsleven deze systemen wel heel snel accepteert. De beveiliging van steeds meer openbare ruimten, zoals voetbalstadions, bedrijventerreinen en pompstations, raakt geprivatiseerd. Dat kan ertoe leiden dat de politie straks wordt verdrongen door technieken die veel effectiever werken.?
Tien mythen over predictive policing
Crimineel gedrag is niet te voorspellen?
Criminelen zijn vaak net zulke gewoontedieren als andere mensen. Na een succesvolle woninginbraak zijn ze bijvoorbeeld geneigd het in een vergelijkbare woning in dezelfde omgeving nog eens te proberen. Dergelijke patronen maken woninginbraak redelijk voorspelbaar.
Robots zullen agenten vervangen Predictive policing maakt gebruik van algoritmes om agenten te helpen misdaden te voorkomen. De agenten worden niet vervangen door machines, hoewel hun rol kan veranderen.
Met predictive policing maken boeven geen kans meer
Het algoritme van Predictive Policing wijst plaatsen aan op de kaart: hier is de kans op een misdaad hoog. Welke actie de politie vervolgens het best kan ondernemen, is vaak minder duidelijk. Nieuwe analyses van veel cases (big data) kunnen inzicht geven in de effectiviteit van verschillende maatregelen, want boeven blijven creatief.
Voor een goede voorspelling zijn data nodig van iedereen De politie analyseert al jarenlang processen verbaal om inzicht te krijgen in misdaadnetwerken. Predictive Policing doet dit ook, maar koppelt meer gegevens in tijd en plaats. Het is niet nodig gebleken om van alle burgers data te verzamelen om te voorspellen op welke plaatsen het risico op een misdaad groot is.
Predictive Policing is een gedachtenpolitie die je oppakt voordat je iets doet
Met Predictive Policing wil de politie misdrijven voorkomen door op tijd actie te ondernemen. Dat wil niet zeggen dat onschuldige burgers worden opgepakt voordat ze iets hebben gedaan. Wel is het belangrijk dat Predictive Policing zich baseert op data die onbevooroordeeld en controleerbaar zijn.
Predictive Policing helpt misdaad de maatschappij uit
Predictive Policing biedt geen oplossing voor alle soorten misdaad. Risico?s, veiligheid en politiewerk zijn niet volledig uit te drukken in cijfers, waardoor computermodellen soms tekortschieten. De menselijke benadering van de agent blijft belangrijk en misdaad zal altijd blijven bestaan.
Gezond verstand van de wijkagent is altijd beter dan een stukje software
?Gezond verstand? bevat vaak meer vooroordelen dan software gebaseerd op objectieve statistische modellen. Het is wel belangrijk dat de modellen zelf niet onbedoeld bevooroordeeld zijn. Predictive Policing werkt ter aanvulling van gezond agentenverstand.
Predictive Policing is oude wijn in nieuwe zakken
Vroeger gebruikte de politie prikborden met een regiokaart om de criminele ?hotspots? aan te geven, uitgaande van misdaadcijfers uit het verleden. Predictive Policing doet hetzelfde, maar op digitale kaarten die de toekomst tonen. Er worden ook veel meer gegevens aan elkaar gekoppeld. Het is dus eerder nieuwe wijn in oude zakken.
Predictive Policing is plug & play
Predictive Policing lijkt zo simpel: je haalt de criminaliteitsgegevens door een computer en?er rolt een kaart met rode vakjes uit. Organisatorisch vereist de toepassing echter een cultuurverandering. De agenten moeten hun denk- en werkwijze aanpassen.
Agenten laten zich niet sturen door een algoritme Wanneer agenten zelf ervaren dat Predictive Policing een meerwaarde heeft, zullen ze de technologie eerder accepteren.
Met behulp van software criminelen op heterdaad betrappen, of voorkomen dat ze toeslaan: het gebeurt allang in Amsterdam. Hoewel er belangrijke gevaren kleven aan de technologie, ziet het ernaar uit dat Predictive Policing de toekomst heeft. Predictive Policing is het voorspellen van misdaadrisico?s met behulp van software, op grond van grote hoeveelheden data die aan elkaar worden gekoppeld. Ook in Amsterdam gebruikt de politie sinds een jaar Predictive Policing, het Criminaliteits Anticipatie Systeem (CAS). Groningen, Enschede en Hoorn volgen dit jaar. Wat zijn de voordelen van dit systeem en wat kunnen we er in de toekomst van verwachten? We vroegen het aan Arnout de Vries van TNO.
Waar gebruikt de Amsterdamse politie Predictive Policing voor?
?Om ?eenvoudige?, maar veel voorkomende misdaden als inbraak en zakkenrollen te voorkomen.?
Wat betekent CAS voor het werk van een politieagent?
?De agenten gaan nog steeds op pad, maar gerichter. Het systeem geeft aan waar en wanneer het risico op een misdaad groot is, maar schrijft niet voor wat de agenten moeten doen. Ga je er bijvoorbeeld naartoe, of hang je camera?s op? De leidinggevende bepaalt altijd al waar de agenten naartoe gaan. Die beslissing is nu deels gebaseerd op de risicobepaling van CAS.?
Werkt het systeem goed?
?De ervaringen in Amsterdam zijn positief, maar wetenschappelijk onderbouwde resultaten zijn er nog niet. We weten dus niet met welk percentage de misdaad is gedaald door dit systeem.?
Welke data gebruikt de politie bij predictive policing?
?Ze gebruiken de misdaadgegevens van de politie zelf, in combinatie met andere data. Denk aan de evenementenkalender of de weersvoorspelling. Is het druk in de binnenstad? Doen mensen hun ramen open? Ook de woonplaats van veelplegers wordt erin meegenomen, want binnen een straal van twee kilometer rondom hun woning is de kans groot dat er iets gebeurt. CAS gebruikt nu al meer dan honderd soorten data.?
Hoe meer data ze gebruiken, des te beter de voorspelling?
?Dat is maar de vraag. Je zou bijvoorbeeld social media kunnen gebruiken om de meest actuele gegevens in je rekenmodel te stoppen. Bij TNO denken we echter, dat het gebruik van nog meer gegevens op een zeker moment alleen zorgt voor optimalisatie in de marge. De opbrengst wordt steeds kleiner. Er bestaat bovendien een risico dat de politie zelf het zicht verliest op het model: hoe meer data je gebruikt, des te complexer worden de berekeningen. Willen we een situatie, waarin de politie zelf geen idee meer heeft waarom het systeem een locatie als risicovol aanwijst??
CAS richt zich vooral op inbraken en zakkenrollen. Komt er een uitbreiding naar andere criminaliteit?
?Zo?n uitbreiding kan zeker, maar is complex en vereist dat je fors inzet op data science. Het is de vraag of de politie hiervoor het geld en de expertise heeft.?
Werkt Predictive Policing altijd beter dan de intu?tie van een agent?
?De software bevat het collectieve geheugen van de politie, dat is meer dan het individu kan onthouden. Maar er kleven ook risico?s aan het gebruik van wiskundige modellen. Zo kan er een tunnelvisie ontstaan, doordat de software zich baseert op data uit het verleden. Als het systeem agenten een wijk in stuurt, zullen deze in veel gevallen wel wat vinden. Als het systeem vervolgens redeneert dat het risico in die wijk groter is dan elders, stuurt het de agenten er nogmaals heen. Zo kan onterecht het idee ontstaan dat die wijk crimineler is dan andere wijken. Die versterkende redeneringsloop kun je onder andere doorbreken door agenten af en toe willekeurig een wijk in te sturen.?
Critici van predictive policing zijn bang dat onterecht mensen op worden gepakt. Is die angst terecht?
?Een veel gebruikt voorbeeld is dat iemand ten onrechte wordt aangehouden, omdat hij ?s nachts toevallig met een schroevendraaier rondloopt over straat. Ook ?racial profiling? kan het systeem insluipen: mechanismen, waardoor mensen met een etnische achtergrond vaker worden aangehouden. Stel, bijvoorbeeld, dat de eerder genoemde wijk toevallig erg multicultureel is. Je moet je bewust zijn van de data het systeem ingaan en welke juist ontbreken. Eigenlijk zou een onafhankelijke ethische ICT-commissie het systeem moeten toetsen.?
Prescriptive policing zou de volgende stap kunnen zijn. Wat houdt dat in?
?Predictive Policing zegt alleen op welk moment er mogelijk iets gaat gebeuren. Prescriptive Policing voorspelt welke maatregel het meest effectief is gebleken om het te voorkomen. Het politiesysteem bevat een schat aan gegevens die nu onbenut blijft. Met smartphones kun je bijvoorbeeld meten waar agenten geweest zijn en deels ook wat ze gedaan hebben. Welk effect heeft dat gehad??
Is de politie hier klaar voor?
De Nederlandse politieleiding stuurt nu juist erg aan op professionele vrijheid van de agenten. Als die vrijheid wordt ingeperkt door software, zal dat lastig te accepteren zijn. Bovendien is er een enorme allergie voor cijfers: een kopje koffie drinken in een buurthuis is moeilijk in cijfers uit te drukken, toch kan het enorm nuttig zijn. Het is heel belangrijk dat agenten en leidinggevenden de toegevoegde waarde van het systeem zelf gaan ervaren. Die mindset is nog belangrijker dan de dataset.?
Is het nog een optie om deze technologie?n links te laten liggen?
?Gezien de effici?ntie van de bedrijfsvoering ligt het voor de hand om toch op predictive en prescriptive policing in te zetten. De politie weet momenteel niet wat allerlei interventies opleveren. Zowel de politiek als de samenleving verwacht dat resultaten aantoonbaar gehaald zijn. En de politie moet steeds meer doen met minder. Deze technologie stelt je daartoe in staat. Wat ook sterk meespeelt, is dat het bedrijfsleven deze systemen wel heel snel accepteert. De beveiliging van steeds meer openbare ruimten, zoals voetbalstadions, bedrijventerreinen en pompstations, raakt geprivatiseerd. Dat kan ertoe leiden dat de politie straks wordt verdrongen door technieken die veel effectiever werken.?
Tien mythen over predictive policing
Crimineel gedrag is niet te voorspellen
Criminelen zijn vaak net zulke gewoontedieren als andere mensen. Na een succesvolle woninginbraak zijn ze bijvoorbeeld geneigd het in een vergelijkbare woning in dezelfde omgeving nog eens te proberen. Dergelijke patronen maken woninginbraak redelijk voorspelbaar. ?
Robots zullen agenten vervangen
Predictive policing maakt gebruik van algoritmes om agenten te helpen misdaden te voorkomen. De agenten worden niet vervangen door machines, hoewel hun rol kan veranderen.
Met predictive policing maken boeven geen kans meer
Het algoritme van Predictive Policing wijst plaatsen aan op de kaart: hier is de kans op een misdaad hoog. Welke actie de politie vervolgens het best kan ondernemen, is vaak minder duidelijk. Nieuwe analyses van veel cases (big data) kunnen inzicht geven in de effectiviteit van verschillende maatregelen, want boeven blijven creatief.
Voor een goede voorspelling zijn data nodig van iedereen
De politie analyseert al jarenlang processen verbaal om inzicht te krijgen in misdaadnetwerken. Predictive Policing doet dit ook, maar koppelt meer gegevens in tijd en plaats. Het is niet nodig gebleken om van alle burgers data te verzamelen om te voorspellen op welke plaatsen het risico op een misdaad groot is.
Predictive Policing is een gedachtenpolitie die je oppakt voordat je iets doet.
Met Predictive Policing wil de politie misdrijven voorkomen door op tijd actie te ondernemen. Dat wil niet automatisch zeggen dat onschuldige burgers worden opgepakt voordat ze iets hebben gedaan. Wel is het belangrijk dat Predictive Policing zich baseert op data die onbevooroordeeld en controleerbaar zijn.
Predictive Policing helpt misdaad de maatschappij uit
Predictive Policing biedt geen oplossing voor alle soorten misdaad. Risico?s, veiligheid en politiewerk zijn niet volledig uit te drukken in cijfers, waardoor computermodellen soms tekortschieten. De menselijke benadering van de agent blijft belangrijk en misdaad zal altijd blijven bestaan.
Gezond verstand van de wijkagent is altijd beter dan een stukje software
?Gezond verstand? bevat vaak meer vooroordelen dan software gebaseerd op objectieve statistische modellen. Het is wel belangrijk dat de modellen zelf niet onbedoeld bevooroordeeld ?zijn. Predictive Policing werkt ter aanvulling van gezond agentenverstand.
Predictive Policing is oude wijn in nieuwe zakken
Vroeger gebruikte de politie prikborden met een regiokaart om de criminele ?hotspots? aan te geven, uitgaande van misdaadcijfers uit het verleden. Predictive Policing doet hetzelfde, maar op digitale kaarten die de toekomst tonen. Er worden ook veel meer gegevens aan elkaar gekoppeld. Het is dus eerder nieuwe wijn in oude zakken.
Predictive Policing is plug & play
Predictive Policing lijkt zo simpel: je haalt de criminaliteitsgegevens door een computer en
er rolt een kaart met rode vakjes uit. Organisatorisch vereist de toepassing echter een cultuurverandering. De agenten moeten hun denk- en werkwijze aanpassen.
Agenten laten zich niet sturen door een algoritme
Wanneer agenten zelf ervaren dat Predictive Policing een meerwaarde heeft, zullen ze de technologie eerder accepteren.
Vandaag ontving Siebe Riedstra, Secretaris Generaal van het ministerie van Veiligheid en Justitie, het boek ?Van Predictive naar Prescriptive Policing? uit handen van Leen van Duijn, directeur Nationale Veiligheid en Crisismanagement TNO. In dit boek adviseert TNO over de invoering van Predictive policing en Prescriptive policing.
Allereerst gaven?Jeff Brantingham en Sean?Malinowski van de LAPD?een presentatie bij het ministerie van Veiligheid en Justitie over wetenschap en praktijk van Predpol en daarna was het aan Reinder Doeleman van de politie Amsterdam om de ervaringen?van CAS uit de doeken te doen.
Voor TNO de uitgelezen kans om de publicatie “Van Predictive Policing naar Prescriptive Policing” aan te bieden. Jeff heeft het altijd over ‘Beyond the box’ , want predictive policing kan zoveel meer zijn?dan alleen vakjes op een kaart voorspellen waar misdaad volgens kansberekening gaat plaatsvinden. TNO trekt de lijn van ontwikkelingen door van predictive naar prescriptive policing. Van misdaad voorspellen tot voorspellend effect van politiewerk.
Predictive Policing
Predictive Policing is politiewerk aan de hand van voorspellingen. Door verfijnde algoritmen?los te laten op big data kan de politie straks misdaden voorspellen. Predictive Policing biedt?de politie de mogelijkheid om d??r aanwezig te zijn waar de kans op een volgend incident het?grootst is. Het werkt preventief. Ook de politie is al aan de slag met deze ontwikkeling. Deze?publicatie beschrijft de ontwikkeling van Predictive Policing en de basisprincipes ervan. De?auteurs ontkrachten 10 mythen rond dit thema, zoals: crimineel gedrag is niet te voorspellen.?Ook gaan ze in op de verschillende ontwikkelingen, zoals PredPol en het Amsterdamse?Criminaliteits Anticipatie Systeem (CAS).
Invoering van Predictive Policing bij de politie kan, maar wat zijn de uitdagingen? Die spelen?zich op meerdere vlakken af: doel en toepassing, mens en organisatie, proces, informatie en?techniek. Wat zijn bijvoorbeeld de juridische en ethische aspecten van Predictive Policing??Hoe moeten mens en organisatie veranderen om dit instrument effectief te gebruiken? Hoe?betrouwbaar is de informatie die het systeem aanlevert eigenlijk? De effectiviteit van Predictive?Policing hangt in feite af van de informatie die in het systeem wordt ingevoerd. Het gaat?de politie er bovendien niet om zo goed mogelijk te voorspellen waar een incident kan plaatsvinden,?maar om dit incident te voorkomen. De politie zal daarom in kaart moeten brengen?wat de effectiviteit is. Meetbaar maken van het effect van de inzet dus.
Prescriptive Policing
Als Predictive Policing voorspellen is wat er gebeurt als je niets doet, wat is dan Prescriptive?Policing? Prescriptive Policing voorspelt op basis van de kennis van de effecten van bepaalde?interventies wat de effectiviteit van een bepaalde inzet van politiemiddelen zal zijn, gegeven?een specifieke situatie. Het systeem suggereert wat de beste interventie is op basis van
vergelijkbare context, maar de mens beslist uiteindelijk. De ontwikkeling naar Prescriptive?Policing vraagt om een integrale benadering, waarin doel, proces, informatie, techniek en?mens en organisatie in samenhang met elkaar worden aangepakt. In een stappenplan?onderscheiden de auteurs vier implementatieniveaus, inclusief de stappen die de politie?moet zetten om een niveau hoger te komen. Van Intelligence-led Policing naar Predictive Policing?naar Effect-led Policing naar Prescriptive Policing.
Hoe de politie te werk zou kunnen gaan? Een competitieve test uitvoeren, voor een systeem?kiezen en dat langzaam uitrollen. Dat laatste is belangrijk, omdat mensen een gevoel?moeten krijgen voor de mogelijkheden van het systeem. Invoering van Prescriptive Policing?vraagt dus om professionalisering van de politie. Pas als men meetbaar maakt wat het?effect is van een interventie wordt de stap naar het vierde implementatieniveau mogelijk. De?innovatie moet stapsgewijs plaatsvinden in publiek-private samenwerking met leveranciers?en kennisinstellingen, waarbij in Living Labs wetenschappelijke kennis wordt toegepast in de?politieomgeving, samen met technologieleveranciers.
Door: Arnout de Vries en Selmar Smit (beiden werkzaam bij TNO)
Al enige tijd zijn er veel mooie verhalen in diverse media over Predictive Policing. Maar wat is het eigenlijk en werkt het nu echt?
Tijd om de mythes te doorbreken en de diverse oplossingen die er zijn eens op een rijtje te zetten. Ook geven we iets meer theoretische achtergrond voor de liefhebbers, want voor een deel is het oude wijn in nieuwe zakken.
Het Paretoprincipe (?80/20-regel?) en onveiligheid (hot problems).
Delicten (hot crimes): een beperkt aantal soorten delicten vormt het grootste deel van de criminaliteit.
Overlast (hot disorders): een beperkt aantal soorten overlast vormt het grootste deel van alle overlast.
Locaties (hot spots): een groot deel van de criminaliteit en overlast vindt plaats op een beperkt aantal locaties.
Binnensteden, wijken en buurten (hot areas): een groot deel van de criminaliteit en overlast vindt plaats in de binnensteden en in een beperkt aantal wijken en buurten.
Daders (hot shots): een groot deel van de criminaliteit wordt gepleegd door een klein aantal criminelen.
Dadergroepen (hot groups): een groot deel van de criminaliteit wordt gepleegd door een klein aantal criminele samenwerkingsverbanden.
Slachtoffers (hot victims): een klein deel van de slachtoffers is slachtoffer van een groot deel van de delicten.
Tijdstippen (hot times): een groot deel van de criminaliteit en overlast vindt plaats op een beperkt aantal tijdstippen of tijdsperioden.
Buit (hot products): het grootste deel van de diefstallen is gericht op een beperkt aantal buitsoorten.
Voorzieningen (hot facilities): het grootste deel van de criminaliteit wordt gepleegd in een klein deel van de winkels, kantoren, bedrijven, bedrijventerreinen, scholen, sportcomplexen, openbaar vervoer enzovoort.
[Bron: P. Versteegh, e.a. [2010]. ?The best of three worlds. Effectiever politiewerk door een probleemgerichte aanpak van hot crimes, hot spots, hot shots en hot groups.? Politieacademie, Apeldoorn.]
Hot of Hype?
Door de huidige ontwikkelingen neemt predictive policing?een enorme vlucht, ook bij de Nederlandse politie die sinds de vorming van de Nationale Politie in 2013 nu landelijk betere?beschikbaarheid heeft over alle databronnen. Maar ook de complexere ‘Big Data’ ontwikkelingen waarin nieuwe databronnen gebruikt kunnen worden, gecombineerd met verbeterde analysecapaciteiten, visualisatietools en krachtigere smartphones op?straat maken dat predictive policing echt?hot?is. Steeds meer toepassingen zijn denkbaar: van preventie tot handhaving en opsporing waarin door het huidige economische klimaat slimmer gewerkt moet worden (?meer met minder?). Bovendien is de politie dan proactief in plaats van achter de feiten aan te lopen en het gevoel van veiligheid kan stijgen als mensen zien dat de politie boeven altijd net een stapje voor is. Rechercheren verandert in prechercheren. En last but not least wordt de acceptatie van deze technologische aanpak beter, want de politie is al enige tijd toch?vooral een informatie organisatie geworden.
Glazen wazige bol?
Predictive policing als term wordt vooral gebruikt in de VS. Maar wat is het?precies? Heel in het kort: politiewerk doen aan de hand van voorspellingen. Net zoals het voorspellen van beurskoersen een complexe aangelegenheid is, is dat ook met criminaliteit het geval. Maar de politie heeft inmiddels een goudmijn aan gegevens (big data) over misdaden uit het verleden tot haar beschikking. En Big data is een grondstof die nooit opraakt, juist exponentieel groeit. Door hier een diepe analyse op los te laten kan de politie straks in combinatie met verfijnde algoritmen toekomstige misdaden voorspellen. Computer modellen dus die o.a. gebruik maken van misdaadgegevens. Met andere woorden: op grond van predictive policing kunnen mensen straks worden opgepakt nog voor ze een misdaad hebben begaan. Dat is ook eng, want kan dat allemaal zo maar? In veel media wordt om die reden het angstige vergelijk gemaakt met de film?Minority Report.
Bill Bratton, toenmalig korpschef van de LAPD en voorloper op het gebied van predictive policing en real-time crime monitoring, nam zorgen over de wiskundige abacabra weg door te stellen: ?Crime is just a physical process and if you can explain how offenders move and how they mix with their victims, you can understand an incredible amount.? En hij kreeg bijval van antropoloog en grondlegger van Predpol Jeff?Brantingham: ? “The naysayers want you to believe that humans are?too?complex and too random ? that this sort of math?can’t?be done, but humans are not nearly as random as we?think.??
Onlangs was Bill Bratton nog te gast in “Cities for Tomorrow 2015 – Data Mining in the Modern City”, waarin hij kritiek pareerde op het gebruik van deze technologie?n:
Eerst de theorie
Als we weten hoe criminelen denken en doen, dan kunnen we misschien ook voorspellen waar ze gaan toeslaan. En in een vakgebied wat al jaren bestaat, zoals dat van criminologie, ?is er aan dergelijke theorie?n geen gebrek. De ratio, die ook bij criminelen aanwezig is, in combinatie met gelegenheid maakt dat er al snel patronen ontstaan.
Zo zegt de immens populaire routine activity theory?dat criminelen zullen toeslaan op die locatie waar de virtuele cirkels rond criminelen en geschikte slachtoffers elkaar overlappen. Kortom, zo lang er geen grote volksverhuizingen zijn, zullen steeds dezelfde gebieden worden getroffen.
[Bron: Ronald V. Clarke and Marcus Felson M., 1993, ??Introduction?: Criminology, Routine Activity, and Rational Choice??,?Advances in Criminological Theory: Routine Activity and Rational Choice, vol. 5, pp.?1?14]
De rational choice theory zegt daarentegen juist dat criminelen op zoek zullen gaan naar die locatie waar de afweging tussen risico(pakkans) en buit zo gunstig mogelijk is.
De crime pattern theory tenslotte is een derde populaire theorie over crimineel gedrag,die zegt dat 1) criminelen altijd zullen toeslaan in een buurt die ze kennen; vlak bij huis/werk/sportschool, of op de weg daar naar toe en 2) criminelen nooit zullen toeslaan te dicht bij hun eigen huis.
Naast deze drie basistheorie?n, bestaat er nog een vierde belangrijke, de zogenaamde ?blended theory? die, zoals de naam al zegt, hun combinatie is: een crimineel zal toeslaan op een locatie (routine activity theory) langs zijn activiteiten-routes, maar niet te dicht bij huis (crime pattern theory) daar waar de afweging tussen buit en pakkans positief is (rational crime theory).
Voor predictive policing worden deze theorie?n vaak overboord gegooid, en wordt voornamelijk gekeken naar ?near repeats?. Een methode die er vanuit gaat dat er in de buurt van een incident vaak nog een tweede, derde, etc. incident zal volgen. Hoewel dat niet lijkt op de drie eerdere theorie?n zal, zolang de pakkans, buit en activiteiten van criminelen niet veranderen, het effect hetzelfde zijn. Want daar waar al een keer een incident is geweest was blijkbaar de afweging tussen buit en pakkans positief, en was er blijkbaar ook een crimineel aanwezig. Zolang er niets verandert, zal er dus (volgens de drie theorie?n) zich nog een tweede, derde etc. incident zich in de buurt gaan voordoen.
In bijna alle commerci?le pakketten die nu te koop zijn wordt voor deze versimpelde weg gekozen. Vaak wordt er naast dit trekken van cirkels rond incidenten ook nog gekeken naar tijdsaspecten (spatiotemporele analyse), zowel naar trends zoals verplaatsingen, als naar seizoen, weekdag, of zelfs het specifieke tijdstip. Zo is er al jaren een duidelijke piek van inbraken rond kerst, is een werkdag populairder voor het dievengilde dan een weekend, en is het aantal inbraken rond 08:00 ?s ochtends minimaal. Door dit soort aspecten mee te nemen, kun je dus ook inbouwen dat de pakkans, buit of activiteiten van criminelen (uit de basistheorie?n) veranderen gedurende het jaar/maand/dag/uur.
Voeg bij die tijdaspecten ook nog andere kenmerken zoals omgevingsfactoren (demografie etc.) en weersvoorspellingen (een regressie-analyse/data-mining), en afstanden tot vluchtwegen (aantrekkende werking) en politiebureaus (afstotende werking) en je krijgt een complexe formule met tientallen parameters die zo goed mogelijk moeten worden bepaald uit de historische data.
Hoewel het bepalen van de juiste waarde voor al die parameters nog een hele klus is, is een dergelijk voorspelmodel is dus niet echt rocket-science. Toch levert het al behoorlijk goede voorspellingen op en dat is dan ook de rede dat vrijwel alle softwarepakketten op de markt ook (in meer of minder mate) kiezen voor deze aanpak.?En voorspellen is nog maar een klein deel van het hele verhaal, want het handelen op basis van goede voorspellingen is waar de crux zit.?Laten we eens kijken naar hoe een aantal van deze oplossingen het doen.
In de praktijk
Hoe staat het eigenlijk met de huidige ‘state of the art’, zoals die al geadopteerd is door politie organisaties? TNO bekeek in een korte verkenning enkele oplossingen op het gebied van predictive policing. Daar waar een studie van RAND eerder al keek naar de inpassing van predictive policing in het politiewerk, bespreken wij hieronder een aantal oplossingen die vandaag de dag al gebruikt worden. Een echte gedegen vergelijking vraagt om meer degelijk onderzoek, want de getallen die leveranciers afgeven zijn vaak ontdaan van alle context en niet objectief vastgesteld. Predpol schijnt er zelfs een nogal? dubieuze strategie van gemaakt te hebben om hun klanten vooral zoveel mogelijk positieve verhalen naar buiten te laten brengen. SF Weekly deed uit de doeken hoe de contracten eisen dat politie de technologie promoot, los van de behaalde resultaten.
Maar al zouden de cijfers wel kloppen, de beoogde effecten kan de software niet voorspellen: resultaten uit het verleden bieden geen enkele garantie voor de toekomst. En er zijn nog steeds operationele diensten nodig om boeven te vangen, dat doen de algoritmes niet.
Maar hoe vergelijken de oplossingen dan onder de motorkap? Volledige transparantie staan niet alle leveranciers zomaar toe, omdat hun concurrentiepositie dan gevaar loopt. Toch zal de maatschappij (en de wet) wellicht gaan eisen dat algoritmes volledig transparant zijn, want waarom ben je aangehouden of kwam de politie eigenlijk op jouw spoor?
Onderstaand overzicht helpt veiligheidsorganisaties om een keuze te maken in bestaande oplossingen. Het is verre van volledig, want de markt trekt stevig aan tot een mogelijk oerwoud aan oplossingen. Daarnaast ontbreekt een veelheid aan selectiecriteria, die bovendien per organisatie verschillend zullen zijn. De context en het doel van het gebruik, de bevoegdheden, de beschikbare data, organisatorische en financi?le (on)mogelijkheden alswel het toekomstperspectief bepalen welk middel het beste zal passen.
Predpol
De ontwikkeling van PredPol?begon al in 2008 bij de politie van Los Angeles doordat topchef Bill Bratton het aandurfde om wiskundige technieken toe laten in de politiepraktijk. Samen met?Jeff Brantingham?van de universiteit UCLA hadden ze het idee om de algoritmes die aardbevingen konden voorspellen op basis van het verleden toe te passen op oude misdaadstatistieken. Het bleek een gouden greep. Waar voorheen intelligence gestuurde politie (ook wel Intelligence Led Policing) nog bleef steken bij het maken van hotspotkaartjes, kon men nu ineens veel meer dan alleen een lijntje in een grafiek doortrekken. Een veelvoud aan invloedsfactoren (zoals variaties in criminaliteitstypen, plaatsen en tijden) kon ineens worden meegewogen en de voorspellingen leken beter te zijn. Het kon al snel anderhalf tot twee keer beter risicogebieden inschatten dan politieanalisten deden.
In November 2011, benoemde?TIME?Magazine?predictive policing om deze reden ??n van de 50 beste inventies van 2011. Deze?oplossing is?PredPol?gaan heten en inmiddels is?de software?voor een aardig?bedrag te koop (zo?n 100 kEuro per jaar). De software analyseert oude misdaadstatistieken ? voor accuratesse zijn er wel zo?n paar duizend nodig ? en plot die op een kaart, waarin het surveillancegebied is opgedeeld in echt kleine vakjes (van 45 vierkante meter). Zo kan de politie dus per vakje zien wat er daar allemaal is gebeurd en wat er vermoedelijk gaat gebeuren, waarbij zelfs de weersvoorspellingen worden meegewogen. Dat is wel iets anders dan de misdaadanalist met gekleurde spelden en een stadsplattegrond. In een blinde proef ? de ene dag gingen agenten op pad met een traditionele hotspotkaart en de dag erop met een van PredPol ? bleek al snel dat Predpol tot betere resultaten leidde. Niet alleen meer arrestaties, maar vooral dalende misdaadcijfers.
In feite is dit niet veel anders dan wat een bedrijf als Amazon doet: goed kijken naar de klant en precies uitvinden hoe die koopt, wat die koopt en waarom die koopt. Dit maakt het voor Amazon mogelijk toekomstig gedrag te voorspellen (en het koopgedrag te bevorderen). Welke algoritmen Amazon hiervoor gebruikt is trouwens onduidelijk (dat is bedrijfsgeheim).
PredPol maakt het eenvoudiger om effici?nt en effectief te surveilleren. Het gaat daarbij zeker ook om het voorkomen van een misdrijf. Juist omdat de politie gericht surveilleert op de plekken waar het telt zullen op die plekken minder misdaden worden gepleegd. Niet meer blauw op straat maar gerichter blauw op straat. Dat is althans de theorie. De cijfers laten zien dat die theorie klopt: in het gebied dat door PredPol in Los Angeles wordt bestreken daalde de misdaad met 13%. In Santa Cruz, waar ze het ook gebruiken om hotspots te identificeren, ging het aantal inbraken met 27% omlaag. Hier zijn voor 60.000 inwoners ? en 150.000 in het hoogseizoen ? slechts 94 politiemensen beschikbaar, en geld voor meer personeel is er niet. Predictive policing zal daarom groot worden. Het scheelt mankracht.
De politie uit Kent heeft ook een eigen studie uitgevoerd waarin PredPol 6 maanden lang werd gebruikt. Ze concludeerden dat PredPol een hitscore haalde van 8.47, wat betekent dat er over die periode in 8.47% van de geselecteerde vakjes ook daadwerkelijk een inbraak heeft plaatsgevonden. Dat klinkt als niet zo veel, maar was bijna 60% hoger dan wanneer eenzelfde aantal vakjes handmatig werd gekozen door analisten.
Kent is Predictive policing software breder gaan inzetten na deze kleine test in 2013, waarin het ondervond dat misdaad op straat met 6% afnam. Toch nam misdaad in het eerste jaar daarna toe, iets dat de politie van Kent wijdt aan een slechte implementatie in een periode waarin ook niet alle misdaadgegevens volledig voorhanden waren. Inmiddels lijken de resultaten beter met een afname van 140.000 naar 100.000 misdaden.
In het Amerikaanse Richmond is men inmiddels zelfs gestopt met Predpol, ondanks dat het driejarige contract met Predpol nog niet was uitgediend. Reden: gebrek aan bewijs dat het zou werken. Predpol claimde nog dat misdaad omlaag ging door hun software, maar politiechef Chris Magnus spreekt dat tegen en geeft aan dat na een periode van initi?le afname misdaad de laatste tijd weer met dubbele cijfers omhoog gaat.
En succes hangt ook af van het type interventies en sociale acceptatie. Zo ging de politie van Chicago op basis van Predpol preventief huisbezoeken plegen bij veelplegers. Het idee was dat misdaad voorkomen kon worden als deze doelgroep meer informatie over de inmiddels hogere straffen kregen of begeleidingsprogramma?s kreeg om ze aan het werk te krijgen. Deze interventievorm die in de pers al snel het label ?profiling? kreeg leverde veel kritiek van de lokale bevolking op.
Toch wordt het gebruik van PredPol ?steeds populairder, en is het onder andere in gebruik bij de politiekorpsen in de VS zoals Los Angeles, Seattle, Modesto, Alhambra, Santa Cruz, Atlanta en Little Rock, en krijgt het ook in Europa voeten aan de grond zoals in Kent, Verenigd Koninkrijk.
Daily Crime Forecast
Daily Crime Forecast (DCF) is een volledig via het web benaderbare tool die qua functionaliteit niet onder doet voor PredPol. Ook hier vinden we de bekende vlakjes waarbij voor elk uur wordt bepaald wat daar de dreiging is. En net zoals PredPol is er voor het maken van voorspellingen maar heel weinig data nodig. Uit enkel de datum, tijd en positie van eerdere geregistreerde delicten wordt een voorspelmodel gemaakt voor de komende tijd. Is er recent een inbraak geweest in een vakje of ??n van zijn buurvakjes? Dan stijgt daarmee het risico op nog een inbraak. Wordt er in dit vakje vooral ingebroken op maandag? Dan wordt ook dat meegenomen voor de voorspellingen voor alle komende maandagen.
Het pakket is ontwikkeld in samenspraak met het Edmonton Transit System (ETS), maar via hun website kan iedereen een demonstratie bekijken van de functionaliteiten.
Waar PredPol nog een hitscore vermelde die 60% hoger was dan die van een analist, rapporteert DCF een nog veel hoger getal, namelijk 100% beter. Dat zegt op zich nog niets aangezien het voorspellen van misdaad in een stad toch iets heel anders is dan dat van overlast rond een vervoerssysteem. Maar DCF lijkt zeker te werken, niet omdat ze dergelijke hitscores behalen (wat met wat gegoochel met getallen altijd lukt), maar omdat ze ook daadwerkelijk vermelden dat het aantal keren dat een agent handelend kon optreden in de eerste twee jaar steeg met bijna 60%, terwijl het aantal meldingen van slachtoffers juist daalde met 52%. Dat betekent dat een dergelijk systeem niet enkel kan voorspellen wat er gebeurt, maar ook problemen kan voorkomen.
Criminaliteits Anticipatie Systeem (CAS)
Ligt Predictive policing ver van ons bed? Nee, want hier in Nederland gebeurt het ook al. In het programma Politie en Wetenschap werkte de politie van Amsterdam aan een soortgelijk systeem van geavanceerde plannings- en voorspellingsmethoden om te voorspellen welke incidenten waar plaats gaan vinden. En hoe laat. En sinds enige tijd is het Criminaliteits Anticipatie Systeem (CAS) in gebruik genomen op districtsniveau en door zogenaamde ?flexteams in Amsterdam, waar jaarlijks alleen al zo?n 7000 woninginbraken plaatsvinden.
Een voorwaarde is wel dat de data goed beschikbaar gemaakt wordt. Het BVH systeem van de politie (Basis Voorziening Handhaving) bevat veel van die benodigde data. Om voorspellingen te verbeteren kan meer data handig zijn, zoals ?gegevens over vluchtroutes bij overvallen, en in andere gevallen de bevolkingssamenstelling of het type bedrijven dat in die buurt zit. Allemaal relevante indicatoren voor criminaliteitspatronen. Als het aantal bronnen toeneemt wordt het ook ingewikkelder. Patronen in de grotere hoeveelheden meervoudige data zijn complex, waarbij het ook de vraag is of de mens die ermee moet werken het systeem nog snapt. Het maakt een directere (sturing op de) inzet van de politiecapaciteit mogelijk, waardoor effici?ntie en in het bijzonder effectiviteit van de inzet wordt vergroot. Het is niet alleen een instrument voor de politie zelf, maar ook voor het bevoegde gezag en veiligheidspartners.
CAS wordt momenteel gebruikt om High Impact Crimes mee te voorspellen (woninginbraak, straatroof en overvallen). Het systeem deelt de eenheid Amsterdam op in vakjes van 125 bij 125 meter. Gebiedjes waarvan de kans op een incident vooraf al laag kan worden ingeschat, zoals weilanden en open water, worden verwijderd. Van de overblijvende vakjes wordt een grote hoeveelheid gegevens verzameld: criminaliteitshistorie, afstand tot bekende verdachten, afstand tot de dichtstbijzijnde snelwegoprit, soort en aantal bedrijven zoals bekend bij de politie, en demografische en socio-economische gegevens van het CBS.
Van ieder vakje wordt op verschillende peilmomenten geregistreerd welke gegevens er op dat moment bekend zijn. Vervolgens wordt bepaald wat er in de twee weken na de peiling aan incidenten kan plaatsvinden. Er wordt kunstmatige neurale netwerktechnologie toegepast om te bepalen welke combinatie van kenmerken indicatief is voor criminaliteit in de nabije toekomst en het resultaat is dat de vakjes op de kaart indicatief worden ingekleurd; een zgn. heat map waarin hoge scores een warmere kleur krijgen.
In onderstaande uitzending van Factchecker legt Dick Willems van de politie Amsterdam uit hoe het globaal werkt (na ongeveer 9 minuten in de uitzending). Zie ook?hier.
Net zoals bij PredPol is ook van CAS een studie gedaan van de hitscore en daar werd een score van 15% gerapporteerd. Merk op dat beide studies niet onderling zijn te vergelijken omdat, naast dat de gebieden (Amsterdam en Kent) logischerwijs volkomen verschillend zijn ook niet hetzelfde aantal vakjes is geselecteerd. Naast deze 15% direct-hits zijn er ook near-hits, namelijk een inbraak of straatroof die niet in het vakje valt, maar er net buiten. In het geval van woninginbraak is dat percentage 40%, voor straatroof zelfs 60%.
HunchLab
HunchLab?is op veel manieren vergelijkbaar met alle eerdere pakketten. Onder andere Philadelphia PD gebruikt het. Ook HunchLab heeft een webinterface (en zelfs ook speciaal voor tablets), heeft ook de bekende vlakjes, en richt zich ook op near-repeat crimes door middel van het analyseren van misdaadpieken. Maar dit pakket heeft nog een aantal andere interessante features. Hij kan bijvoorbeeld zelf detecteren als er een serie van ?buitengewone? incidenten is. Waarbij buitengewoon betekent dat ze buiten het voorspelde gebied lagen. Met de feature ?Hunch Focus? kan een analist daarna met deze, van de norm afwijkende, incidenten aan de gang. Waren het gewoon incidenten? Of is er meer aan de hand, en bestaat er een trend?
Daarnaast biedt HunchLab de mogelijkheid om, de naam zegt het al, ?hunches? te testen. De gebruiker kan via de interface een bepaald vermoeden beschrijven, waarna de tool gaat kijken in hoeverre dit vermoeden waar is. Wat er daarna met die uitkomsten wordt gedaan, niets? en dat is jammer want wat nou als het systeem daar van zou kunnen leren? De mens-machine interactie zou op deze manier een hele sterke combinatie kunnen opleveren.
Precobs
In Z?rich test men sinds oktober 2014 het Precobs systeem?(Pre Crime Observation System). De ouderwetse prikborden op de muur in het bureau van de kriminalpolizei met een kaart vol punaises zijn al sinds langere tijd opgedoekt. Eenvoudige hotspot software werd al enige tijd gebruikt. Precobs gaat verder en gebruikt slimme algoritmes die als een Zwitsers zakmes diverse doorsnijdingen van Big Data maken, om zo patronen naar boven te halen die agenten op straat kunnen inzien op hun smartphone. Na Zwitserland is ook Duitsland deze software nu aan het testen: in N?rnberg (Beieren) en Berlijn is men al begonnen. Noordrijn-Westfalen heeft interesse, maar is terecht nog zeer kritisch over de echte effecten. Want de getallen en gemeten effecten uit dit artikel komen vooral van de softwareleveranciers en de causaliteit tussen de inzet van de software en de criminaliteitscijfers is nog nauwelijks bepaald. En oorzaak-gevolg is in de aanpak van criminaliteit sowieso al niet eenvoudig, ondanks het sturen op cijfers.
Accenture dat in Londen een pilot doet, heeft voor predictive policing een andere invalshoek gekozen. Anders dan de andere producten richt Accenture zich niet op de locatie, maar op de dader. Op basis van een groot aantal daderkenmerken en activiteit op social media kan hun methode een inschatting maken van de mate van risico die een individu vormt.? In deze specifieke pilot kwamen ze op die manier tot een heat-list van 300 namen. De Londense politie bemerkte dat daar zes nieuwe namen bijstonden, waarvan er vijf in de weken daarna een misdaad pleegden.
IBM zou IBM niet zijn als ze niet met ook op deze markt waren gesprongen. Met hun Jeopardy spelende Watson computers en een beroemd pakket als SPSS is het logisch dat zij er vroeg bij waren. Al in 2005 experimenteerden?ze samen met de universiteit van Memphis met Blue CRUSH (Criminal Reduction Utilizing Statistical History) waar de algehele criminaliteit na een aantal jaar met 30% terugliep, en geweldsmisdrijven met 15%. Memphis behoorde in 2009 nog tot de top 3 van Amerikaanse gevaarlijkste steden. De politie van Memphis beschrijft de successen deels aan deze gerichte aanpak: ?de juiste politie inzet op de juiste plek en plaats?. Blue CRUSH gebruikt misdaadgegevens en surveillancedata om de politie gericht en op tijd naar locaties te sturen om daar (soms in burger) te surveilleren, auto?s staande te houden of undercover operaties te plannen. In oktober 2010 waren er 75% minder autodiefstallen en inbraken in bedrijven daalden met 67%. In 2007 leidde Blue CRUSH met ?Operation HeartBreak Hotel? tot het aanpakken en sluiten van vier motels waar structureel drugshandel, prostitutie, overvallen en moorden plaatsvonden. In 2008 werd door de Memphis politie een Real Time Crime Center van 3 miljoen neergezet. Onderzoek van Nucleus Research wees uit dat de opbrengst (oa het aantal agenten dat nodig is voor het verminderen van criminaliteit) van een dergelijk centrum meer dan 7 miljoen per jaar was.
IBM kiest nu, net als bijvoorbeeld Accenture en BAIR analytics, voor een andere aanpak dan PredPol. Niet een gelikte, black-box oplossing maar een volledig analysepakket waarin de analist zoveel mogelijk informatie tot zijn beschikking heeft. Andere software-giganten zoals Oracle die het veiligheidsdomein bedienen maken een soortgelijke beweging. Gezien de populariteit van Predpol lijkt de keuze van ?het grote publiek? echter al gemaakt, en is er meer behoefte aan een simpele, maar duidelijke user-interface dan aan nog meer informatie en analysemogelijkheden. Ook burgers willen simpelweg weten hoe het zit in hun buurt en krijgen vandaag de dag al misdaadkaarten op maat voorgeschoteld (zgn. Crime Maps) op het web of in een app zodat ook zij kunnen meedenken en doen.
Hoewel het overzicht niet compleet is, zitten er wel wat verschillen in de beschikbare producten. Ook hangen er verschillende prijskaartjes aan. Sommige producten zijn niet meer dan software, anderen bieden aanvullende maatwerkdiensten of zelfs analisten van vlees en bloed als je dat deel wilt uitbesteden. Grote partijen als IBM en Microsoft pakken flink uit en daar betaal je ook voor, terwijl Predpol, BAIR en Accenture de middenklasse bedienen. Aan oplossingen als het door de Nationale politie zelf ontwikkelde CAS hangt geen expliciet prijskaartje maar laat wel zien dat technologische oplossingen in deze fase van ontwikkeling nog ook prima zelf gebouwd kunnen worden.
Onderstaande tabel toont de gebruikte methoden (uit de classificatie van RAND) van de genoemde oplossingen. Besef wel dat dit een momentopname is, want de markt groeit momenteel stevig met nieuwe oplossingsrichtingen en nieuwe spelers.
?
Near repeat
Spatio-temporal
RTM
Data Mining
Predpol
X
X
X
Daily Crime Forecast
X
X
Criminaliteits Anticipatie Systeem (CAS)
X
X
X
X
HunchLab
X
X
X
X
Precobs
X
X
Accenture
X
IBM SPSS Crime Prediction
X
X
X
X
BAIR analytics
X
X
X
De toekomst
Slimme, effectieve en proactieve aanpak tegen misdaad is duidelijk beter dan achter criminelen aanhollen. Predictive policing, tesamen met de ontwikkelingen op het gebied van Big Data (het nieuwe goud voor de politie), is daarom een enorme vlucht aan het nemen. Maar ondanks deze ontwikkelingen, moet het verschil uiteindelijk op straat gemaakt worden: door agenten die met deze uiterst relevante informatie op de juiste tijd en plaats slim kunnen ingrijpen.
De meeste van de genoemde methoden hangen nog in wetenschappelijke hoek, maar de politie in Nederland omarmt het al wel. Onlangs schreef intelligenceprofessional Rutger Rienks er namens de politieacademie een toegankelijk boek over en iets eerder al was predictive policing officieel toegevoegd als innovatiedomein aan de business intelligence roadmap van de Nationale Politie
Hoe hard het gaat toont Silicon Valley, waar al een R2D2 robot agent rondrijdt met de naam Knightscope. Het is een volledig autonome robot op Segway wieltjes die kan horen, zien en luisteren (zelfs in de nacht en op social media) en zelf bepaalt waar hij heen moet op basis van predictive policing software. Het algoritme zal hem op het pad van zakkenrollers zetten in het drukke winkelcentrum en even later naar de parkeerplaats sturen op zoek naar autodieven. Het apparaat registreert nu alleen nog en produceert 90 terabytes aan data per jaar. Praten of ingrijpen doet het (nog) niet. Nu kost het ding nog een paar duizend euro, maar over een paar jaar kun je deze digitale agent voor een paar honderd euro in je robot grasmaaier in je voortuin laten rondrijden. Het gebruik van predictive policing zal in de toekomst democratiseren.
Predictive profiling en meer…
Die trend van voorspelling is al lang aan de gang en groeit vooral flink in commerci?le toepassingen. De meeste mensen weten het niet, maar bedrijven als Facebook werken al met big data en algoritmen om hun klanten te screenen. Ook dat gaat ver. Schrijf je bijvoorbeeld altijd berichtjes aan meisjes van dertien, en gebruik je ook het trefwoord seks een beetje te vaak, dan kan Facebook jou als verdachte aanmerken en de politie inseinen. Dit voorbeeld is trouwens echt gebeurd. Met de politie in de rol van het meisje (op haar computer). Goed, dat een viespeuk wordt opgepakt zullen we allemaal niet zo erg vinden. Maar wat als Facebook straks voorspellingen gaat doen over mogelijk druggebruik, of wie er straks allemaal naar alle waarschijnlijkheid mee zullen doen met nieuwe rellen in Londen. En Facebook kan dit nu al, juist omdat men alles kan volgen. Zonder gerechtelijk bevel om die priv?gegevens in te zien (dat heeft de politie wel altijd nodig). Dat gaat heel ver.
De universiteit van Virginia lukte het om met hun algoritmes 19 van de 25 onderzochte misdaadvormen?in Chicago te voorspellen. Met Twitter als databron.?Vooral bij misdrijven als stalking, diefstallen en mishandeling blijkt Twitter interessante aanknopingspunten op te leveren. Niet met berichten als: ?Ik ga vanavond mijn ex weer eens stalken.? maar met berichtgeving over ?dronken worden? in een bepaalde geografische omgeving blijkt het een voorspellende gave te hebben.
In New York werkt de politie samen met Microsoft aan een zeer geavanceerde analysetool, het Domain Awareness System (DAS). Die kan de beelden van de meer dan 3000 politiecamera?s in de stad analyseren, inclusief alle databases die de politie tot haar beschikking heeft. Het wordt dan mogelijk precies na te gaan waar een verdachte auto in de weken voor een misdrijf is gesignaleerd. New York heeft daartoe ook een?Real Time Crime Center?opgezet dat deze forecasting-technieken gebruikt. In New York wordt onder andere RTMDx gebruikt voor voorspellingen:
In 2013 werd DAS nog aangehaald?bij het vinden van de terroristen na de aanslag tijdens de Boston Marathon. Maar van het systeem konden wij helaas enkel anekdotisch bewijs vinden. Zo zouden de camera systemen die met DAS gekoppeld zijn helpen voor kleine diefstallen waar lokale huiseigenaren erg blij mee waren. Er is echter geen structureel en hard bewijs geleverd dat het DAS systeem structureel voor minder misdaad zorgen.
Peter de Kock promoveerde recent aan de universiteit van Tilburg op het gebruik van scenario?s om terroristische aanslagen te voorspellen. Met een achtergrond aan de filmacademie en voormalige carri?re als cameraman, producent en regisseur onderzocht hij de parallel tussen een filmscenario en een aanslag. Beiden hebben een communicatiedoel, een boodschap die een bepaalde beleving teweeg moet brengen bij het publiek om hopelijk een hoger doel te bereiken. Hij kwam tot een lijst van 12 elementen waar zo?n scenario uit kan bestaan: een hoofdrolspeler, een slechterik, een plaats, een tijdstip, een motivatie, een doel, een middel, een modus-operandi, de tegenstand, symboliek en een dwaalspoor. De in het model verzamelde scenario?s (criminele gebeurtenissen) maken trends en relaties zichtbaar die kunnen worden gebruikt om de aannemelijkheid van toekomstige criminele incidenten te berekenen. Sterker nog, in potentie zouden zelfs alle verzonnen scenario?s uit boeken of films een voorspellende waarde kunnen bevatten. Immers: als een terrorist iets bedenkt, is er een kans dat iemand anders op de wereld het idee weleens uitgewerkt heeft in een stripboek, een misdaadroman of krimi op TV.
Zie hieronder het interview dat hij gaf op de dag van zijn promotie in De Wereld Draait Door, met de kern van zijn onderzoek: ??wij zijn [?] nu voor de eerste keer in staat om heel veel data te genereren, heel veel data te wassen [?] Tot voor kort was het belangrijk wie dat opsporingsonderzoek leidde en of die de juiste kennis had. Nu kun je die kennis apart in een database zetten en iedereen heeft daar toegang toe die je daar toegang toe verleent. En dat gaat diegene helpen die de interpretatie moet maken.?
Kritiek
Het gevaar is wel dat de politie of andere partijen straks allerlei mensen gaat oppakken om vervolgens te zeggen: ja, dat moest van mijn algoritmen.
Evgeny Morozo maakt zich ernstige zorgen over predictive policing en wijdt in zijn laatste boek ?To Save Everything, Click Here? een heel hoofdstuk aan deze ontwikkeling, die bovendien de grootste databron van de wereld (het internet) niet links zal laten liggen in zijn analyses waardoor het allemaal heel eng kan worden.
Straks worden we door Facebook bij de politie aangegeven voordat we ook maar iets hebben gedaan. Of een priv? detective koopt je data. Of op grond van de Nederlandse versie van PredPol staande gehouden terwijl we geheel onschuldig met een gereedschapskist door een buurt lopen waar statistisch op dat moment veel wordt ingebroken. Dan heb je als burger ineens veel uit te leggen. Die algoritmen weten ook niet alles natuurlijk.
Rutger Rienks van de Nationale Politie beschreef een toegankelijke inleiding op predictive policing met een praktijkvoorbeeld van Nederlandse bodem dat deze risico?s mooi weergeeft:
?In 2011 is in Driebergen een systeem ontwikkeld dat op vergelijkbare wijze drugsrunners kon detecteren die hero?ne over de weg vervoerden (Schakel et al., 2012). Het systeem kon op basis van een tweetal waarnemingen een drugsrunner onderkennen. Enerzijds aan het bewegingspatroon van een voertuig dat op en neer reed tussen twee steden binnen een bepaald (kort) tijdsbestek. Anderzijds aan het feit dat het waargenomen voertuig eerder in verband was gebracht met drugsgerelateerde feiten. Meerdere camera?s konden langs een route voertuigen herkennen met behulp van een referentiebestand met voertuigen die met drugs in aanraking waren geweest. Dit ging op eenzelfde wijze als de herkenning van een gestolen voertuig. Zo reikte het systeem ons op een presenteerblaadje aan welke voertuigen ?controlewaardig? waren. Door de controleploeg te richten op de door het systeem aangewezen voertuigen ging het aantal gevonden grammen hero?ne per gecontroleerd voertuig omhoog van 5 naar 1027 gram. Bovendien was de afhandelcapaciteit vele malen kleiner. Metingen hadden van tevoren aangegeven hoeveel voertuigen de politie gemiddeld op een avond kon verwachten. Hierop werd de capaciteit op ingericht.
Ook hier ging niet alles goed. Een dame, die in haar nieuwe tweedehands auto met een klein poedelhondje een spuitje haalde bij een dokter, werd door het systeem aangewezen als drugsrunner. Aangezien de politie de voertuigen niet heel vriendelijk tot stoppen maande, was in dit geval een bosje bloemen achteraf gerechtvaardigd.?
Een?rechter zal hier waarschijnlijk geen genoegen mee nemen. Ook al weten we dat de meeste misdaad voorkomt in arme, multiculturele wijken, de politie kan niet zo maar ineens alle mensen gaan oppakken op grond van een impuls. Er zal toch minstens een aanwijzing moeten zijn dat voortkomt uit het algoritme: het moet immers controleerbaar zijn.
En wat moeten we met zaken die helemaal niet bij de politie worden aangegeven, zoals veel verkrachtingen en geweld? Voorspellend politiewerk is gebaseerd op misdaadstatistieken. Als die er niet zijn zal de software dus alleen voorspellingen kunnen doen over misdaden die ooit zijn aangegeven. En blijft de rest ? zoals veel andere misdrijven ? ongezien (de zgn. dark number). Predictive Policing richt zich om die reden vooral op veelvoorkomende delicten waar een klein aantal mensen een rol in speelt (zoals veelplegers uit de buurt of rondtrekkende dadergroepen); vermogensdelicten zoals woninginbraken en straatroof waar vaak aangifte van wordt gedaan. Maar op termijn, met meer en betere beschikking van vroegtijdigere signalen, valt te verwachten dat ook bijvoorbeeld liquidaties in de onderwereld, een radicaliseringsproces of zelfs een crime-passionele voorspeld kunnen gaan worden.
Technologisch gezien zou Predictive policing exponentieel verder kunnen groeien. Maar vanuit maatschappelijk en organisatorisch oogpunt zit er nog een rem op. Wil de politie wel zoveel gaan vertrouwen op technologie? Is de organisatie er wel klaar voor? Nemen algoritmes en robots het werk van agenten op diverse vlakken zometeen over? En wat zijn eigenlijk de juridische en ethische haken en ogen? Want we weten allemaal dat een 100% betrouwbare voorspelling een illusie zal blijven.
Tot slot: een handreiking
Predictive policing gaat over het slim toepassen van analytische technieken?om misdadigers of misdaden uit het verleden of voor de toekomst te kunnen vinden middels diverse statistische methoden. Kern van deze methodieken is dat op basis van slimme analyses van beschikbare gegevens de politie in die gebieden versterkt aanwezig is waar de kans op een volgend incident het grootst is. Van deze aanwezigheid gaat een aantoonbare preventieve werking uit.
Er is inmiddels voldoende sterk bewijs dat misdaad voorspelbaar is (in statistische zin), omdat criminelen misdrijven plegen in hun ?comfort zone?, maw in gebieden en op manieren die ze kennen en waar ze in het verleden succes mee geboekt hebben.
Evidence based policing
Het rapport van RAND, maar ook dit artikel geeft weer dat er weinig onderzoek is gedaan naar de effectiviteit van predictive policing en ook niet naar de effecten van gerichte inzet van politiecapaciteit op basis hiervan. En dat terwijl de politie, maar ook de overheid in het algemeen, het liefst evidence based werkt. Dat geldt voor de beleidsmatige kant, maar zeker ook voor de operationele inzet die nog steeds op cijfers wordt gestuurd. Want als een nieuwe aanpak niet bewezen werkt, waarom zou je er dan op investeren?
Bewijs voor succesvolle politie interventies is om te beginnen al een hele moeilijke discussie. Het centrum voor evidence-based criminaliteitsbeleid van de George Mason universiteit deed onder leiding van David Weisburd en Cynthia Lum onderzoek?naar 89 evaluaties van politie interventies en maakte een driedimensionale matrix die ook interactief op hun website te gebruiken is. Deze of andere soortgelijke evaluaties zijn echter tot nu toe niet gebruikt in de toepassing van predictive policing.
Het voordeel van predictive policing is dat het vaak in ieder geval eerst theoretisch gevalideerd kan worden: even droogoefenen op getallen en kijken of voorspellingen uit het verleden kloppen met zaken die je zelf ook constateerde zonder die voorspelling. En dat is wel zo veilig. Maar de vertaling van een goede voorspellingsmethodiek van theorie naar praktijk kan heel weerbarstig zijn, laat staan dat behaalde successen zijn toe te schrijven aan de verbeterde predictive policing intelligence.? Want wat als de voorspelling niet uit komt? Kwam dat door een verkeerde voorspelling? Of doordat je uitstekend hebt gehandeld op basis van de kennis uit deze voorspelling, en de crimineel door je aanwezigheid werd afgeschrikt?
Intelligence gestuurd werken
Er is veel veranderd in het omgaan met gegevens. Nog geen 3 jaar geleden werkte men met allerlei gegevens en rapportages nog veel op papier. De tijd is snel gegaan en andere manieren van werken hebben hun intrede gedaan. Zo is er bij de politie al sinds jaren een omslag gemaakt naar informatie gestuurd optreden, net zoals het bedrijfsleven dat al jaren zwaar inzet op business intelligence en zo processen optimaliseert. Maar ook gemeenten blijven niet achter. Grote gemeenten hadden al langer eigen onderzoeksafdelingen die op diverse manieren (middels enqu?teresultaten, meldingen en statistische analyses) input gaven voor beleid en operationele processen.
De gemeente Eindhoven bevindt zich in een transitie naar een informatiegestuurde veiligheidsorganisatie en kent nu een heus intelligence cluster. Dat betekent dat er ten aanzien van de beleidsmatige en operationele aanpak gericht wordt gestuurd op de besluitvorming middels (veiligheids)informatieproducten (intelligence). Op allerlei plekken in het proces worden informatieknooppunten ingericht waar data, methodieken en vooral ook slimme mensen uit diverse instanties zich buigen over veiligheids-en leefbaarheidsproblemen in de buurt, wijk, stad of regio. Middels eenvoudige visualisaties van inzichten worden uitvoerende diensten intrinsiek gemotiveerd zelf ook te werken met deze rijke informatie en er zelf aan bij te dragen. Maar ook andere aandachtsgebiedshouders buiten het domein van veiligheid worden geprikkeld door de voornoemde producten.
Iedereen is op zoek naar verbetering en krijgt met meer data en inzichten een steeds beter begrip en gevoel bij de problematiek in de wijk en kan daarmee gezamenlijk de burger beter van dienst zijn. Samen sta je sterker, met Big Data als steun in de rug.
De politie heeft natuurlijk diverse criminaliteitsgegevens en haar eigen informatie en analyseknooppunten, maar de gemeente wil ook andere zaken berekenen om inzicht te krijgen. Bijvoorbeeld de kans dat iemand slachtoffer wordt, zoals het besmettingsrisico bij woninginbraken, om zo meer aan preventie te kunnen doen. Voorkomen is nog altijd beter dan genezen, en dan zijn niet alleen misdaadcijfers van belang, maar ook meer inzage in mogelijke verklaringen hiervoor. Oorzaken voor woninginbraken kunnen bijvoorbeeld liggen in straatverlichting of veel voorkomen bij bepaalde typen woningen wat weer input geeft voor andere ruimtelijke ordening.
Er is veel discussie over bredere uitwisseling van gegevens en samenwerking. Er zijn namelijk veel gegevens waarvan bekend is dat die er toe doen, maar die niet gebruikt mogen worden om redenen van privacy. Voorspellingen van onveiligheid worden beter als locaties (woonadressen) van veelplegers worden meegenomen. Maar ook risico-profielen van gezinsleden van bekende ‘jeugdcriminelen’ maken een vroegtijdige (en gerichte) preventieve aanpak mogelijk. Ook op een hoger abstractieniveau kunnen geanonimiseerde gegevens over bijvoorbeeld werk en inkomen (uit het Suwinet) helpen om het DNA van de buurt beter te begrijpen en erop in te spelen. Gegevens van de belastingdienst of van woningcorporaties dragen ook bij aan dat inzicht. Doelbinding houdt deze mogelijkheden nu tegen, ook al zou het gaan om geabstraheerde of geanonimiseerde gegevens.
Dataficatie = data fixatie?
Er is exponentieel meer data beschikbaar over de dingen om ons heen en steeds meer dingen uit onze omgeving produceren deze data (Internet of Things). Big Data uit een enorme diversiteit aan bronnen verteld ons steeds meer over menselijk gedrag en kan dit voorspellen. Toch is onze digitale glazen bol met data nog wat wazig. Er wordt hard gewerkt door grote partijen om dit te verbeteren en die ontwikkelingen gaan snel.
De ontwikkelingen zijn exponentieel op velerlei gebied: exponentieel meer data uit exponentieel meer bronnen (alleen al social media kent honderdduizenden verschillende soorten bronnen en dataformaten), steeds meer contexten van toepassing in een complexer wordende maatschappij met steeds meer techniek waar het gedrag van criminelen zich bovendien ook nog op aanpast. Hoe krijg je goede voorspellingen die inspelen op de steeds dynamischere wereld? Vroegsignalering en steeds meer real-time gegevens verwerken is daarin van belang, maar het blijven altijd voorspellingen die getraind zijn op basis van het verleden. Een nieuwe context laat zich moeilijk voorspellen.
Toch is het een gevaarlijke valkuil om vooral aan de technologische ontwikkeling te denken en alleen te blijven werken aan betere computervoorspellingen. Eerder al gaven we aan dat het pareto principe (de 80/20 regel) opgaat in de voorspellingen. Verbeteringen in de techniek zitten dus al snel in de marge. Het is veel belangrijker na te denken over de vraag hoe je met een enigzins betrouwbare voorspelling effectief aan de slag kunt gaan. Het slim inregelen van operationele inzet van mensen en slimme interventies is waar de crux zit. Zonder de juiste acties geen resultaat, hoe goed een voorspelling ook is.
Er zijn daarom al experimenten gaande waarin gekeken wordt hoe ook de juiste inzet door een computer aangestuurd kan worden. Dat gaat verder dan een vrijblijvende voorspelling, maar kent uiteraard ook risico?s. Flitshandel op de beurs laat zien hoe zoiets mis kan gaan, beurskoersen kelderen en worden gemanipuleerd enkel omdat de systemen volledig autonoom functioneren en geen verder besef hebben van context en daarom gewoon uitvoeren hoe ze zijn geprogrammeerd.
Humans in the loop
Toch zou predictive policing meer moeten zijn dan computers die een spelletje cluedo spelen met Big Data en boeven vangen met logisch redeneren. Want boeven aanhouden doen machines nog niet, daarvoor is een goede vertaling naar de operationele inzet van agenten op straat nodig. Heterdaadkracht leunt nog vooral op mensenwerk en daar zit nu juist de crux.
Een belangrijke vraag bij predictive policing is dan ook: Hoe kun je de feedback loop sluiten met informatie van de straat, van professionals en burgers? Ook een goede relatie tussen analisten achter het bureau en agenten op straat die samen zorgen voor het totale intelligence netwerk is essentieel. Zonder mensen sta je nergens met intelligence, en al helemaal in de huidige fase van predictive policing waarin alles nog in de kinderschoenen staat. Human in the loop by design is de essentie van het principe dat wij voorstellen, omdat we de mens als belangrijkste schakel in elke toepassing van predictive policing zien. Alle menselijke schakeltjes moeten ingebakken zitten in het ontwerp van predictive policing: denk aan de analisten, de leiding, beleidsmakers en de agenten op straat. Hoewel de menselijke schakel onder druk staat in de huidige informatiemaatschappij, is veel data die de politie nu gebruikt nog steeds door mensen verzameld, verwerkt en in context geplaatst. Analisten doen vervolgens diverse interpretatieslagen en mensen nemen besluiten op basis van deze adviezen waarna maatregelen door mensen worden genomen, die vervolgens weer door mensen worden beoordeeld op hun effectiviteit. Academici doen al honderden jaren onderzoek naar waarom mensen crimineel worden, en hoe ze zich dan gedragen. Waarom wordt al die informatie, bij al die verschillende mensen, overboord gegooid en platgeslagen tot cirkeltjes rond een positie uit een database?
Het gewoonweg toevoegen van meer data lost dit tekort aan kennis niet op. Correlaties en causale verbanden zijn altijd lastig te bevatten. In gebieden waar veel politie is, is statistisch gezien ook veel misdaad. Dat wil niet zeggen dat misdaad veroorzaakt wordt door de aanwezigheid van politie. Als je maar genoeg data toevoegt is er altijd wel een correlatie te vinden. Zo kun je het aantal moorden met behulp van stoom of hete vloeistoffen al jarenlang perfect voorspellen door middel van de leeftijd van de Miss America van dat jaar. Maar is dat een nog onbegrepen oorzakelijk verband, of gewoon toeval?
Als je de eigen (jarenlang opgebouwde) kennis van academici, analisten en mensen op de straat wil toevoegen betekent dit dat je daar expliciet van te voren al rekening mee moet houden. Dat betekent dat deze rol in de gebruikte methode(n) moeten inbakken anders komt de mens steeds meer langs de zijlijn te staan. Niemand snapt het systeem dan meer en je gaat ingrijpen ?omdat het systeem dat zegt?. Maar is dat wel voldoende voor een ?probable cause? (NL variant hiervan; een redelijk vermoeden hebben) om iemand staande te houden of zelfs aan te houden?
De mens is slimmer tot de het moment van singularity; het moment waarop computers niet alleen sneller of accurater kunnen rekenen, maar ook creatiever, slimmer en bewuster zijn dan mensen. Dat duurt nog minstens een decennium en zelfs dan is het de vraag of je iets dergelijks in handen van een machine wil leggen, want dan komt Minority Report wel heel dichtbij.
Verbreding van de toepassingen
Doordat steeds meer databronnen eenvoudig voor handen komen nemen de toepassingen ook toe. Zo kan alleen al de politie predictive policing methoden uitbreiden van veelvoorkomende criminaliteit en high impact crime naar ondermijning. En naast een thematische aanpak kan het ook in de opsporing individuele zaken helpen. Of een doorbraak leveren in hele reeks van zaken. Van zakkenrollers tot terrorisme, en van preventie en handhaving tot opsporing: mogelijkheden genoeg. En niet alleen de politie profiteert van predictive policing. De genoemde methoden zijn ook toepasbaar voor diverse andere veiligheidspartijen zoals gemeentes, veiligheidsregio?s, belastingdienst, maar ook het bedrijfsleven. Of bijvoorbeeld de Defensiehoek waar men ontdekte dat het gedrag van opstandelingen enigszins leek op dat van georganiseerde criminelen.
Een toepassingsvoorbeeld uit een andere hoek dan de politie is bijvoorbeeld een nieuw computermodel van TNO dat gebruikt werd om overlastsituaties in wijken te voorspellen en interventies te laten berekenen die het beste zouden moeten werken in die specifieke situatie.
De theorie is gebaseerd op Patricia L. en Paul J. Brantingham die zogenoemde crime attractors introduceerden. Dit zijn plaatsen die potenti?le overlastveroorzakers aantrekken, maar niet noodzakelijk zelf overlast veroorzaken. Een voorbeeld hiervan is een bankje in een park. Gekoppeld met de theorie van Richard Wortley die juist een verklaring voor de hoeveelheid criminaliteit in een gebied geeft werd een model gevormd. Deze laatste theorie is gebaseerd op crime precipitators. Dan gaat het om omgevingsfactoren die aanmoedigend werken op personen om overlast te veroorzaken. Een caf? en discotheek zijn daar logische voorbeelden van.
Ieder object, gebouw of gebied in een omgeving kan fungeren als precipitator, attractor, of allebei. Want precipitators cre?ren een bepaald niveau van overlast, terwijl attractors bepalen waar de overlast plaatsvindt. In een analyse voor regio Haaglanden, met data van onder andere hoeveiligismijnwijk.nl en Open Street Map? als databron voor omgevingskarakteristieken, bleken de 4 grootste bronnen van overlast bars, caf?s, fastfoodrestaurants en supermarkten te zijn, en hotels of buurthuizen een effectief middel om overlast te verminderen.
Democratisering
De gemeente Eindhoven gebruikt inzetkaarten die voor diverse doelgroepen gebruikt kunnen worden. Zo weten bijvoorbeeld de BOA?s (Buitengewoon Opsporings Ambtenaar) van stadstoezicht welke thema?s waar en wanneer kunnen spelen, zodat hun operationele inzet effectiever ingezet wordt. En burgers ervaren dit ook zo, men ziet merkbaar meer politie en hulp of toezicht daar waar nodig. Men is vaker en sneller op de juiste plek en tijd dan voorheen. Ook door meer en betere samenwerking en prioriteitstelling tussen instanties.
Maar waarom zijn predictive policing methoden niet ook toepasbaar voor bedrijven of burgers die in een Buurt Interventie Team (BIT) of met hun hond (project WAAKS) een rondje in de wijk doen en gericht kijken op de juiste plek en juiste tijd waardoor preventie veel effectiever zou kunnen worden? Welke informatie kun je hun geven? De vraag is natuurlijk of dat altijd wel gewenst is. Als je op huis-niveau kunt bepalen wat de dreiging is van een inbraak, wil je dan echt naar de bewoners communiceren dat er een grote dreiging is? Zelfs als die dreiging enkel een kans van 1 op 100 is?
Handelingsperspectief
Je staat in het rode vakje, en dan? Moet je nog langer wachten? En hoe veel langer dan? Waar moet je op letten? Waar moet je naar kijken? En wat moet je eigenlijk doen? Predictive policing ontbeert nu nog handelingsperspectief.
Voorspellingen maken is namelijk maar het halve werk. Algoritmes vangen geen boeven, dus het gaat er om wat je daadwerkelijk kunt met de voorspelling. En dat is juist hoe je de waarde van een voorspelling zou moeten bepalen. Het correct voorspellen is namelijk niet het primaire doel, effectief ingrijpen is dat wel. Logischerwijs is de waarde van een voorspelling dus heel iets anders dan de correctheid. Daarom zou ook het doel niet moeten zijn om modellen te ontwikkelen die zo goed mogelijk kunnen voorspellen, maar om modellen te maken die leiden tot een zo groot mogelijk effect als er naar gehandeld wordt.
Je kunt zelfs interventies laten doorrekenen en meenemen in de voorspellingen. Bestaan er aantoonbare verbanden tussen patrouille-routes en inbraken? En kun je die informatie gebruiken om je interventies in te richten? Nog beter is zelfs om niet enkel de patrouille mee te nemen in de voorspelling, maar om juist de effectiviteit van de interventie zelf te voorspellen. Welke actie heeft nu een zo groot mogelijk effect? En logischerwijs hoe, en wat communiceer ik dan naar diegene die de interventie dan gaat uitvoeren?
Privacy, transparantie en rechtmatigheid
Er zijn ook nog een aantal aandachtspunten op het gebied van privacy, transparantie en rechtmatigheid. Allereerst is het van belang om te bekijken wat de toepassing van de analytische software betekent voor de privacy van individuele burgers. Dat is met name het geval wanneer gebruik wordt gemaakt van real-time data. Dit impliceert namelijk dat in meer of mindere mate bewegingen van individuen of groepen gevolgd of inkaart gebracht kunnen worden. Indien gegevens herleidbaar zijn tot individuele personen is er sprake van persoonsgegevens en is de dataprotectiewetgeving van toepassing. Vanuit een breder perspectief zou een analyse op grond van artikel 8 EVRM aangaande het recht op eerbiediging van de persoonlijke levenssfeer van belang zijn. Ook al gaat het om de publieke ruimte, dan nog is de bewegingsvrijheid van het individu een recht dat door dit artikel beschermd wordt, omdat er ook de vrijheid is om jezelf vrij te bewegen. Een inbreuk op het recht op privacy is wel toegestaan, maar in die gevallen moet er een wettelijke basis voor bestaan en dient tevens aan proportionaliteit en subsidiariteit te zijn voldaan. Die toets is niet altijd eenvoudig. In het bijzonder wanneer, zoals in dit overzicht aangegeven, het causale verband tussen predictive policing en een daling van criminaliteit niet altijd eenduidig vast te stellen is.
Wat betreft transparantie is vereist dat beslissingen, zoals een preventief ingrijpen, te verantwoorden zijn. Ze zijn immers gebaseerd op een voorspelling of afweging. Algoritmen die tot een advies leiden zullen niet altijd even doorgrondelijk zijn. Bovendien geven voorspellingen vaak een probabiliteit aan. Het zijn dus geen harde, feitelijke waarheden, ook al zullen ze in een groot deel van de gevallen juist zijn. Juist daarom is het van belang om de systemen als hulpmiddel te gebruiken om effici?nter en gerichter te kunnen werken. De systemen zijn niet per s? leidend, dat is de kennis en kunde van de ervaren politieagent.
Dan moet de rechtmatigheid van de systemen bekeken worden. Welke waarborgen worden ingebouwd in het systeem of in de organisatie die een systeem gebruikt om te zorgen dat er geen vergissingen worden gemaakt? En in het geval dat er toch iets misgaat, hoe wordt dat dan opgelost? De voorspellingen zijn gebaseerd op patronen en wanneer het om specifieke groepen of personen gaat om profielen. Die profielen zijn ook gemiddelden en geen harde waarheden. Het gevolg kan echter wel zijn dat mensen doordat ze aan een profiel voldoen of daarbij worden ingedeeld een ?stempel? krijgen en verdacht zijn. Of op zijn minst extra aandacht krijgen. Dat zijn risico?s die zoveel mogelijk vermeden moeten worden. In de praktijk kan dit immers betekenen dat latente vooroordelen expliciet worden, omdat causale verbanden onbewust aan die vooroordelen worden gekoppeld, ongeacht of dat terecht is. De onvoorspelbaarheid van een systeem maakt dat er ook extra waarborgen tegenover moeten staan. Een belangrijk deel daarvan bestaat uit de rechtmatigheidstoets. Hoeveel waarde of bewijswaarde kan worden toegekend aan een voorspelling van een systeem en hoeveel aanvullend bewijs is vereist? En wat voor bewijs dan?
Vandaag?beginnen?
Gecontroleerd gaan proberen is gelukkig goed mogelijk. Het is een veilige methode. Je kunt zelfs eerst theoretische tests doen voordat je de praktijk ingaat. Je kunt bestaande producten gebruiken maar met de juiste kennis ook zelf aan de slag. De instap is nu nog laag, omdat het nog eenvoudige methoden betreffen. Als je iets vind of bouwt dat lijkt te werken is het van belang om parallel daaraan de mensen in de loop te nemen. Analisten, maar ook mensen die beslissingen mee nemen op leidinggevend niveau en in de uitvoering.
Je kunt?beginnen door een competitieve test uit te voeren, voor een systeem?kiezen en dat langzaam uitrollen. Dat laatste is belangrijk, omdat mensen een gevoel?moeten krijgen voor de mogelijkheden van het systeem. Invoering van Prescriptive Policing?vraagt dus om professionalisering van de politie. Pas als men meetbaar maakt wat het?effect is van een interventie wordt de stap naar het vierde implementatieniveau mogelijk. De?innovatie moet stapsgewijs plaatsvinden in publiek-private samenwerking met leveranciers?en kennisinstellingen, waarbij in Living Labs wetenschappelijke kennis wordt toegepast in de?politieomgeving, samen met technologieleveranciers.
Vooruitkijkend liggen er op meerdere vlakken nog kansen. Bijvoorbeeld de gemeente Eindhoven is goed op weg om een van de vele Smart Cities te worden die gebruik maakt van Big Data mogelijkheden om inwoners beter van dienst te zijn. Maar deze ontwikkelingen moeten nog regionaliseren, om grotere patronen te ontdekken. Een stad als Eindhoven kan veel leren van intelligence uit omliggende gemeenten en andersom, vooral omdat de mensen overal doorheen stromen en criminelen zich ook niet aan de stadsgrenzen houden. Verderop gelegen liggen uiteraard landelijke inzichten en onderlinge benchmarks van gebieden die op elkaar lijken en ook internationale samenwerking.
Door: Arnout de Vries, programmamanager intelligence en social media specialist en Selmar Smit, data scientist, beiden werkzaam bij TNO
