Tagarchief: voorspellend

Criminelen zijn zo voorspelbaar als 125 bij 125 meter

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

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. Agenten laten zich niet sturen door een algoritme
    Wanneer agenten zelf ervaren dat Predictive Policing een meerwaarde heeft, zullen ze de technologie eerder accepteren.

Bronnen: TNO Time, NOSop3, BNR, De Correspondent

Predictive policing: lessen voor de toekomst

ppHoorn

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

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

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

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

pp2

Lees of download hier het rapport:

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

Bronnen: Politieacademie

Computermodel voorspelt overlast in woonwijken – en wanneer die uitblijft

Computermodel_hoofdfoto

Misschien wel de beste oplossing tegen overlast in woonwijken: een computermodel om overlastsituaties te voorspellen.?Selmar Smit?van TNO ziet re?le kansen voor zo?n model. Daarmee kan een wijk overlastbestendig worden ontworpen. Bijvoorbeeld door een buurthuis te bouwen, of een park aanleggen.

Welke wetenschappelijk onderbouwde handvatten hebben gemeenten om overlast te voorkomen of bestrijden? Modellen om overlast te voorspellen kijken doorgaans naar de sociale en economische eigenschappen van een buurt. Maar ze leveren maar mondjesmaat praktisch bruikbare informatie. De modellen geven bijvoorbeeld geen antwoord op de vraag of ergens een buurthuis moet worden gebouwd, een uitgaansdistrict moet worden verplaatst, of een park moet worden aangelegd.

Het effect van dit soort ingrepen is namelijk zeer wisselend en sterk afhankelijk van de omgeving. Wat in de ene buurt tot overlast leidt, heeft niet noodzakelijk hetzelfde effect in een andere buurt. Zo zijn er nauwelijks meldingen van problemen bij caf? De Uylenburg aan de rand van Delft. Terwijl de caf?s in het centrum een paar kilometer verderop een hotspot van overlast vormen.

Overlastkaart belangrijk
Om te kunnen bepalen welke overlast een buurt kan verwachten, is het dan ook van belang om te weten welke gebouwen van een bepaald type op welke locatie(s) staan. Er kunnen 3 typen panden worden onderscheiden. Gebouwen die overlast cre?ren, die overlast aantrekken en die er geen enkel effect op lijken te hebben.

De 4 grootste bronnen van overlast blijken bars, caf?s, fastfoodrestaurants en supermarkten

Dit artikel laat zien hoe een computer met een voorspelmodel een zogenoemde overlast-heatmap?kan maken. En hoe die kaart in de praktijk werkt om overlastgevende locaties te identificeren en voorkomen.

2 theoretische verklaringen voor overlast
Op dit moment zijn er 2 theorie?n gangbaar die verklaren waarom op de ene locatie wel overlast plaatsvindt, en op de andere locatie niet.

  1. Patricia L. en Paul J. Brantingham introduceerden zogenoemde?crime attractors. Dit zijn plaatsen die potenti?le overlastveroorzakers aantrekken, maar niet noodzakelijk zelf overlast veroorzaken. Een voorbeeld hiervan is een bankje in een park.
  2. De theorie van Richard Wortley geeft juist een verklaring voor de hoeveelheid criminaliteit in een gebied. Hij doet dit met het begrip vancrime precipitators. Dan gaat het om omgevingsfactoren die aanmoedigend werken op personen om overlast te veroorzaken. Een caf? en discotheek zijn daar logische voorbeelden van.

Niet viswinkels trekken overlast aan, maar de pleinen in de directe omgeving

Nieuw voorspelmodel voor overlast
Een nieuw model van TNO gebruikt een wiskundige uitwerking van bovenstaande theorie?n. 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.

2 stappen naar overlastvoorspelling
In 2 stappen kan het computermodel een overlastvoorspelling voor een specifieke locatie maken.

pic1

Figuur 1 – Hoeveelheid overlast

Stap 1: Hoeveelheid overlast bepalen
Het caf? is rood gemarkeerd (zie figuur 1). Dit is een precipitator die een bepaalde hoeveelheid overlast kan veroorzaken in alle objecten binnen een bepaalde straal. Daarop duidt de rode balk. In hetzelfde gebied zijn ook 3 attractors aanwezig, namelijk parken. De afstand tussen de precipitator en de attractor ? en de hoogte van de aantrekkingskracht van de attractor ? bepalen hoeveel overlast er daadwerkelijk wordt aangetrokken. Dit is weergegeven in de blauwe balk. Het park dichtbij het caf? trekt een groot gedeelte van de overlast aan, terwijl het park rechtsonder ver genoeg weg ligt om overlastvrij te blijven.

pic2

Figuur 2 – Reikwijdte overlast

Stap 2: Reikwijdte van overlast bepalen
Overlast vindt meestal plaats in een gebied rond de attractor. Voor elk punt binnen de straal van dit gebied kan de hoeveelheid overlast worden voorspeld. De punten zijn aangegeven met een X (zie figuur 2). Vervolgens kan de hoeveelheid overlast in het gebied worden berekend door de effecten van alle attractors in een buurt op te tellen. Het punt in het midden, dat is weergegeven in de gele balk, trekt de meeste problemen aan. Voor de 2 buitenste punten wordt juist geen overlast voorspeld.

Beperkingen van bestaande overlastberekeningen
Maar er is een probleem bij dit soort berekeningen. Hoe weten we welke objecten een precipitator zijn? En welke een attractor? Hoe sterk is het effect van deze objecten? En hoe groot is de straal van verspreiding?

Een antwoord op deze vragen is afhankelijk van gegevens uit het verleden. Deze informatie laat zien waar overlast was, en welke objecten er in de buurt stonden. Deze gebouwen zijn niet noodzakelijkerwijs een precipitator of attractor. Maar met een zogenoemd zelflerend algoritme is dat wel te bepalen.

Oplossing: zelflerend algoritme
Een zelflerend algoritme is een geavanceerd computerprogramma dat in staat is om zelf te bedenken wat een goede oplossing is. Want het rekenmodel wordt ?beloond? bij goed gedrag. Goed gedrag betekent in dit geval: het kiezen van de juiste parameterwaarden om de overlast te voorspellen.

Buurthuizen blijken een effectief middel om overlast te verminderen

Hoewel het algoritme niet precies weet welke waarden correct zijn, zal het een patroon ontdekken door verschillende dingen te proberen en conclusies te trekken uit de beloningen. Dan blijkt onder welke omstandigheden (dat wil zeggen: bij welke van de aanwezige objecten) een hoge voorspelling gepast is.

Voorbeeld: overlast in haaglanden
TNO heeft de beschreven methode toegepast op data over overlastcijfers en omgevingskarakteristieken van de regio Haaglanden. Om zo een voorspelmodel voor de regio te ontwikkelen.

De input over overlast bestaat uit cijfers van hoeveiligismijnwijk.nl. Deze tonen het aantal meldingen op buurtniveau voor diverse vormen van overlast. Het gaat hierbij om jeugdoverlast, overlast van personen, drugsoverlast, geluidsoverlast en een aantal andere soorten overlast in 438 buurten in de periode van 2010 tot en met 2012.

OpenStreetMap dient als databron voor de omgevingskarakteristieken. De regio Haaglanden wordt daarin beschreven in 128 objecttypen met in totaal 10. 545 objecten. Denk aan de functie van gebouwen, en de aanwezigheid van pinautomaten, speeltuinen, bossen, parken en sportfaciliteiten. Met deze gegevens heeft het zelflerende algoritme de effecten van specifieke objecten op overlast in kaart gebracht.

4 grootste bronnen van overlast
De 4 grootste bronnen van overlast blijken bars, caf?s, fastfoodrestaurants en supermarkten. Dit zijn dus de grootste bronnen van overlast. Zolang er geen attractors in de buurt zijn, zoals in woonwijken, hebben ze weinig tot geen effect op de overlastcijfers. Maar in stadskernen en uitgaansgebieden zorgen deze objecten wel voor overlastplegers.

Viswinkels en gebedshuizen: 2 aantrekkers van overlast?
Viswinkels blijken verrassend genoeg de grootste aantrekkers van overlast te zijn. Toch is dit verband te verklaren. Pleinen zijn een notoire aantrekker van overlast, maar zijn niet opgenomen in de gegevens van OpenStreetMap. De viswinkels op de kaart blijken stuk voor stuk op of vlakbij pleinen te liggen.

Niet alle ‘groene’ oplossingen helpen: parkjes en speeltuinen trekken juist ook overlast aan

Daarmee fungeren ze in het rekenmodel als een vervanging van pleinen. Niet viswinkels trekken overlast aan, maar de pleinen in de directe omgeving. Een vergelijkbaar verband is te zien bij gebedshuizen. Ook deze liggen vaak op of bij een plein en worden daarom ten onrechte aangewezen als attractors.

3 effectiefste middelen tegen overlast
Hotels en rechtbanken hebben volgens het zelflerend algoritme van TNO een positieve invloed op overlast. Het ontmoedigende effect op overlastveroorzakers is merkwaardigerwijs het grootst in gebieden waar de overlast juist zeer hoog is. En buurthuizen? Die blijken inderdaad een effectief middel om overlast te verminderen.

Niet al het groen helpt tegen overlast
Het rekenmodel van TNO laat zien dat er verschillende mogelijkheden zijn om in woonwijken de overlast te verminderen. Bijvoorbeeld door kunst te plaatsen en plantsoenen aan te leggen. Maar niet alle ‘groene’ oplossingen helpen. Want parkjes en speeltuinen trekken juist ook overlast aan.

Conclusie: voorspellen ?n aanpakken
Het hier beschreven zelflerende algoritme vormt nog geen eindpunt. Er is behoefte aan extra gegevens om het inzetbaar te maken voor interventies en stadsontwerp. Die data zouden gedetailleerder moeten zijn dan nu beschikbaar is, en afkomstig zijn van verschillende stedelijke gebieden.

Natuurlijk kan het model ook voorspellingen doen over andere onderwerpen dan overlast. Zoals criminaliteit, zorg en welzijn. De voorspellingen daarover zouden dan kunnen worden meegenomen als kwantitatieve onderbouwing van de Veiligheidseffectrapportage. Dan kunnen ze worden gebruikt om concrete interventies te kiezen om overlast effectief te verminderen.

Bronnen: CCV Secondant

Misdaad voorspellen met Twitter

Sociale media zijn h?t middel van nu om foto?s, video?s, verhalen, gedachten en alles wat ons verder bezighoudt te delen met onze medemens. Of we die nu kennen of niet. Al die informatie kan ook voor allerlei andere doeleinden gebruikt worden. Als je in de reclamewereld werkt is alle informatie die vanuit de sociale media is te filteren goud waard. Ook voor de politie zijn sociale media waardevolle kanalen. Niet alleen om bewijsmateriaal bij elkaar te vergaren, maar ook om preventieboodschappen te verspreiden?om te voorkomen dat we slachtoffer worden.?Herman?plaatste op 19 april nog een?lezenswaardige tweet?over het voorkomen en bestrijden van criminaliteit met behulp van sociale media.

geo-afbeelding (Small) Lees verder

Predictive Policing: Big Data en voorspellend politiewerk

Een van de dingen waar de politie in de zeer nabije toekomst zeker mee te maken krijgt is predictive policing (voorspellend politiewerk) op basis van enorme hoeveelheden digitale gegevens. Een ontwikkeling uit de VS. Wat is dat precies? Heel in het kort: de politie heeft een enorme hoeveelheid gegevens (big data) over misdaden uit het verleden tot haar beschikking. Big data is een grondstof die nooit opraakt. Door hier een diepe analyse op los te laten kan de politie straks in combinatie met verfijnde algoritmen toekomstige misdaden voorspellen. Met andere woorden: op grond van predictive policing kunnen mensen straks worden opgepakt nog voor ze een misdaad hebben begaan. Dat is eng. Kan dat allemaal zo maar?

De politie van Los Angeles maakt bijvoorbeeld gebruik van de software PredPol. Die 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 eenheden (van 45 vierkante meter). Zo kan de politie dus per kleine oppervlakte 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.

Hier goede achtergrond documentaire:

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.

Gaat het hierbij vaak veelal om het voorkomen van inbraken, de politie van Seattle gaat al een stap verder. Daar worden alle kentekenplaten gelogd en in een database gestopt. Handig straks bij een misdaadonderzoek. Het stoplicht registreert haarfijn wie er in het verkeer over de schreef gaat en schrijft automatisch een bon uit (die dan wel weer door een politieman moet worden geautoriseerd). Een onbemand vliegtuigje om de boel vanuit de lucht in de gaten te houden haalde het niet. Dat vonden de burgers een te grote inbreuk op hun privacy. Twitter dient hier als een continue monitor, waarbij de burgers worden opgeroepen mogelijke misdrijven in hun wijk te melden. Ook via Twitter. Binnenkort strekt predictive policing zich ook uit tot het mogelijke gebruik van vuurwapens.

Achtergrond filmpje van de Economist over Predictive Policing:

Dan New York. Daar werkt de politie samen met Microsoft aan een zeer geavanceerde analysetool, het Domain Awareness System. Die analyseert straks de beelden van de meer dan 3000 politiecamera?s in de stad, 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. Het screenen van Facebook en Twitter op gangs is hier al standaard.

Uitleg Domain Awareness System

Ver van ons bed? Nee, want hier gebeurt het ook al. In het programma Politie en Wetenschap werkt de politie van Amsterdam samen met onderzoekers van het Centrum Wiskunde & Informatica en de Vrije Universiteit 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 in gebruik genomen door wijkteams en flexteams in Amsterdam. In onderstaande uitzending van Factchecker legt Dick Willems uit hoe het globaal werkt (na ongeveer 9 minuten in de uitzending): Zie ook hier

Het gevaar is wel dat de politie straks allerlei mensen gaat oppakken om vervolgens te zeggen: ja, dat moest van mijn algoritmen. De rechter zal hier natuurlijk 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.

Die trend van voorspelling is al lang aan de gang. 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.

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.

Vanuit een meer kritische blik bekeken is het weinig nieuws:

In Pauw en Witteman legt Peter de Kock uit hoe hij een voorspellend model maakte voor terroristische aanslagen, dat scenario?s van films en boeken kan combineren met die van criminaliteit- en terrorismebestrijding:

Tilburgpredictive

In 2010 schreef Carola Houtekamer in de NRC een interessant artikel over datamining bij de politie. Hier een achtergrondartikel van de leverancier.

In het Amerikaanse Richmond en Memphis stuurt de politie al agenten op pad aan de hand van statistische trendkaarten. New York heeft een Real Time Crime Center opgezet dat forecasting-technieken gebruikt, in Groot-Brittanni? en Canada investeren bedrijven in statistische programma’s als Daily Crime Forecast.

Verdiepingsartikel over predictive analysis of crime forecasting

Boek: Intelligence gestuurd politiewerk

Hier nog een aantal interessante links:

Watch more Susan Watts videos on Frequency