Το νευρωνικό δίκτυο μαθαίνει να αναγνωρίζει τους εγκληματίες από τα πρόσωπά τους

Λίγο μετά την εφεύρεση της φωτογραφίας, μερικοί εγκληματολόγοι άρχισαν να παρατηρούν μοτίβα στις φωτογραφίες που τράβηξαν από εγκληματίες. Οι παραβάτες, είπαν, είχαν ιδιαίτερα χαρακτηριστικά προσώπου που τους επέτρεπαν να αναγνωρίζονται ως παραβάτες του νόμου.



Μία από τις φωνές με τη μεγαλύτερη επιρροή σε αυτή τη συζήτηση ήταν ο Cesare Lombroso, ένας Ιταλός εγκληματολόγος, ο οποίος πίστευε ότι οι εγκληματίες ήταν άγνωστοι που σχετίζονταν περισσότερο με τους πιθήκους παρά με τους νομοταγείς πολίτες. Ήταν πεπεισμένος ότι μπορούσε να τα αναγνωρίσει από χαρακτηριστικά που έμοιαζαν με πιθήκους, όπως ένα κεκλιμένο μέτωπο, ασυνήθιστα μεγέθη αυτιά και διάφορες ασυμμετρίες του προσώπου και τα μακριά χέρια. Πράγματι, μέτρησε πολλά θέματα σε μια προσπάθεια να αποδείξει την άποψή του, αν και δεν ανέλυσε στατιστικά τα δεδομένα του.

Αυτό το μειονέκτημα οδήγησε τελικά στην πτώση του. Οι απόψεις του Lombroso απαξιώθηκαν από τον Άγγλο ποινικολόγο Charles Goring, ο οποίος ανέλυσε στατιστικά τα δεδομένα που σχετίζονται με σωματικές ανωμαλίες σε εγκληματίες έναντι μη εγκληματιών. Κατέληξε στο συμπέρασμα ότι δεν υπήρχε στατιστική διαφορά.





Και εκεί η συζήτηση σταμάτησε μέχρι το 2011, όταν μια ομάδα ψυχολόγων από το Πανεπιστήμιο Cornell έδειξε ότι οι άνθρωποι ήταν πραγματικά πολύ καλοί στο να ξεχωρίζουν τους εγκληματίες από τους μη εγκληματίες, απλώς βλέποντας φωτογραφίες τους. Πώς θα μπορούσε να είναι αυτό αν δεν υπάρχουν στατιστικά διαφορετικά χαρακτηριστικά;

Σήμερα, λαμβάνουμε μια κάπως απάντηση, χάρη στη δουλειά των Xiaolin Wu και Xi Zhang από το Πανεπιστήμιο Shanghai Jiao Tong στην Κίνα. Αυτοί οι τύποι έχουν χρησιμοποιήσει μια ποικιλία αλγορίθμων μηχανικής όρασης για να μελετήσουν πρόσωπα εγκληματιών και μη εγκληματιών και στη συνέχεια το δοκίμασαν για να μάθουν αν θα μπορούσε να πει τη διαφορά.

Η μέθοδός τους είναι απλή. Τραβούν φωτογραφίες ταυτότητας 1856 Κινέζων ανδρών μεταξύ 18 και 55 ετών χωρίς τρίχες στο πρόσωπο. Οι μισοί από αυτούς τους άνδρες ήταν εγκληματίες.



Στη συνέχεια χρησιμοποίησαν το 90 τοις εκατό αυτών των εικόνων για να εκπαιδεύσουν ένα συνελικτικό νευρωνικό δίκτυο ώστε να αναγνωρίζει τη διαφορά και στη συνέχεια δοκίμασαν το νευρωνικό δίκτυο στο υπόλοιπο 10 τοις εκατό των εικόνων.

Τα αποτελέσματα είναι ανησυχητικά. Οι Xiaolin και Xi διαπίστωσαν ότι το νευρωνικό δίκτυο μπορούσε να εντοπίσει σωστά εγκληματίες και μη εγκληματίες με ακρίβεια 89,5%. Αυτά τα εξαιρετικά συνεπή αποτελέσματα αποτελούν στοιχεία για την εγκυρότητα των αυτοματοποιημένων συμπερασμάτων που προκαλούνται από το πρόσωπο σχετικά με την εγκληματικότητα, παρά την ιστορική διαμάχη γύρω από το θέμα, λένε.

φόβος για την τεχνητή νοημοσύνη

Οι Xiaolin και Xi λένε ότι υπάρχουν τρία χαρακτηριστικά προσώπου που χρησιμοποιεί το νευρωνικό δίκτυο για να κάνει την ταξινόμησή του. Αυτά είναι: η καμπυλότητα του άνω χείλους που είναι κατά μέσο όρο 23 τοις εκατό μεγαλύτερη για τους εγκληματίες από ότι για τους μη εγκληματίες. την απόσταση μεταξύ δύο εσωτερικών γωνιών των ματιών, η οποία είναι 6 τοις εκατό μικρότερη. και τη γωνία μεταξύ δύο γραμμών που χαράσσονται από την άκρη της μύτης έως τις γωνίες του στόματος, η οποία είναι 20 τοις εκατό μικρότερη.

Συνεχίζουν να σχεδιάζουν τη διακύμανση στα δεδομένα από εγκληματικά και μη εγκληματικά πρόσωπα σε έναν απλοποιημένο χώρο παραμέτρων που ονομάζεται πολλαπλότητα. Και αυτή η διαδικασία αποκαλύπτει γιατί ήταν δύσκολο να εντοπιστεί η διαφορά.



Οι Xiaolin και Xi δείχνουν ότι αυτά τα σύνολα δεδομένων είναι ομόκεντρα, αλλά ότι τα δεδομένα για εγκληματικά πρόσωπα έχουν πολύ μεγαλύτερη διακύμανση. Με άλλα λόγια, τα πρόσωπα του γενικού κοινού νομοθέτη έχουν μεγαλύτερο βαθμό ομοιότητας σε σύγκριση με τα πρόσωπα των εγκληματιών ή οι εγκληματίες έχουν υψηλότερο βαθμό ανομοιότητας στην εμφάνιση του προσώπου από τους κανονικούς ανθρώπους, λένε οι Xiaolin και Xi.

Αυτό μπορεί επίσης να εξηγήσει γιατί ορισμένα είδη στατιστικών δοκιμών δεν μπορούν να διακρίνουν μεταξύ αυτών των συνόλων δεδομένων. Πράγματι, ο Xiaolin και ο Xi δείχνουν ότι όταν συνδυάζουν εγκληματικά και μη εγκληματικά πρόσωπα για να δημιουργήσουν μέτρια πρόσωπα, φαίνονται σχεδόν πανομοιότυπα.

Αν και αμφιλεγόμενο, αυτό το αποτέλεσμα δεν είναι εντελώς απροσδόκητο. Εάν οι άνθρωποι μπορούν να εντοπίσουν εγκληματίες κοιτάζοντας τα πρόσωπά τους, όπως ανακάλυψαν οι ψυχολόγοι το 2011, δεν θα πρέπει να αποτελεί έκπληξη το γεγονός ότι τα μηχανήματα μπορούν να το κάνουν επίσης.

Η ανησυχία, φυσικά, είναι πώς οι άνθρωποι μπορούν να χρησιμοποιήσουν αυτές τις μηχανές. Δεν είναι δύσκολο να φανταστεί κανείς πώς αυτή η διαδικασία θα μπορούσε να εφαρμοστεί σε σύνολα δεδομένων, για παράδειγμα, φωτογραφίες διαβατηρίου ή άδειας οδήγησης για μια ολόκληρη χώρα. Τότε θα ήταν δυνατό να διαλεχθούν τα άτομα που προσδιορίζονται ως παραβάτες του νόμου, είτε είχαν διαπράξει έγκλημα είτε όχι.

Αυτό είναι ένα είδος Εκθεση μειονότητας σενάριο κατά το οποίο θα μπορούσαν να εντοπιστούν οι παραβάτες πριν διαπράξουν ένα έγκλημα.

Φυσικά, αυτό το έργο πρέπει να τεθεί σε πολύ πιο ισχυρές βάσεις. Πρέπει να αναπαραχθεί με διαφορετικές ηλικίες, φύλα, εθνότητες και ούτω καθεξής. Και σε πολύ μεγαλύτερα σύνολα δεδομένων. Αυτό θα βοηθήσει να ξεχωρίσει η πολυπλοκότητα των ευρημάτων. Για παράδειγμα, ο Xiaolin και ο Xi διαπιστώνουν ότι τα εγκληματικά πρόσωπα μπορούν να υποδιαιρεθούν σε τέσσερις υποομάδες, αλλά τα μη εγκληματικά πρόσωπα σε μόνο τρεις. Πώς κι έτσι? Και πώς αυτό διαφέρει σε άλλες ομάδες;

Και το έργο εγείρει σημαντικά ερωτήματα. Εάν το αποτέλεσμα κρατάει νερό, πώς εξηγείται; Γιατί τα πρόσωπα των εγκληματιών θα έχουν πολύ μεγαλύτερη διαφορά από αυτά των μη εγκληματιών; Και πώς μπορούμε να εντοπίσουμε αυτά τα πρόσωπα—είναι μαθημένη συμπεριφορά ή σκληρή συμπεριφορά που έχει εξελιχθεί;

Όλα αυτά προαναγγέλλουν μια νέα εποχή ανθρωπομετρίας, εγκληματικής ή άλλης. Την περασμένη εβδομάδα, οι ερευνητές αποκάλυψαν πώς είχαν εκπαιδεύσει μια μηχανή βαθιάς μάθησης για να κρίνει με τον ίδιο τρόπο όπως οι άνθρωποι εάν κάποιος ήταν αξιόπιστος κοιτάζοντας ένα στιγμιότυπο του προσώπου τους. Αυτή η εργασία είναι μια άλλη άποψη για το ίδιο θέμα. Και υπάρχει χώρος για πολύ περισσότερη έρευνα καθώς οι μηχανές γίνονται πιο ικανές. Η εξέταση του τι λένε τα ρούχα ή τα μαλλιά μας για εμάς είναι μια προφανής οπτική γωνία. Και οι μηχανές θα μπορούν σύντομα να μελετούν και την κίνηση. Αυτό αυξάνει τη δυνατότητα να μελετήσουμε πώς κινούμαστε, πώς αλληλεπιδρούμε και ούτω καθεξής.

Αναφ.: arxiv.org/abs/1611.04135 : Αυτοματοποιημένο συμπέρασμα σχετικά με την εγκληματικότητα με χρήση εικόνων προσώπων

κρύβω

Πραγματικές Τεχνολογίες

Κατηγορία

Χωρίς Κατηγοριοποίηση

Τεχνολογία

Βιοτεχνολογία

Τεχνική Πολιτική

Την Αλλαγή Του Κλίματος

Άνθρωποι Και Τεχνολογία

Silicon Valley

Χρήση Υπολογιστή

Περιοδικό Mit News

Τεχνητή Νοημοσύνη

Χώρος

Έξυπνες Πόλεις

Blockchain

Feature Story

Προφίλ Αποφοίτων

Σύνδεση Αποφοίτων

Δυνατότητα Ειδήσεων Mit

1865

Η Θέα Μου

77 Mass Ave

Γνωρίστε Τον Συγγραφέα

Προφίλ Στη Γενναιοδωρία

Βλέπεται Στην Πανεπιστημιούπολη

Επιστολές Αποφοίτων

Νέα

Εκλογές 2020

Με Ευρετήριο

Κάτω Από Τον Θόλο

Πυροσβεστική Μάνικα

Άπειρες Ιστορίες

Πανδημικό Τεχνολογικό Έργο

Από Τον Πρόεδρο

Θέμα Εξώφυλλου

Φωτογραφίες

Συνιστάται