Může umělá inteligence předpovídat míru kriminality na základě historických dat, povětrnostních vzorců a dalších senzorických údajů ?

AI nyní dokáže vytvářet krátkodobé, lokalizované předpovědi rizika kriminality sloučením historických dat o incidentech s reálnými zdroji, jako jsou počasí, senzory sledování pohybu chodců, sociální sítě a dokonce i systémy detekce střelby. Moderní systémy využívají prostorově-časové modely hlubokého učení (např. grafové neuronové sítě nad geografickými mřížkami a transformátorové sekvenční učitele), které překonávají starší statistické metody na několika městských datasetech a dosahují 15–30% zlepšení v metriku přesnost-úplnost pro úlohu předpovědi ohnisek kriminality v následující směně. Tyto nástroje jsou nasazeny v několika městech USA a Evropy, především pro alokaci zdrojů spíše než pro cílení na jednotlivce, a jsou předmětem průběžného hodnocení z hlediska spravedlnosti a předpojatosti vůči zanedbávaným čtvrtím. V současnosti zůstávají střednědobé předpovědi (týdny či měsíce dopředu) mnohem méně spolehlivé a většina institucí považuje výstupy AI za podporu rozhodování spíše než definitivní důkaz.

— Aktualizováno 12. května 2026 · Zdroj: National Institute of Justice — https://nij.ojp.gov/topics/articles/predictive-policing-what-we-know-and-what-we-need-know

Background

AI systems now generate short-term, localized crime-risk forecasts by combining historical incident data with real-time feeds such as weather patterns (temperature, precipitation), foot-traffic sensors, social-media chatter, and gunshot-detection arrays. Modern approaches leverage spatiotemporal deep-learning models—graph neural networks over geographic grids and transformer-based sequence learners—that have demonstrated 15–30 % gains in precision-recall metrics over older statistical methods on several municipal datasets for the next-shift hotspot prediction task. These tools are currently deployed in a handful of U.S. and European cities, primarily for resource-allocation purposes rather than individual-level targeting, and are subject to ongoing evaluation for fairness and bias against underserved neighborhoods. Medium-range forecasts spanning weeks or months ahead remain far less reliable, and most law-enforcement agencies treat AI outputs as decision-support rather than definitive evidence. Enriched May 12, 2026 · Source: National Institute of Justice