Voiko tekoäly ennustaa rikollisuuden määrää historiallisten tietojen, säämallien ja muiden aistidatan perusteella ?

Tekoäly pystyy nykyään tuottamaan lyhyen aikavälin, paikallisia rikollisuusriskin ennusteita yhdistämällä historiallista tapahtumatietoa reaaliaikaiseen dataan, kuten säätietoihin, jalankulkijaliikenteen sensoreihin, sosiaalisen median vilinään sekä jopa laukausilmaisimiin. Nykyaikaiset järjestelmät käyttävät spatiaalitemporaalisiin malleihin perustuvia syväoppimismenetelmiä (esim. graafisia neuroverkkoja maantieteellisillä ruuduilla ja transformer-pohjaisia sekvenssimalleja), jotka ylittävät vanhemmat tilastolliset menetelmät useilla kunnallisten aineistojen mittareilla saavuttaen 15–30 % parannuksen tarkkuus-muistutusmetriikoissa seuraavan vuoron riskialueiden ennustamisessa. Näitä työkaluja on otettu käyttöön muutamissa Yhdysvaltojen ja Euroopan kaupungeissa, pääasiassa resurssien kohdentamisen tueksi yksilötason sijaan, ja niitä arvioidaan jatkuvasti oikeudenmukaisuuden ja harhaanjohtavuuden osalta vähemmistöasutusalueita kohtaan. Tällä hetkellä keskipitkän aikavälin ennusteet (viikkoja tai kuukausia eteenpäin) ovat huomattavasti epäluotettavampia, ja useimmat virastot käsittelevät tekoälymallien tuloksia päätöksenteon tukena pikemminkin kuin lopullisena todisteena.

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