英格蘭東南部的肯特郡警方，正在嘗試利用計算機演算法來提升案件處理效率。這種演算法可以協助確定哪些案件是更可以有效解決的。使用這一演算法的警察部隊在調查效率上大約提升了一倍，節省了大量時間和資金。

有些人擔心演算法可能會干擾人的主觀判斷，並導致一些可以解決的案件被忽略掉了。所以，該工具目前僅用於評估攻擊犯罪和公共秩序犯罪等領域，但未來可能會擴充套件到其它犯罪領域。

當警方接受到報案時，通常會派人到現場核實情況。遇到真有犯罪時，會立即逮捕。但並非所有的報案都值得進一步調查。很多情況下，警察只能利用自己的經驗來決定是否需要進一步調查。

但是，由於EBIT出現，這裡的警方明顯可以處理更多的案件了。基於證據的調查工具（EBIT）演算法，可以得出犯罪可解決性的機率分數。

肯特警方是英國第一支試驗預測性警務的警察部隊。在使用EBIT之前，他們也曾嘗試使用另一種演算法預測犯罪。這種美國公司PredPol提供的專有機器學習演算法，用於預測5年內潛在的犯罪熱點，暗示可能發生犯罪的地區。肯特警方之前每年花費15萬英鎊與PredPol簽訂合同，但由於這項技術需要警察每天訪問520個熱點箱，但警方平均只能訪問了86個。因此缺乏全面的資料支撐，所以在去年肯特警方停止了使用該技術。

在實踐之後，肯特警方認為EBIT比PredPol提供的演算法，更具備操作性。

攻擊犯罪和公共秩序違法行為，佔肯特地區所有犯罪的三分之一左右，例如威脅街上的某人這樣的行為。而已使用EBIT來評估攻擊犯罪和公共秩序違法行為的可解決性，在其它資料不變的情況下，可以將原本靠人判斷的75%的逮捕率下降到40%。這將讓警力優先用在更有價值的調查上，畢竟案件是永無止境的，也不可能全部解決。

劍橋大學的麥克法齊恩，透過數千種攻擊犯罪和公共秩序案件資料來訓練EBIT演算法。其中確定了案件是否可以解決的8個因素，包括是否有證人，是否有監控錄影或存在具體嫌疑人等等。

由於這些因素會隨著時間推移而發生變化，因此EBIT建議每天抽樣調查一兩項演算法結果中的低解決性犯罪。這是對演算法有效性的一種盲測方法。

由於該技術的預測是基於過去的調查資料，因此演算法可以強化決策中包含的任何偏差。例如，EBIT發現有些地區沒有監控錄影，導致警察在這裡調查率低，這項因素可以得出這裡的人群可能存在安全性隱患。

“當我們對有關歷史逮捕或犯罪報告的資料進行演算法訓練時，資料中的任何偏差都將進入演算法，演算法將學習這些偏差然後變得更有效”加州斯坦福大學的洛夫特斯說。

所以盲測是幫助解決偏差問題的有效方法，但總會有些問題不容易解決，比如那些對警察不信任的社群，存在大量沒有報案的犯罪問題，這樣就缺乏有效資料支撐了。

肯特警方的負責人約翰·菲利普斯表示，雖然案件的資料樣本上有一定缺失，但對於EBIT所使用的犯罪型別，不影響工具的有效性和參考價值。

有收穫，請關注

@美國日誌