Διαχείριση τεράστιου όγκου δεδομένων, τεχνολογίες πρόγνωσης του εγκλήματος, διερεύνηση διαδικτυακών εγκληματικών αποτυπωμάτων και προηγμένα συστήματα βιομετρικής ταυτοποίησης. Σύμφωνα με πρόσφατη έκθεση της Europol, αυτά είναι ορισμένα από τα συστήματα τεχνητής νοημοσύνης (ΤΝ) που ήδη αξιοποιούνται από αρκετές υπηρεσίες επιβολής του νόμου.
Η συνεχώς αναπτυσσόμενη τεχνολογία της ΤΝ μπορεί πλέον, σύμφωνα με τη Europol, να εντοπίζει μοτίβα μη ανιχνεύσιμα από ανθρώπους, συμβάλλοντας στην αντιμετώπιση του εγκλήματος. Δεδομένου πάντως ότι σε αρκετές περιπτώσεις ελλοχεύει ο κίνδυνος της παραβίασης προσωπικών δεδομένων, η Europol παραδέχεται ότι ενδεχομένως κάποια από αυτά τα εργαλεία να χρήζουν περαιτέρω επεξεργασίας.
1. Ανάλυση εκατομμυρίων οικονομικών συναλλαγών
Μια από τις σημαντικότερες βοήθειες που μπορεί να προσφέρει η ΤΝ στις αρχές επιβολής του νόμου, είναι σύμφωνα με την Europol η ικανότητα ανάλυσης τεράστιου όγκου πληροφοριών. Είναι ενδεικτικό ότι όπως αναγράφεται στην έκθεση, «με τη χρήση εργαλείων ανάλυσης με βάση την Τεχνητή Νοημοσύνη, οι ερευνητές μπορούν να αναλύσουν εκατομμύρια οικονομικές συναλλαγές και να εντοπίσουν ανωμαλίες, όπως ύποπτες κινήσεις κεφαλαίων». Αναφορικά με τον ρόλο που τα συστήματα ΤΝ διαδραματίζουν ήδη στην ανάλυση ψηφιακών συσκευών, στην έκθεση αναγράφεται πως «απλώς και μόνο η εξέταση του όγκου δεδομένων που παράγεται από ένα μόνο smartphone είναι αδύνατη χωρίς τεχνική βοήθεια».
Με τη χρήση εργαλείων με βάση την Τεχνητή Νοημοσύνη, οι ερευνητές μπορούν να αναλύσουν εκατομμύρια οικονομικές συναλλαγές και να εντοπίσουν ανωμαλίες, όπως ύποπτες κινήσεις κεφαλαίων.
Η πλοήγηση σε μεγάλα και πολύπλοκα σύνολα δεδομένων μέσω συστημάτων ΤΝ μπορεί να σημαίνει σύμφωνα με την έκθεση, «την απομαγνητοφώνηση χιλιάδων ωρών αρχείων ήχου, την εξαγωγή οντοτήτων όπως ονόματα και αριθμοί τηλεφώνου από μηνύματα κειμένου χωρίς απαραίτητα να εξετάζεται το περιεχόμενο του μηνύματος…».
Η περίπτωση του EncroChat
Χαρακτηριστικό παράδειγμα ανάλυσης μεγάλων και πολύπλοκων συνόλων δεδομένων, μέσω εργαλείων ΤΝ, αποτέλεσε σύμφωνα με την έκθεση η επιτυχής εξάρθρωση του εργαλείου κρυπτογραφημένων επικοινωνιών EncroChat το 2020, που χρησιμοποιούνταν από πληθώρα εγκληματικών δικτύων παγκοσμίως. Μετά την εξάρθρωση του EncroChat, οι ερευνητές κατάφεραν να «αναλύσουν περισσότερες από 115 εκατομμύρια εγκληματικές συνομιλίες, από έναν εκτιμώμενο αριθμό 60.000 χρηστών». Παράλληλα, «μέσω προηγμένων αναλύσεων, οι υπηρεσίες επιβολής του νόμου μπόρεσαν να εντοπίσουν μοτίβα και συνδέσεις, που οδήγησαν στη σύλληψη 6.558 υπόπτων, συμπεριλαμβανομένων 197 στόχων υψηλής αξίας».
2. Προγνωστική αστυνόμευση
Μια επιπλέον πρόσφατη χρήση της ΤΝ είναι, σύμφωνα με την έκθεση, η «προγνωστική αστυνόμευση», που χρησιμοποιεί εξελιγμένες στατιστικές μεθόδους από τεράστια σύνολα δεδομένων. Αυτό το σύνολο δεδομένων το οποίο συγκεντρώνεται από τα αστυνομικά τμήματα από διάφορες πηγές, αναλύεται από μοντέλα Τεχνητής Νοημοσύνης. Στη συνέχεια, συγκεκριμένοι αλγόριθμοι παράγουν βαθμολογίες κινδύνου ώστε να προβλέψουν την τέλεση εγκλημάτων σε συγκεκριμένους χρόνους και τόπους. Μέσω αυτής της διαδικασίας, μπορούν επίσης να προβλεφθούν «τα άτομα που είναι πιθανότερο να εμπλακούν σε εγκληματικές δραστηριότητες». Σύμφωνα με την έκθεση, αυτή η προσέγγιση έχει ήδη κερδίσει έδαφος σε αρκετές χώρες της Ε.Ε.
Χαρακτηριστικό παράδειγμα η Ολλανδική Αστυνομία, που έχει ήδη αναπτύξει ένα σύστημα πρόβλεψης του εγκλήματος το οποίο βασίζεται στην Τεχνητή Νοημοσύνη. Το σύστημα διεξάγει εβδομαδιαίες αναλύσεις βάσει τοπικών και πρόσφατων δεδομένων, εξωτερικών πληροφοριών από κατοίκους, στατιστικών δεδομένων και «γνώσεων της αστυνομίας για εγκληματικές δραστηριότητες». Στόχος αυτού του συστήματος είναι «να εντοπίσει τα πρότυπα εγκληματικότητας, όπως μια υψηλότερη συχνότητα κλοπών ποδηλάτων σε μια συγκεκριμένη περιοχή που συμβαίνει από τις 9 το βράδυ έως τα μεσάνυχτα».
3. Διαδικτυακά εγκληματικά αποτυπώματα
Στην έκθεση αναφέρεται επίσης πως ένας αυξανόμενος αριθμός υπηρεσιών επιβολής του νόμου παγκοσμίως, χρησιμοποιεί εργαλεία νοημοσύνης ανοιχτών πηγών (OSINT), τα οποία αξιοποιούνται «από τη διερεύνηση και την ανακατασκευή διαδικτυακών εγκληματικών αποτυπωμάτων, έως την ανίχνευση εφαρμογών ιστού και τον εντοπισμό απειλών στα μέσα κοινωνικής δικτύωσης». Αυτά τα εργαλεία που χρησιμοποιούν προηγμένους αλγόριθμους Τεχνητής Νοημοσύνης και μηχανικής μάθησης, μπορούν μεταξύ άλλων, να «ανιχνεύσουν και να εξουδετερώσουν τρομοκρατική προπαγάνδα, παραπληροφόρηση, ρητορική μίσους και παράνομο διαδικτυακό περιεχόμενο», εντοπίζοντας σχετικά διαδικτυακά μοτίβα, λέξεις-κλειδιά και οπτικό περιεχόμενο.
4. Αποκρυπτογράφηση και ψηφιακό προφίλ
Ενας άλλος τομέας που η ΤΝ έχει δείξει σύμφωνα με την έκθεση θετικά σημάδια, είναι η αποκρυπτογράφηση δεδομένων, καθώς μπορεί «να προβλέψει πιθανά μοτίβα κρυπτογράφησης ή να επιταχύνει τη διαδικασία αποκρυπτογράφησης».
Παράλληλα, δεδομένου ότι ο μέσος άνθρωπος διασυνδέεται με πολυάριθμες συσκευές στο διαδίκτυο, «η ΤΝ μπορεί να εντοπίσει αυτές τις αλληλεπιδράσεις, δημιουργώντας ένα ολοκληρωμένο ψηφιακό προφίλ, που βοηθάει τους ερευνητές στην κατανόηση των συνδέσεων ενός ατόμου».
5. Καμία οπτική απόδειξη δεν περνάει απαρατήρητη
Η έκθεση καταγράφει παράλληλα τον τρόπο λειτουργίας συστημάτων ΤΝ που έχουν ήδη αναπτυχθεί και συνδέονται με την τεχνολογία της εικόνας. Για παράδειγμα, η ενσωμάτωση αλγορίθμων –με γνώμονα την ΤΝ– σε ζωντανές ροές βίντεο, μπορεί μεταξύ άλλων, «να ενημερώσει αμέσως το προσωπικό ασφαλείας για ύποπτες δραστηριότητες, όπως οχήματα κοντά σε ευαίσθητες θέσεις ή αφύλακτα αντικείμενα».
Η ενσωμάτωση αλγορίθμων –με γνώμονα την ΤΝ– σε ζωντανές ροές βίντεο, μπορεί «να ενημερώνει αμέσως το προσωπικό ασφαλείας για ύποπτες δραστηριότητες».
Προηγμένα συστήματα ΤΝ βοηθούν ήδη την κατηγοριοποίηση των εικόνων «σε ομάδες όπως “ύποπτες” ή “μη ύποπτες” ή ακόμη και την οργάνωσή τους με διαφορετικά θέματα, εκδηλώσεις ή χρονοδιαγράμματα». Αυτή η τεχνολογία σύμφωνα με την έκθεση, εξασφαλίζει ότι «κανένα κομμάτι κρίσιμης οπτικής απόδειξης δεν περνάει απαρατήρητο».
Η Τεχνητή Νοημοσύνη φαίνεται πως έχει συμβάλει στη ριζική αναμόρφωση και της τεχνικής αναγνώρισης προσώπου για εγκληματική ταυτοποίηση. Βάσει της έκθεσης, πλέον χρησιμοποιούνται αλγόριθμοι «για την εξαγωγή και ανάλυση ορισμένων χαρακτηριστικών προσώπου από εικόνες ή βίντεο για αντιστοίχιση και επαλήθευση ταυτοτήτων». Αυτή η τεχνολογική δυνατότητα, βάσει της έκθεσης, μπορεί να οδηγήσει ακόμη και στην εξιχνίαση υποθέσεων που είχαν βαλτώσει εδώ και χρόνια, εφόσον έχει αποθηκευτεί η εικόνα ενός υπόπτου ο οποίος δεν είχε έως τώρα ταυτοποιηθεί.
6. Βιομετρική ταυτοποίηση
Επίσης, έχουν δημιουργηθεί συστήματα ΤΝ που έχουν αναπτύξει σε τεράστιο βαθμό τη βιομετρική ταυτοποίηση. Κάποια από αυτά, σύμφωνα με την έκθεση, «μπορούν να κοσκινίσουν τεράστιες βάσεις δεδομένων των αρχείων δακτυλικών αποτυπωμάτων σε λίγα δευτερόλεπτα, παρέχοντας υψηλό βαθμό ακρίβειας», ακόμη κι αν πρόκειται για συγκεκριμένα σημεία σε ένα δακτυλικό αποτύπωμα.
Μπορούν να κοσκινίσουν τεράστιες βάσεις των αρχείων δακτυλικών αποτυπωμάτων σε λίγα δευτερόλεπτα, παρέχοντας υψηλό βαθμό ακρίβειας.
Αναφορικά με τη σύγχρονη αναγνώριση φωνής μέσω συστημάτων ΤΝ, στην έκθεση αναφέρεται ότι αυτή η τεχνολογία μπορεί να μετατρέψει «τις προφορικές λέξεις σε ψηφιακά μοντέλα που μπορούν να συγκριθούν με αποθηκευμένα φωνητικά μηνύματα. Σε πλαίσια επιβολής του νόμου, αυτό μπορεί να χρησιμοποιηθεί για να ταιριάζει με δείγματα φωνής από τηλεφωνικές κλήσεις ή καταγραφές…»
Ενας ακόμη αναδυόμενος τομέας χρήσης της ΤΝ είναι, σύμφωνα με την έκθεση, η ανάλυση βάδισης. Πρόκειται για μια τεχνολογία που «μελετά τον τρόπο με τον οποίο ένα άτομο περπατάει. Ακόμη και οι λεπτές διαφορές στη στάση του σώματος, το βήμα και τον ρυθμό μπορούν να καταγραφούν και να αναλυθούν», γεγονός που σύμφωνα με την Europol είναι «ιδιαίτερα χρήσιμο σε σενάρια όπου το πρόσωπο ή άλλες αναγνωρίσεις δεν είναι εφικτές».
«Ευθυγράμμιση με τα ηθικά και νομικά πρότυπα»
Στην έκθεση γίνεται η παραδοχή πως η ποιότητα των δεδομένων επηρεάζει κάθε σύστημα ΤΝ, καθώς «οποιαδήποτε διαστρέβλωση στα δεδομένα μπορεί εκούσια να οδηγήσει σε άδικα ή μεροληπτικά αποτελέσματα». Για παράδειγμα, «αν μια συγκεκριμένη γειτονιά ήταν ιστορικά, υπερβολικά αστυνομοκρατούμενη λόγω φυλετικών ή κοινωνικών προκαταλήψεων, ένα σύστημα ΤΝ που εκπαιδεύεται με αυτά τα δεδομένα θα μπορούσε να υποδείξει ότι η περιοχή είναι πιο επιρρεπής σε εγκληματικές δραστηριότητες».
Αυτός είναι ο λόγος που στην έκθεση αναγράφεται ότι «ενώ τα συστήματα Τεχνητής Νοημοσύνης είναι ικανά να επεξεργάζονται και να αναλύουν τεράστιες ποσότητες δεδομένων, η ανθρώπινη παρέμβαση είναι απαραίτητη για να διασφαλιστεί ότι η ερμηνεία των δεδομένων ευθυγραμμίζεται με τα νομικά και ηθικά πρότυπα».
Πρόκειται για κάποια από τα αρκετά ηθικά ζητήματα της χρήσης συστημάτων ΤΝ από τις υπηρεσίες επιβολής του νόμου, που επιδιώκει να λύσει το νέο κανονιστικό ρυθμιστικό πλαίσιο της Ε.Ε. για την Τεχνητή Νοημοσύνη το οποίο ψηφίστηκε από το Ευρωπαϊκό Κοινοβούλιο τον περασμένο Μάρτιο.
Βάσει αυτού του ρυθμιστικού πλαισίου, σύμφωνα με την έκθεση, «οι υπηρεσίες επιβολής του νόμου θα πρέπει να επανεξετάσουν και ενδεχομένως να τροποποιήσουν τα υφιστάμενα και μελλοντικά εργαλεία ΤΝ για να εξασφαλιστεί η συμμόρφωση. Ορισμένες εφαρμογές ΤΝ, όπως η βιομετρική ταυτοποίηση –μια μακροχρόνια πρακτική επιβολής του νόμου– αναμένεται να είναι αυστηρά περιορισμένες». Ταυτόχρονα, το νέο ρυθμιστικό πλαίσιο θα επηρεάσει, σύμφωνα με την έκθεση, «την ανάπτυξη μελλοντικών συστημάτων, καθιστώντας επιτακτική ανάγκη για την αστυνομία να συνεργαστεί στενά με τους ερευνητές και προγραμματιστές ΤΝ, καθώς και με εμπειρογνώμονες για ζητήματα δεοντολογίας και προστασίας της ιδιωτικής ζωής».
