Iscriviti alla newsletter: scopri tutte le storie di Studio!

Attualità Cultura Stili di Vita

Seguici anche su

+60k
+16k
+2k
Condividi su Facebook Condividi su Twitter Invia una e-mail

Combattere il crimine prima che accada

Si chiama Predictive Policing, e non è fantascienza ma realtà. Un programma che prevede dove si svolgeranno determinati crimini, già adottato dalla polizia di Los Angeles. Come funziona, e un po' di dubbi.

Se vivi negli Stati Uniti e vedi apparire un numero inusuale di Pop-Tarts alla fragola nel tuo Wal-Mart locale, nell’ordine: preoccupati, e cerca un riparo solido. Sta per arrivare un uragano. Quello che sembra un ingiustificato esempio di divinazione da supermercato ha in realtà delle radici scientifiche precise, e sta ispirando esplicitamente un nuovo approccio alla lotta al crimine: il predictive policing, ovvero prevedere dove verrà commesso un reato, per combatterlo in anticipo. Nato negli Stati Uniti, questo metodo d’indagine è in fase di importazione in Europa in questi mesi, con un progetto pilota della London Metropolitan Police.

Per capire come funziona, torniamo al Wal-Mart. Il percorso al contrario – dalle Pop-Tarts all’uragano – fa perdere molto in magia ma aggiunge in chiarezza. Succede che quando, sulla base di dati meteorologici, un algoritmo prevede l’arrivo di un uragano in una determinata zona, l’azienda manda in loco prodotti potenzialmente utili. Come nastro adesivo, acqua in bottiglia, e Pop-Tarts appunto, ovvero delle gallette dolci confezionate. Il vantaggio di queste ultime è che si possono mangiare fredde e durano a lungo. Il dettaglio del gusto è importante: non deriva da superstizioni che attribuiscono proprietà anti-tempesta ai dolci alla fragola, ma dal fatto che, con il tempo, Wal-Mart ha anche imparato dai propri clienti. In particolare, ha imparato che quelle alla fragola vengono comprate significativamente in quantità maggiore quando si prospetta un’emergenza, probabilmente perché piacciono ai bambini, particolarmente difficili da gestire in situazioni difficili. Applicando questa strategia non solo Wal-Mart ha ottenuto un guadagno maggiore fondamentalmente a costo zero, con una semplice allocazione delle risorse, ma ha anche ottimizzato i rifornimenti, mettendo in vendita quanto necessario, dove necessario.

Anche il “Se ti è piaciuto questo, ti piacerà anche…” di Amazon si basa sullo stesso meccanismo di combinazione dei dati dei consumatori, e facilita lo stoccaggio dei prodotti. Allo stesso modo, la polizia ha iniziato ad usare degli algoritmi che prevedono, basandosi su proiezioni di dati reali, dove più probabilmente avverrà un crimine, e di quale tipo. In tempi di scarsità di risorse, sapere dove indirizzare le pattuglie è un enorme vantaggio, e i primi risultati sono promettenti.

Senza aggiungere un agente ai 94 presenti a Santa Cruz, il primo esperimento permise di ridurre le aggressioni del 9%, i furti dell’11% e le rapine del 27% in sei mesi, secondo i dati della polizia.

Il software utilizzato si chiama PredPol, ed è stato sviluppato in California dal matematico George Mahler della Santa Clara University, e dall’antropologo Jeff Brantingham della University of California Los Angeles. Quest’ultimo, in passato, aveva utilizzato i pattern individuati dai biologi nel comportamento di branco degli animali selvatici, per mappare le gang cittadine. Il duo aveva avanzato la prima proposta in un articolo del 2010, in cui suggeriva di usare modelli matematici per prevenire il crimine, nello stesso modo in cui si predicono le scosse di assestamento dopo un terremoto. Il dipartimento di polizia di Santa Cruz, a corto di fondi, e alla ricerca di approcci non tradizionali all’ottimizzazione dello sforzo d’indagine, decise di fare una prova. Senza aggiungere un agente ai 94 presenti nella città, il primo esperimento permise di ridurre le aggressioni del 9%, i furti dell’11% e le rapine del 27% in sei mesi, secondo i dati della polizia. Il Los Angeles Police Department, che ha implementato il sistema subito dopo, ha riscontrato risultati simili. Talmente impressionanti da far inserire il predictive policing nella lista delle 50 invenzioni dell’anno di Time.

A dicembre del 2012, il programma è stato presentato alla polizia del Kent, una regione a sud-est di Londra, che ha avviato un gemellaggio con i pionieri di Los Angeles e Santa Cruz, ad agosto di quest’anno. I risultati, dicono le autorità locali, sono promettenti. Se tutto va bene, la polizia britannica inizierà ad usare il modello regolarmente a partire dal 2016, e ne diventerà ambasciatrice in Europa.

Il programma utilizza una combinazione di elaborazione di dati storici presi dagli archivi della polizia locale e teorie sulla distribuzione del crimine come quella del contagio, per cui una zona colpita frequentemente da un certo tipo di reato tende ad infettare anche le zone circostanti. L’output è la previsione del futuro criminale di aree da 500 piedi (circa 152 metri quadrati), visualizzabili dagli agenti di pattuglia e dal comando su una mappa. Il sistema ha bisogno di una quantità fra i 1.200 e i 2.000 singole entrate. Per ora prende in considerazione furti, aggressioni, e altri crimini da strada. In futuro, si potrebbero elaborare anche applicazioni più raffinate, utili a combattere il traffico di droga, il crimine organizzato, il terrorismo. Idealmente per prevenire, può servire anche solo per gestire le possibili conseguenze negative di azioni di polizia di vasta portata. L’uso dei dati per giocare d’anticipo non è nuova, fra le forze dell’ordine. Negli Stati Uniti, si usa già per la frode e la prevenzione del furto di identità. Collaborano con la polizia anche i social network, di nuovo sfruttando know-how proveniente dal marketing: le stesse aziende che un tempo aiutavano i Ceo a prendere il polso della percezione del proprio brand fra il pubblico web, ora fanno da consulenti nella previsione di sollevazioni sociali. L’Economist riporta che l’azienda americana ECM Universe vende un software usato per setacciare i rischi di estremismo dal web. In Egitto, analisi di Twitter hanno provato che si sarebbero potuti prevedere gli episodi di violenza della primavera araba, basandosi sul crescendo della polarizzazione dei tweet degli attivisti. Questi programmi fanno parte di una famiglia più ampia che include, sul versante del comportamento privato, un software uscito quest’anno che promette di prevedere dove chiunque sarà in un preciso momento nel tempo, basandosi sulle tracce virtuali dei movimenti passati.

Il programma si basa sugli arresti passati, ovvero su un’attività umana. Insomma, ha la stessa esperienza dell’insieme dei poliziotti, e la ripropone come verità matematica.

Nonostante questa inquietante discesa nella prevedibilità matematica del comportamento umano, uno scenario alla Minority Report è escluso anche dai più entusiasti sostenitori del predictive policing. La motivazione data dalle riviste della polizia è etica, non tecnica: per evitare abusi del concetto di comportamento sospetto, il modello viene usato per individuare aree e non persone, nonostante esistano delle correlazioni anche nelle singole carriere criminali. Ad esempio, in Virginia, l’analisi dei dati ha dimostrato che molte “Dna cold hits” (quando, facendo passare dati genetici trovati su una scena del crimine nel database dei pregiudicati, si trova un riscontro) sono legate a precedenti reati non violenti, come il furto.

Le critiche non si basano sulla coerenza interna del modello, quanto sulla relazione con il mondo esterno. Dai primi esperimenti in California è stato subito evidente quanto resti importante l’istinto del poliziotto: gli agenti con più esperienza avevano più successo nell’individuare persone sospette rispetto ai più giovani, utilizzando lo stesso sistema. Un occhio clinico utile ma non infallibile, dimostratosi incline al falso positivo e spesso viziato da pregiudizi che rischiano di rafforzarsi ulteriormente, complice la legittimazione matematica di PredPol. Il programma, infatti, si basa sugli arresti passati, ovvero su un’attività completamente umana. Insomma, ha la stessa esperienza dell’insieme dei poliziotti, e la ripropone come verità matematica. Con la conseguenza di trasformare l’attività giudiziaria in una profezia auto avverante.

Per fare un esempio classico: negli Stati Uniti il tasso di arresti per possesso di marijuana fra neri e latinos è enormemente più alto rispetto a quello di bianchi, a parità di consumo effettivo fra le due categorie. Questo avviene, naturalmente, perché i primi vengono controllati più frequentemente rispetto ai secondi. Ora, se si immettono questi dati in un sistema, le aree a prevalenza nera o latina diventeranno immediatamente le aree calde, fornendo nuova benzina ai comportamenti discriminatori, e dati freschi per gli archivi della polizia, su cui si baseranno le statistiche future, alimentando un loop potenzialmente infinito. Alcuni critici suggeriscono un illuminante esperimento mentale al contrario: è verosimile che piaceri illegali e costosi come cocaina e squillo siano diffusi principalmente fra chi se li può permettere, ovvero banchieri e manager di alto livello. Questi reati, però, vengono puniti raramente, perché avvengono in alberghi di lusso, yacht e residenze private. Se si verificasse un numero significativo di arresti in questo ambiente, gli hot spots di PredPol coinciderebbero con gli scenari dell’alta borghesia mondana, invece che con le zone povere delle grandi città.

Nessuno ha ancora proposto una soluzione convincente. Il problema di PredPol è l’ultima variazione di quelli posti da qualunque scenario tecnocratico, costruito sulla pretesa di basarsi sull’oggettività scientifica per gestire i comportamenti delle persone: i numeri saranno neutri, ma i dati – numeri a cui un’intelligenza umana attribuisce un significato – non lo sono mai.

 

Nell’immagine, un frame tratto dal film Robocop

54da1fe3c06675ff4ccfe97c_undici-logo-white.jpg