venerdì 2 gennaio 2004
post nella sezione 4 - Ideazioni
XLAW ® - l'intelligenza artificiale per prevedere e prevenire i crimini nelle città
A valle di un studio durato più di venti anni che mi ha permesso di concepire una nuova teoria criminologica sui crimini urbani ovvero quelli che più incidono sulla percezione di sicurezza e sul sentimento di fiducia nelle istituzioni da parte del cittadino denominata "Teoria delle Riserve di Caccia", con il contributo di moltissimi soggetti del mondo della sicurezza pubblica e privata, del mondo accademico, criminologi, sociologi, urbanisti, pedagogisti, giuristi, informatici, economisti, medici ed anche della cittadinanza soprattutto quella attiva, è nata una soluzione tecnologica e metodologica per sperimentare, per la prima volta in Italia, la Sicurezza Urbana Predittiva, ovvero un approccio innovativo ai problemi di Sicurezza delle comunità che rivoluziona il metodo tradizionale di Prevenzione dell'illegalità diffusa, perché si basa sulla possibilità di poter Prevedere, con l'impiego d'Intelligenza Artificiale, scippi, rapine, furti, borseggi, truffe ed altri crimini di tipo predatorio che normalmente avvengono nelle nostre bellissime città.
XLAW®, consiste in un protocollo tecnico - metodologico, configurato per generare e disporre di allarmi Predittivi georeferenziati (GIS Geographic Information System) elaborati mediante un esclusivo modello di Machine Learning. L'innovazione consiste nel fatto che rispetto all'impiego di sistemi di allarme tradizionali (antintrusione, barriere elettroniche, videosorveglianza, ecc.) che per la sicurezza hanno il limite di poter essere considerati solo dopo che gli illeciti sono accaduti, il trovato permette di Prevenirli vigilando selettivamente e sequenzialmente secondo il principio di causa-effetto quei luoghi dove è scientificamente previsto che accada un illecito e non dove si pensi possa accadere o peggio, dove già accaduto.
Il progetto sin dall'inizio ha permesso di distinguere con maggiore precisione l'illegalità diffusa nelle città e comprendere che furti, rapine, scippi, borseggi, truffe ed altri delitti, hanno caratteristiche di ciclicità e stanzialità e possono essere previsti, se si è in grado di definire un'appropriata logica di previsione e di trasferirla ad un modello di apprendimento automatico Machine Learning, deputato ad elaborare alcune informazioni sulle dinamiche dei delitti e su quelle socio economiche dei contesti in cui essi accadono, al fine di tipitizzare i modelli criminali e decodificare il disegno criminoso all'origine di eventi delittuosi dinamici ed evolutivi in aree urbane.
Frutto di anni di studio multidisciplinare, il modello si basa su principi euristici e su di un evoluto procedimento di apprendimento automatico mai sperimentato prima per analizzare ed affrontare il rischio criminale, verificato e validato indipendentemente da due atenei e da più strutture di sicurezza.
Il modello sorpassa tutti gli approcci sinora noti come quello del crime linking, del calcolo probabilistico e della elaborazione su carta topografica di zone cittadine a maggiore incidenza criminale (hot spot) i quali, presentano aree grige e criticità di tipo etico e funzionale. La sperimentazione e la valutazione indipendente del trovato da parte di più strutture di sicurezza e di due università, ha permesso di riscontrare trasparentemente che basando le attività sulla selettività e sequenzialità dei controlli in virtù delle previsioni elaborate secondo il modello, è possibile prevenire i crimini più efficacemente rispetto al metodo tradizionale.
Attraverso un articolato framework, il trovato è stato introdotto per la sperimentazione indipendente in alcune divisioni operative di sicurezza di undici città italiane ed impiegato secondo un protocollo denominato SICUREZZA 4P© o in breve S4P©. Con l'obiettivo di migliorare l'attività di Prevenzione dei crimini nelle aree urbane secondo un diverso paradigma e grazie alla possibilità di poter Prevenire gli illeciti Prevedendoli facendo uso d'Intelligenza Artificiale, sono stati predisposti i controlli sul territorio in maniera selettiva e sequenziale e pertanto con dinamica precisione e puntualità rispetto al grado di rischio, rivoluzionando il metodo tradizionale. Il supporto operativo dell'Intelligenza Artificiale, ha infatti permesso agli operatori di acquisire maggiore consapevolezza del rischio e capacità decisionale direttamente sul campo, senza attendere ordini che inevitabilmente possono giungere in ritardo e la leadership nella quotidiana disputa con il reo, limitando selettivamente e sequenzialmente il disegno criminoso nel tempo e nello spazio.
I risultati ottenuti con la sperimentazione, si situano in quel progressivo itinerario rinvenibile nella copiosa letteratura sulle dinamiche della deterrenza (Teoria dei Giochi). Molti studi dedicati a questo argomento infatti, dimostrano che per questi delitti la punizione del reo non dovrebbe essere il primo obiettivo da perseguire perchè il tentativo di infliggere la pena è casuale, costoso e produce scarsi risultati. Ciò che dovrebbe essere maggiormente valorizzato nella quotidiana disputa con il reo, è invece la deterrenza perchè di fatto essa è una pena che limita pesantemente il disegno criminoso e maggiori quindi dovrebbero essere gli sforzi per arrivare ad infliggerla con sistematicità. Infatti, se i potenziali autori di reato sono sufficientemente influenzabili, come questa sperimentazione è riuscita a dimostrare, allora aumentare la probabilità di condizionamento, non solo può ridurre l'ammontare della pena effettivamente inflitta ma ribalta una situazione, dal suo equilibrio di alta violazione, al suo equilibrio di bassa violazione. I risultati quindi, oltre al potenziale che offrono per ridurre la criminalità e la carcerazione, possono avere importanti implicazioni soprattutto per la corretta gestione del problema, quello dell'Insicurezza Urbana.
Il progetto di sperimentazione di XLAW®:
"XLAW® - l'intelligenza artificiale per prevedere e prevenire i crimini nelle città"
Lo studio alla base di XLAW® raccontato in un libro: