La disponibilité croissante de données en temps réel et de logiciels d’analyse avancés pourvoit les autorités et la justice d’outils améliorés pour lutter contre la criminalité et renforcer la sécurité publique. Les experts estiment d’ailleurs que la technologie et les données constituent désormais des outils vitaux pour le maintien de l’ordre au 21e siècle. DIGITAL – Les autorités et les cabinets d’avocats se tournent vers le Big Data pour les aider dans bien des cas. Néanmoins, les lois sur l’utilisation du Big Data dans le système judiciaire ne sont pas toujours claires. Certes, uneanalyse large et approfondie des données peut constituer une aide précieuse dans la lutte contre la criminalité, mais elle soulève également quelques questions éthiques. Il faut avouer néanmoins que le Big Data présente bien des avantages. Il permet par exemple destocker et d’accéder plus facilement aux dossiers. Par ailleurs, grâce aux réseaux sociaux, les autorités peuvent avoir plus facilement des informations sur une personne, comme les photos par exemple, mais pas seulement. Certaines publications sur les réseaux sociaux peuvent être utilisées comme preuves qui pourraient condamner ou au contraire acquitter un accusé. Grâce à l’analyse d’un grand volume de données, les autorités pourront rechercher, trouver et vérifier facilement des informations. Au fur et à mesure que le monde se numérise, le Big Data gagne en utilité. Les systèmes d’analyse de données peuvent établir des connexions entre des points de données qui, à priori, n’auraient aucun lien. Aux États-Unis par exemple, certains systèmes juridiques commencent à utiliser ces analyses de données pour prédire la criminalité. Les autorités policières utilisent désormais un logiciel prédictif alimenté par le Big Data pour déterminer les zones rouges en termes de criminalité. Ils peuvent alors renforcer la sécurité si besoin. Dépendance aux données et inconvénients Malgré les avantages, l’utilisation du Big Data présente quelques problèmes éthiques, ne serait-ce qu’en termes de fiabilité des logiciels. Par ailleurs, si l’analyse des données en tant que concept ne fait l’objet d’aucun préjugé, la mise en œuvre repose malheureusement sur des personnes qui peuvent en avoir, ce qui peut biaiser les résultats. Les policiers par exemple sont plus susceptibles d’arrêter les Afro-Américains qui ne seront pas condamnés au bout du compte. Étant donné que certains algorithmes prennent en compte les arrestations enregistrées, ils pourraient déterminer que les Afro-Américains présentent un risque plus élevé, bien que ce ne soit pas vrai. On peut facilement, mais à tort, supposer que le Big Data est toujours fiable et objectif. Mais comme la société qui produit ces données est biaisée, le résultat de ces informations peut porter les mêmes préjugés. Si les systèmes judiciaires considèrent ces analyses comme une source objective de vérité, ils pourraient sans le savoir s’appuyer sur des conclusions biaisées. Le Big Data, un univers compliqué Le Big Data est un univers compliqué, en particulier dans les applications juridiques. D’une part, il permet de rationaliser et d’améliorer le processus juridique. Mais de l’autre, ce n’est pas toujours aussi précis. Si les tribunaux s’appuient trop sur l’analyse des données, ils risquent de fausser les jugements. Mais avec une compréhension de leurs préjugés inhérents, les systèmes juridiques pourraient utiliser ces technologies pour garantir une justice équitable et impartiale. De grandes quantités de données non structurées et riches sont collectées quotidiennement par la police et ses partenaires. Ces grands ensembles de données présentent des défis analytiques importants, mais offrent également d’énormes opportunités. L’objectif est d’exploiter cette ressource pour mieux comprendre et réduire la criminalité. Le vol et les agressions commis par les conducteurs de deux roues constituent un cas d’étude typique de l’utilisation du Big Data dans la criminalité. Grâce à l’analyse des données, les services de renseignement peuvent identifier de manière proactive ces nouveaux comportements criminels de façon plus claire et plus rapide, puis commencer à comprendre dans quelles conditions les malfaiteurs sont les plus susceptibles de commettre ces actes. Une technologie aux multiples potentiels En partenariat avec les services de police du comté de Yorkshire de l’Ouest (Angleterre), des chercheurs utilisent l’apprentissage automatique pour lutter contre la criminalité liée aux véhicules. Les chercheurs développent des moyens de reconnaître les véhicules avec des plaques d’immatriculation falsifiées, en comparant la marque, le modèle, l’année et la couleur authentiques d’un véhicule. Ceci, avec les enregistrements accessibles via les systèmes de reconnaissance automatique des plaques d’immatriculation. Cela leur permettra de signaler les véhicules qui sont susceptibles d’avoir été clonés et utilisés dans des activités criminelles. D’autres chercheurs développent des simulations informatiques avancées de la criminalité à l’aide d’une technique appelée modélisation à base d’agents. Ces modèles décrits comme des « sociétés synthétiques », peuvent être utilisés pour mieux comprendre le lien entre le comportement individuel des délinquants et des victimes ainsi que les tendances généralisées de la criminalité dans la société. En utilisant ces modèles, il est possible de réaliser des expériences impossibles à mener dans le monde réel. Ces modèles peuvent par exemple être utilisés pour mieux comprendre comment différentes configurations de réseau routier ou infrastructures de quartier peuvent augmenter ou réduire le risque de victimisation des personnes. Avec suffisamment de données et les moyens pour les interpréter, il pourrait même être possible de prévenir le crime avant qu’il ne se produise. Big Data et prévention du crime à travers le monde Les services de police commencent à utiliser le Big Data, l’apprentissage automatique et l’analyse prédictive pour comprendre et prévenir la criminalité, ce qui leur donne la possibilité de déployer des ressources policières en réponse aux menaces. Big Data et lutte contre le crime à Chicago Aux États-Unis, plusieurs initiatives dirigées par la police tirent le meilleur parti des informations de surveillance. Avec les données IoT, la police peut analyser les modèles et les tendances de la criminalité. En appliquant l’analyse prédictive et l’apprentissage automatique à de vastes ensembles de données, les services de police peuvent plus facilement prévoir où et quand les crimes violents éclateront et s’assurer qu’ils disposent des ressources nécessaires pour les prévenir. Le service de police de Chicago par exemple applique l’apprentissage automatique et l’analyse prédictive aux ensembles de données policières, y compris les incidents criminels, les arrestations et les données météorologiques. Lorsque l’historique des arrestations est combiné avec des données IoT en temps réel comme les caméras équipées de capteurs conçues pour détecter les coups de feu, il devient plus facile de localiser les problèmes et de comprendre les conditions dans lesquelles la criminalité évolue. HunchLab est un outil de prédiction géographique qui utilise la modélisation des données pour prédire les risques à des endroits spécifiques de la ville. Les zones à risque sont mises en évidence à l’écran, tandis que des recommandations pour des actions (déploiement d’une voiture de patrouille de police à haute visibilité pour faire le point sur la situation et dissuader les criminels par exemple) sont affichées à côté. Ces informations sont rassemblées dans un « système d’aide à la décision », mis à la disposition des policiers individuellement. IBM collabore avec le service de police de Manchester, dans le New Hampshire, pour anticiper la criminalité à l’aide du logiciel IBM SPSS Modeler. Jusqu’à présent, cette approche prédictive dévoile ses meilleures performances contre le cambriolage et le vol des voitures en stationnement. Suite à l’adoption de recommandations d’action préventive issues de l’analyse statistique, Manchester a signalé une réduction de 12% des vols qualifiés, de 21% des cambriolages et de 32% des vols de véhicules. Les cartes du réseau routier, par exemple, indiquent quelles sont les zones facilement accessibles qui peuvent faciliter la fuite, et lesquelles sont les plus fermées. Les données météorologiques jouent également un rôle important dans la prévision du moment où les vols auront lieu. Les voleurs par exemple n’aiment pas la pluie et sont plus susceptibles de commettre des crimes par beau temps. IBM i2 Coplink pour sa part permet de connecter les policiers. Cet outil consolide des ensembles de données disparates (tels que les enregistrements d’arrestations, les clichés photo, les données de localisation et les affiliations connues de gangs) dans un tableau de bord unique, à partir duquel la police postée à différents endroits peut afficher et partager facilement des informations vitales en toute sécurité. Cela réduit le risque de pertes d’informations dans une enquête complexe. Découvrir les menaces sur les réseaux sociaux Bien entendu, certains crimes sont nettement plus difficiles à anticiper, soit parce qu’il s’agit d’un acte totalement isolé et aléatoire, soit parce que leurs auteurs opèrent sous la protection de grandes organisations. Certaines attaques de cette nature partagent cependant des caractéristiques communes, parmi lesquelles l’exposition dans les médias sociaux. Cela peut aider à les signaler à l’avance. Beaucoup de criminels qui s’exposent sur Facebook laissent des traces précieuses pour les enquêteurs qui peuvent ainsi les repérer, les identifier et prévenir l’attaque. Cette approche présente cependant deux défis. Le premier est le volume considérable des contenus des médias sociaux, le nombre de publications se chiffrant en milliards. Deuxièmement, les réseaux sociaux seraient aujourd’hui le royaume de la mythomanie totalement décomplexé. Alors, comment faire la différence entre ce qui est dangereux et ce qui est simplement désagréable ? La technologie peut-elle aider à faire cette distinction ? Watson Analytics for Social Media analyse le sentiment social du contenu généré par les utilisateurs, identifiant les signes avant-coureurs et signalant les publications problématiques pour un examen approfondi. Cela signifie que seules les informations pertinentes sont transmises au personnel de l’Institut tactique, ce qui réduit considérablement le temps nécessaire pour identifier les menaces réelles. Maderpost ]]>
