Οι μηχανικοί της Κολούμπια κατασκεύασαν μια νέα τεχνητή νοημοσύνη που καταρρίπτει μια μακροχρόνια πεποίθηση στην εγκληματολογία – ότι τα δακτυλικά αποτυπώματα από διαφορετικά δάχτυλα του ίδιου ατόμου είναι μοναδικά.
Αποδεικνύεται ότι είναι παρόμοια, μόνο που συγκρίνουμε τα δακτυλικά αποτυπώματα με λάθος τρόπο!
Οι ερευνητές ανέκαθεν χρησιμοποιούσαν τα δακτυλικά αποτυπώματα ως το χρυσό πρότυπο για τη σύνδεση εγκληματιών με ένα έγκλημα. Αλλά αν ένας δράστης αφήσει αποτυπώματα από διαφορετικά δάχτυλα σε δύο διαφορετικές σκηνές εγκλήματος, αυτές οι σκηνές είναι πολύ δύσκολο να συνδεθούν και το ίχνος μπορεί να είναι ψυχρό.
Είναι ένα ευρέως αποδεκτό γεγονός στην ιατροδικαστική κοινότητα ότι τα δακτυλικά αποτυπώματα διαφορετικών δακτύλων του ίδιου ατόμου–“αποτυπώματα εντός του ατόμου”–είναι μοναδικά και επομένως ασύγκριτα.
Μια ομάδα ωστόσο με επικεφαλής τον προπτυχιακό ανώτερο πτυχιούχο της Columbia Engineering Gabe Guo αμφισβήτησε αυτό το ευρέως διαδεδομένο τεκμήριο. Ο Guo, ο οποίος δεν είχε προηγούμενη γνώση της εγκληματολογίας, βρήκε μια δημόσια βάση δεδομένων της κυβέρνησης των ΗΠΑ με περίπου 60.000 δακτυλικά αποτυπώματα και τα τροφοδότησε ανά δύο σε ένα σύστημα που βασίζεται στην τεχνητή νοημοσύνη, γνωστό ως δίκτυο βαθιάς αντίθεσης. Μερικές φορές τα ζευγάρια ανήκαν στο ίδιο άτομο (αλλά διαφορετικά δάχτυλα), και μερικές φορές ανήκαν σε διαφορετικούς ανθρώπους.
Με την πάροδο του χρόνου, το σύστημα τεχνητής νοημοσύνης, το οποίο η ομάδα σχεδίασε τροποποιώντας ένα πλαίσιο τελευταίας τεχνολογίας, έγινε καλύτερο στο να αντιλαμβάνεται πότε φαινομενικά μοναδικά δακτυλικά αποτυπώματα ανήκαν στο ίδιο άτομο και πότε όχι. Η ακρίβεια για ένα μόνο ζευγάρι έφτασε το 77%. Όταν παρουσιάστηκαν πολλά ζεύγη, η ακρίβεια ήταν σημαντικά υψηλότερη, αυξάνοντας πιθανώς την τρέχουσα εγκληματολογική αποτελεσματικότητα πάνω από δέκα φορές. Το έργο, μια συνεργασία μεταξύ του εργαστηρίου Creative Machines του Hod Lipson στο Columbia Engineering και του εργαστηρίου Embedded Sensors and Computing του Wenyao Xu στο Πανεπιστήμιο στο Buffalo, SUNY, δημοσιεύτηκε σήμερα στο Science Advances .
Τα ευρήματα της μελέτης προκαλούν –και εκπλήσσουν– την ιατροδικαστική κοινότητα
Μόλις η ομάδα επαλήθευσε τα αποτελέσματά της, έστειλε γρήγορα τα ευρήματα σε ένα καλά εδραιωμένο ιατροδικαστικό περιοδικό, για να λάβουν απόρριψη λίγους μήνες αργότερα. Ο ανώνυμος ειδικός κριτής και συντάκτης κατέληξε στο συμπέρασμα ότι «Είναι γνωστό ότι κάθε δακτυλικό αποτύπωμα είναι μοναδικό» και επομένως δεν θα ήταν δυνατό να εντοπιστούν ομοιότητες ακόμα κι αν τα δακτυλικά αποτυπώματα προέρχονταν από το ίδιο άτομο.
Η ομάδα δεν το έβαλε κάτω. Διπλασίασαν το προβάδισμα, τροφοδοτούσαν το σύστημα AI τους ακόμη περισσότερα δεδομένα και το σύστημα συνέχισε να βελτιώνεται. Έχοντας επίγνωση του σκεπτικισμού της ιατροδικαστικής κοινότητας, η ομάδα επέλεξε να υποβάλει το χειρόγραφό της σε ένα ευρύτερο κοινό. Η εργασία απορρίφθηκε και πάλι, αλλά ο Lipson , ο οποίος είναι καθηγητής Καινοτομίας James and Sally Scapa στο Τμήμα Μηχανολόγων Μηχανικών και συνδιευθυντής του Makerspace Facility, άσκησε έφεση. «Συνήθως δεν αμφισβητώ τις αποφάσεις σύνταξης, αλλά αυτό το εύρημα ήταν πολύ σημαντικό για να αγνοηθεί», είπε. «Αν αυτές οι πληροφορίες ανατρέπουν την ισορροπία, τότε φαντάζομαι ότι θα μπορούσαν να αναζωπυρωθούν οι ψυχρές υποθέσεις, ακόμη και ότι αθώοι άνθρωποι θα μπορούσαν να αθωωθούν».
Αν και η ακρίβεια του συστήματος δεν επαρκεί για την επίσημη απόφαση μιας υπόθεσης, μπορεί να βοηθήσει στην ιεράρχηση δυνητικών πελατών σε διφορούμενες καταστάσεις. Μετά από περισσότερες πληροφορίες, η εργασία έγινε τελικά αποδεκτή για δημοσίευση από την Science Advances .
Μετά από προσεκτικές απεικονίσεις της διαδικασίας λήψης αποφάσεων του συστήματος AI, η ομάδα κατέληξε στο συμπέρασμα ότι η τεχνητή νοημοσύνη χρησιμοποιούσε ένα νέο είδος εγκληματολογικού δείκτη.
«Η τεχνητή νοημοσύνη δεν χρησιμοποιούσε τις διακλαδώσεις και τα τελικά σημεία στις ραβδώσεις των δακτυλικών αποτυπωμάτων – τα μοτίβα που χρησιμοποιούνται στην παραδοσιακή σύγκριση δακτυλικών αποτυπωμάτων», είπε ο Guo, ο οποίος ξεκίνησε τη μελέτη ως πρωτοετής φοιτητής στο Columbia Engineering το 2021.
Ο ανώτερος υπάλληλος της Columbia Engineering, Aniv Ray και ο διδακτορικός φοιτητής Judah Goldfeder, που βοήθησαν στην ανάλυση των δεδομένων, σημείωσαν ότι τα αποτελέσματά τους είναι μόνο η αρχή. «Απλώς φανταστείτε πόσο καλά θα αποδώσει όταν εκπαιδευτεί σε εκατομμύρια, αντί για χιλιάδες δακτυλικά αποτυπώματα», είπε ο Ρέι.
Η ομάδα γνωρίζει πιθανές προκαταλήψεις στα δεδομένα. Οι συγγραφείς παρουσιάζουν στοιχεία που δείχνουν ότι η τεχνητή νοημοσύνη έχει παρόμοια απόδοση μεταξύ των φύλων και των φυλών, όπου υπήρχαν διαθέσιμα δείγματα. Ωστόσο, σημειώνουν, χρειάζεται να γίνει πιο προσεκτική επικύρωση χρησιμοποιώντας σύνολα δεδομένων με ευρύτερη κάλυψη, εάν αυτή η τεχνική πρόκειται να χρησιμοποιηθεί στην πράξη.
Αυτή η ανακάλυψη είναι ένα παράδειγμα πιο εκπληκτικών πραγμάτων που προέρχονται από την τεχνητή νοημοσύνη, σημειώνει ο Lipson, . «Πολλοί άνθρωποι πιστεύουν ότι η τεχνητή νοημοσύνη δεν μπορεί πραγματικά να κάνει νέες ανακαλύψεις – ότι απλώς αναπηδά τη γνώση», είπε. «Αλλά αυτή η έρευνα είναι ένα παράδειγμα του πώς ακόμη και μια αρκετά απλή τεχνητή νοημοσύνη, δεδομένου ενός αρκετά απλού συνόλου δεδομένων που η ερευνητική κοινότητα είχε εδώ και χρόνια, μπορεί να παρέχει πληροφορίες που διέφευγαν από τους ειδικούς για δεκαετίες».
Πρόσθεσε: «Ακόμα πιο συναρπαστικό είναι το γεγονός ότι ένας προπτυχιακός φοιτητής, χωρίς κανένα υπόβαθρο στην εγκληματολογία, μπορεί να χρησιμοποιήσει την τεχνητή νοημοσύνη για να αμφισβητήσει επιτυχώς μια ευρέως διαδεδομένη πεποίθηση ενός ολόκληρου τομέα. Πρόκειται να βιώσουμε μια έκρηξη επιστημονικών ανακαλύψεων από μη ειδικούς και η κοινότητα των ειδικών, συμπεριλαμβανομένου του ακαδημαϊκού χώρου, πρέπει να προετοιμαστεί».
