В ноябре 2022 года OpenAI представила ЧатGPT, усовершенствованный инструмент обработки естественного языка (НЛП), основанный на искусственном интеллекте (ИИ). Эта технология облегчает взаимодействие, которое очень похоже на человеческие разговоры, отвечая на запросы с высокой степенью точности и актуальности.
НЛП, важнейшая область ИИ, позволяет компьютерам понимать, генерировать и изменять человеческий язык. Он использует крупномасштабные языковые модели (LLP), такие как ChatGPT, которые обучаются на обширных наборах данных. Модель большого языка может отвечать на вопросы и помогать пользователям различными способами (например, написать статью, написать речь, написать рекомендательные письма, составить фитнес-план, разработать маршрут отпуска и т. д.).
По мере развития этих моделей преимущества в различных отраслях, включая правоохранительную деятельность, становятся все более очевидными. Эти модели, обученные на огромных объемах данных, могут генерировать последовательный и контекстуально релевантный текст, что делает их бесценными инструментами в различных секторах, особенно в правоохранительных органах. В этой статье рассматриваются потенциальные применения программ LLM, уделяя особое внимание их роли в полицейской деятельности, особенно при написании отчетов.
Обзор основных языковых моделей
LLM, включая GPT-4 или ChatGPT OpenAI, разрабатываются с использованием широкого спектра онлайн-текста. Однако, в отличие от людей, им не хватает способности думать или понимать содержание. Эти модели работают, обнаруживая закономерности в обучающих данных и выдавая ответы, отражающие эти выявленные закономерности.
Одно из наиболее многообещающих применений LLM в правоохранительных органах — написание отчетов. Офицеры тратят значительное количество времени на составление отчетов. LLM могут помочь офицерам в выполнении этой задачи, создавая последовательные и подробные отчеты на основе информации, предоставленной офицерами.
Офицеры, известные в профессии как «обычные отчеты», могут эффективно вводить данные о кражах, кражах со взломом, хранении наркотиков, простом нападении, вандализме и некоторых других мелких уголовных правонарушениях. Могут быть также разработаны системы сообщения о более сложных преступлениях.
Подход, основанный на шаблонах
Подход на основе шаблонов особенно полезен для рутинных отчетов, таких как простые кражи, хранение наркотиков и нападения. Он обеспечивает структурированный формат, которому должны следовать офицеры, гарантируя, что вся необходимая информация будет зафиксирована. (В конце статьи вы найдете PDF-файл с примерами контроля шаблонов написания отчетов.)
По словам профессора Яна Роджерса из Университета Южной Каролины, некоторые соображения при использовании ChatGPT:
- Выберите шаблон: Офицер или сотрудник общественных служб выбирает предварительно отформатированный шаблон, соответствующий происшествию, о котором они сообщают. Эти шаблоны разработаны с учетом эффективности и содержат четкие разделы для важной информации, такой как подробности инцидента, вовлеченные люди, доказательства и подробности того, что произошло.
- Заполните детали: Далее офицер заполняет основную информацию в нужных местах шаблона. Это помогает предоставить контекст ChatGPT и сохранить порядок в отчете.
- Обратитесь за помощью к ИИ: Обращение за помощью — краеугольный камень функциональности ИИ. ChatGPT анализирует информацию, которую сотрудник ввел в шаблон, и любые другие соответствующие данные, которые он предоставил, а затем генерирует контент, который точно соответствует шаблону. Это чрезвычайно полезно для офицеров при создании истории.
- Просмотрите и отредактируйте контент AI: Это критически важный шаг. Офицер просматривает контент, созданный искусственным интеллектом, чтобы убедиться, что история точна и понятна. Если есть ошибки, офицер может запросить изменения с помощью системы искусственного интеллекта.
- Объедините шаблоны и ответы, сгенерированные ИИ: Как только контент будет принят к отправке, офицер объединит его с исходным заполненным шаблоном. Затем офицер распечатывает копии истории, созданной ИИ, а также шаблон для отчета. Это гарантирует, что инцидент документируется подробно и хорошо организованно, а целостность отчетности сохраняется.
- Завершите и отправьте: Наконец, офицер окончательно проверяет весь отчет, включая шаблон и описательную часть, и вносит любые исправления. Затем офицер заполняет отчет и отправляет его в соответствии с политикой ведомства.
В конце статьи приведен неисчерпывающий список контрольных списков для создания шаблонов LLM для написания отчетов в полицию. Эти контрольные списки можно создать и использовать при сопряжении с программой типа ChatGPT, которая, как мы надеемся, интегрируется с установленной RMS.
Важные соображения
При рассмотрении практического применения ChatGPT в правоохранительных органах важно решить потенциальную проблему: затраты времени, необходимые для использования ChatGPT для написания полицейских отчетов.
Хотя первоначальные наблюдения показывают, что время, затрачиваемое на ввод данных и последующую корректировку отчетов, созданных ИИ, не может значительно сократить время по сравнению с традиционными методами, у этого есть значительное преимущество. Эта технология может быть особенно полезна для офицеров, которые считают отчетность сложной задачей, поскольку потенциально предлагает экспоненциальную отдачу с точки зрения эффективности и качества отчетности.
Кроме того, нельзя упускать из виду универсальность ChatGPT в создании быстрых, адаптированных контрольных списков для различных сценариев в полевых условиях. Например, офицер, реагирующий на вызов о сексуальном насилии или на тактическую ситуацию, может быстро составить подробный контрольный список, такой как протокол расследования сексуального насилия, что повысит его готовность и уверенность в разрешении этих деликатных ситуаций.
Последним соображением является интеграция ChatGPT в существующие системы управления записями (RMS). Такая интеграция могла бы упростить обработку данных, повысить точность отчетов и повысить общую операционную эффективность, что станет значительным шагом вперед на стыке технологий искусственного интеллекта и работы полиции.
Дополнительные способы, которыми LLM могут повысить эффективность полиции
LLMS также можно использовать следующими дополнительными способами:
- Анализ данных: LLM могут помочь в анализе больших объемов данных для выявления закономерностей или тенденций, которые могут быть упущены из виду людьми, что потенциально помогает в прогнозировании и предотвращении преступлений. LLM могут анализировать огромные объемы данных для выявления закономерностей, которые могут иметь решающее значение для прогнозирования и предотвращения преступности.
- Сортировка экстренных вызовов: Чат-боты и другой искусственный интеллект могут использоваться для организации и координации некритических звонков, которые затем могут быть переданы на мобильный компьютер офицера с помощью компьютерной диспетчеризации.
- Стимулирование эмпатии: LLM можно запрограммировать на проявление сочувствия, обеспечивая более человечное взаимодействие. Это будет полезно в ситуациях, когда люди находятся в бедственном положении и нуждаются в утешении. Например, LLM можно использовать на горячих линиях для обеспечения немедленных, сочувственных ответов, пока звонящий ждет оператора-человека.
- наблюдение: Интеграция LLM в системы наблюдения посредством использования компьютерное зрение (область искусственного интеллекта, которая позволяет компьютерам понимать и интерпретировать визуальную информацию), которая может предложить потенциал для анализа записей наблюдения в реальном времени, помогая сократить время реагирования.
- обучение: LLM можно использовать для создания реалистичных сценариев обучения офицеров, помогая лучше подготовиться к реальным ситуациям. Табличные упражнения, основанные на предыдущих инцидентах с известными результатами, можно использовать для дальнейшего наполнения обучения известными контрольными списками.
- Диктант: Использование LLM в сочетании с услугами диктовки может помочь в длительных расследованиях полиции или внутренних дел. Интегрируя LLM со службами диктовки, офицеры могут эффективно расшифровывать интервью, встречи и полевые записи, сокращая время, затрачиваемое на ввод данных вручную.
Заключение
Развитие LLM открывает огромные возможности в различных отраслях, включая правоохранительную деятельность. Поскольку эти модели становятся все более интегрированными в повседневную жизнь, важно использовать их потенциал со взвешенной ответственностью, гарантируя, что технология используется этично и эффективно.
Хотя LLM предлагает множество преимуществ, существуют проблемы и этические соображения. Необходимо устранить опасения по поводу конфиденциальности, потенциальных злоупотреблений и надежности контента, созданного ИИ. В контексте правоохранительной деятельности решающее значение имеет обеспечение того, чтобы программы LLM не увековечивали предвзятость.
Эта быстро развивающаяся технология требует постоянного обучения и анализа для обеспечения точности ответов. Кроме того, то, что эксперты называют галлюцинациями, может возникнуть, когда в чате появляются ответы, которые могут показаться правдой, но сфабрикованы ИИ. Кроме того, входные данные или данные, введенные в чат ИИ, немедленно становятся доступными его владельцу, Open AI.
Персонал должен строго соблюдать правила и процедуры для защиты и сохранности важной информации. Большинство правоохранительных органов, вероятно, имеют некоторые рекомендации, которые в равной степени применимы ко всем видам деятельности в Интернете, включая неофициальное и личное использование Интернета. Это может включать использование LLM. Однако, если такая политика не существует или кажется неясной, специалисты по конфиденциальности должны инструктировать сотрудников о влиянии любого текста, изображений или видеоконтента на операционную или информационную безопасность, прежде чем публиковать их в Интернете.
Рекомендации
Адамс ИТ. (2023). Рабочий документ. LLM и искусственный интеллект для сотрудников полиции. Университет Южной Каролины.
Бейкер ЭМ. (2021). У меня есть свой ИИ: искусственный интеллект в верховенстве закона. Докторская диссертация, Монтерей, Калифорния; Военно-морская аспирантура.
Раджкомар А., Дин Дж., Кохане И. (2019). Машинное обучение в медицине. Медицинский журнал Новой Англии, 380 (14): 1347–1358.
Ён Э. (17 января 2018 г.). Популярный алгоритм предсказывает преступления не лучше, чем случайные люди. Атлантический океан
