Η Τεχνητή Νοημοσύνη στην υπηρεσία της Εγκληματολογίας

Τα τελευταία χρόνια ένα από τα μεγαλύτερα τεχνολογικά επιτεύγματα που ακούει στο όνομα Τεχνητή Νοημοσύνη ή “ΑΙ” βρίσκεται σε κάθε πτυχή της καθημερινότητάς μας. Από απλές εφαρμογές πρόβλεψης του καιρού που έχουμε στα κινητά μας μέχρι σύνθετα μοντέλα πρόγνωσης σοβαρών ασθενειών αναπτύσσονται καθημερινά χάρη στις εξελίξεις στον χώρο της Τεχνητής ΝοημοσύνηςΤα τελευταία χρόνια ένα από τα μεγαλύτερα τεχνολογικά επιτεύγματα που ακούει στο όνομα Τεχνητή Νοημοσύνη ή “ΑΙ” βρίσκεται σε κάθε πτυχή της καθημερινότητάς μας. Από απλές εφαρμογές πρόβλεψης του καιρού που έχουμε στα κινητά μας μέχρι σύνθετα μοντέλα πρόγνωσης σοβαρών ασθενειών αναπτύσσονται καθημερινά χάρη στις εξελίξεις στον χώρο της Τεχνητής Νοημοσύνης.

Το βασικό ερώτημα «Τι είναι στην πραγματικότητα η Τεχνητή Νοημοσύνη και τι προσπαθεί να επιτύχει» πρέπει να απαντηθεί πριν αναφερθούμε στις Εγκληματολογικές εφαρμογές στις οποίες συνεισφέρει η Τεχνητή Νοημοσύνη. Σύμφωνα με τους Barr και Feigenbaum [1] μπορούμε να ορίσουμε την Τεχνητή Νοημοσύνη ως τον τομέα της επιστήμης των υπολογιστών που ασχολείται με τη σχεδίαση συστημάτων με νοημοσύνη. Δηλαδή, συστήματα που έχουν χαρακτηριστικά που εντοπίζουμε στην ανθρώπινη συμπεριφορά και σχετίζονται άμεσα με την ανθρώπινη νοημοσύνη.

Τέτοια χαρακτηριστικά που προσομοιάζει η Τεχνητή Νοημοσύνη και αποδίδονται στην ανθρώπινη αντίληψη και συμπεριφορά είναι η αντιληπτική ικανότητα μέσω της όρασης, η εξαγωγή συμπερασμάτων μέσω ανάλυσης έμμεσων στοιχείων, η κατανόηση της φυσικής γλώσσας κ.ά. Ένα στοιχείο της Τεχνητής Νοημοσύνης που την καθιστά ένα από τα σημαντικότερα επιτεύγματα της Ανθρωπότητας είναι η ικανότητά της να μαθαίνει. Ναι, όσα περισσότερα νέα δεδομένα λαμβάνει ένας αλγόριθμος Τεχνητής Νοημοσύνης τόσο καλύτερα αποδίδει. Όπως ακριβώς ο άνθρωπος!

Εξέχουσα θέση κατέχει η Τεχνητή Νοημοσύνη στον ευρύτερο τομέα της Εγκληματολογίας, όπου οι αλγόριθμοί της συνεισφέρουν σε μία ευρεία γκάμα εφαρμογών βοηθώντας τις Αρχές και τους ερευνητές να επιτύχουν γρηγορότερα και καλύτερα αποτελέσματα, αυτοματοποιώντας τις υπάρχουσες διαδικασίες. Σε αυτό το άρθρο θα δούμε κάποιες προχωρημένες εφαρμογές της Τεχνητής Νοημοσύνης που βασίζονται σε δύο κατηγορίες βιομετρικών χαρακτηριστικών.

Υπάρχουν δύο βασικές κατηγορίες βιομετρικών χαρακτηριστικών που χρησιμοποιούνται στην εξιχνίαση και την πρόληψη εγκλημάτων: τα φυσικά (physical) και τα συμπεριφορικά (behavioral) βιομετρικά χαρακτηριστικά.

Φυσικά βιομετρικά χαρακτηριστικά (Physical biometrics)

Τα φυσικά βιομετρικά χαρακτηριστικά είναι διακριτά, και κατά μία έννοια μετρήσιμα, χαρακτηριστικά του κάθε ατόμου, όπως για παράδειγμα το πρόσωπο, η ίριδα του ματιού, οι φλέβες της παλάμης, τα δακτυλικά αποτυπώματα κ.ά. Οι πληροφορίες που λαμβάνονται μετατρέπονται σε έναν κώδικα κατανοητό από το σύστημα Τεχνητής Νοημοσύνης που με τη σειρά του θα καταστήσει ικανή την ταυτοποίηση ενός ατόμου και κατ’ επέκταση την ενδεχόμενη εξιχνίαση ενός εγκλήματος.

Παρακάτω ακολουθούν κάποιες από τις πιο εξελιγμένες εφαρμογές φυσικών βιομετρικών χαρακτηριστικών που με τη χρήση αλγορίθμων Τεχνητής Νοημοσύνης συμβάλλουν στην εξιχνίαση είτε στην αποτροπή τέλεσης αδικημάτων, αλλά και στον έλεγχο ασφαλείας γενικότερα.

Αναγνώριση προσώπου (Face recognition)

Ένα βιομετρικό σύστημα αναγνώρισης προσώπου αναγνωρίζει και επαληθεύει ένα άτομο εξάγοντας και συγκρίνοντας επιλεγμένα χαρακτηριστικά προσώπου από μια ψηφιακή εικόνα ή ένα καρέ ενός βίντεο με μια βάση δεδομένων προσώπου. Για παράδειγμα, ένας αλγόριθμος μπορεί να αναλύσει την απόσταση μεταξύ των ματιών, το πλάτος της μύτης, το σχήμα των ζυγωματικών, το μήκος της γραμμής του σαγονιού κ.ά., και να κωδικοποιήσει τα αντίστοιχα δεδομένα τα οποία μπορούν στη συνέχεια να χρησιμοποιηθούν για την εύρεση των κατάλληλων αντιστοιχιών σε μια βάση δεδομένων.

Αναγνώριση φωνής (Voice recognition)

Η αναγνώριση φωνής διαφέρει από την αναγνώριση ομιλίας στο ότι η πρώτη αναγνωρίζει και προσδιορίζει έναν ομιλητή χρησιμοποιώντας χαρακτηριστικά της φωνής του και η δεύτερη αναλύει το περιεχόμενο των λεγομένων του ομιλητή. Τα βιομετρικά χαρακτηριστικά της φωνής περιλαμβάνουν τόσο φυσικά χαρακτηριστικά, όπως το σχήμα της φωνητικής οδού που είναι υπεύθυνο για την άρθρωση και τον έλεγχο της παραγωγής ομιλίας, όσο και χαρακτηριστικά συμπεριφοράς, όπως τον τόνο, τον ρυθμό κ.ά.

Αναγνώριση δακτυλικών αποτυπωμάτων (Fingerprint recognition)

Σε αυτήν την κατηγορία οι αλγόριθμοι αναζητούν συγκεκριμένα χαρακτηριστικά ενός δακτυλικού αποτυπώματος, όπως τα μοτίβα της κορυφογραμμής στο δάχτυλο, οι κοιλάδες ανάμεσα στις κορυφογραμμές κ.λπ., τα οποία στη συνέχεια μετατρέπονται σε ψηφιακά δεδομένα. Για να μπορέσουν τα συστήματα Τεχνητής Νοημοσύνης να προβούν σε αντιστοίχιση δακτυλικών αποτυπωμάτων για επαλήθευση ή εξουσιοδότηση θα πρέπει να βρουν επαρκή αριθμό λεπτομερειών. Αυτός ο αριθμός ποικίλλει μεταξύ των συστημάτων.

Αναγνώριση ίριδας (Iris recognition)

Η σάρωση της ίριδας του ματιού καταγράφει τα μοναδικά μοτίβα στις ίριδες και τους χρωματιστούς κύκλους στα μάτια των ανθρώπων. Οι βιομετρικοί σαρωτές αναγνώρισης ίριδας λειτουργούν φωτίζοντας την ίριδα με αόρατο υπέρυθρο φως για να συλλέγουν τα μοτίβα που δεν είναι ορατά με γυμνό μάτι. Οι σαρωτές ίριδας ανιχνεύουν και αποκλείουν τις βλεφαρίδες, τα βλέφαρα και τις κατοπτρικές αντανακλάσεις που τυπικά μπλοκάρουν τμήματα της ίριδας.

Στη συνέχεια, αναλύεται το μοτίβο των γραμμών και των χρωμάτων του ματιού για να εξαχθεί ένα μοτίβο που κωδικοποιεί τις πληροφορίες. Αυτό το μοτίβο ψηφιοποιείται και συγκρίνεται με αποθηκευμένα πρότυπα σε μια βάση δεδομένων για επαλήθευση ή αναγνώριση του εκάστοτε ατόμου.

Συμπεριφορικά βιομετρικά χαρακτηριστικά (Behavioral biometrics)

Τα συμπεριφορικά βιομετρικά χαρακτηριστικά χρησιμοποιούνται ως μηχανισμός αναγνώρισης: προσδιορίζουν τους ανθρώπους ανάλογα με τον τρόπο που αλληλεπιδρούν με διαδικτυακές εφαρμογές και συσκευές. Λειτουργούν παθητικά στο παρασκήνιο, καθιστώντας αδύνατο να παραβιαστεί ένας λογαριασμός, σε αντίθεση με τους κωδικούς πρόσβασης. Αξίζει να αναφέρουμε ότι οι τεχνολογίες που βασίζονται σε συμπεριφορικά βιομετρικά χαρακτηριστικά μπορούν να λάβουν περισσότερες από 2.000 παραμέτρους μόνο από μια κινητή συσκευή.

Παρακάτω ακολουθούν κάποιες από τις πιο εξελιγμένες μορφές συμπεριφορικών βιομετρικών χαρακτηριστικών που χρησιμοποιεί η Τεχνητή Νοημοσύνη σε πληθώρα εγκληματολογικών, και όχι μόνο, εφαρμογών της.

Η πίεση που χρησιμοποιεί κάποιος όταν πληκτρολογεί.
Ο τρόπος που ένα άτομο κρατά το τηλέφωνο.
H ταχύτητα που κάποιος χρησιμοποιεί το ποντίκι του υπολογιστή σε συνδυασμό με τα μοτίβα των κινήσεων που πραγματοποιεί.
Πώς ανταποκρίνεται ένα άτομο σε διαφορετικά ερεθίσματα που έχουν παρουσιαστεί από διαδικτυακές εφαρμογές.
Η χρήση συμπεριφορικών βιομετρικών χαρακτηριστικών έχει επεκταθεί στον έλεγχο ταυτότητας προκειμένου να παρουσιαστεί ένα ενιαίο πλαίσιο για την αξιολόγηση της εγκυρότητας για την είσοδο σε διαδικτυακές εφαρμογές υπό το φως των ακραίων παραβιάσεων προσωπικών δεδομένων, καθώς και για την ενεργοποίηση του ελέγχου ταυτότητας σε εφαρμογές πληρωμών.

Για παράδειγμα, κατά τη διάρκεια μιας τραπεζικής μεταφοράς, αλγόριθμοι Τεχνητής Νοημοσύνης μπορούν να αναλύσουν τα πλήκτρα εξετάζοντας την ταχύτητα, καθώς και ποια δάχτυλα χρησιμοποιούνται για πληκτρολόγηση, και μέσα σε λίγα λεπτά, μπορούν να δημιουργήσουν ένα προφίλ αρκετά ισχυρό για να επικυρώσει έναν χρήστη.

Πηγή: https://www.csii.gr/cyber-security-month-i-techniti-noimosyni-stin-ypiresia-tis-egklimatologias/