有效打擊犯罪與警務工作成本的權衡——以美國預測性警察活動和人臉辨識系統為例

Finding the balance in effective crime-fighting and the cost of police service— Taking predictive policing and face recognition for examples

◎ 韓其珍(中央研究院博士後研究學者)

Photo by Scott Rodgerson on Unsplash

摘要

Covid-19疫情在2021年5月時轉趨嚴重,政府要求民眾在進入公共場所前應進行實名制登記,以及要求必須配戴口罩,亦要求業者配合政府,達到全民共同防疫的目標。6月開始,陸續發生因超商店員要求店內顧客確實配戴口罩,而遭受顧客暴打,甚至是殺害的事件。並於此期間,亦發生多起嚴重暴力及殺人事件,其頻率之高,引起輿論的恐慌。為求有效打擊暴力犯罪,各縣市政府在新一年度的年度預算中,提高了對警車、偵查車等的購買預算,以至於年度預算大幅增加。此時,我們應當反思,在追求有效打擊犯罪與日常警察活動的成本之間,應當如何權衡?近年美國學者同樣在檢討,美國為追求治安成效,致每年為預防恐怖攻擊及日常治安管理、警察活動,投入大量的人力、物力成本,卻忽略對成本效益的追求,是不恰當的。因此近年美國增加對人工智慧(AI)與警察公務的相結合,以提高日常巡邏、犯罪偵查的效率。2010年時,洛杉磯警察局(LAPD)與加利福尼亞大學洛杉磯分校(UCLA)共同合作開發預測性警察活動的電腦程式,並成功註冊PredPol公司,向其他各州銷售其軟體程式,令其前期開發程式時所投入的金錢及人力成本,達到收支平衡的狀態。本文欲藉由美國的成功經驗,給台灣未來在面對此問題時的積極建議。

關鍵字

預測性警察活動、人臉辨識系統、有效打擊犯罪、警務工作成本

Abstract

Covid-19 became serious in May of this year (2021). As a result, the government has required people to register with their real names and to wear their masks before entering public places. The government also requires businesses to provide a safe and healthy public place. From June of this year, the media reported that there were some incidents in which the Convenience Store Clerks have been beaten or killed by customers because the clerks asked customers to cooperate with the Prevention and Control of COVID-19 and require them to wear masks. At the same time, there were many serious incidents of violence and killings, the frequency of which have caused panic in public opinion. In order to effectively combat violent crimes, government has increased their purchase budgets for police cars and investigative vehicles in their annual budgets for the coming new year. Therefore, how should we balance the cost of effectively combating crime and the cost of daily police activities? In recent years, some American scholars indicated that the government has spent a lot of money of Costs Budget to prevent terrorist attacks and public security management every year. The government should find an alternative plan that can indeed effectively reduce the cost of daily police activities. Artificial intelligence (AI) can be used to improve daily patrols and criminal investigations. In 2010, the Los Angeles Police Department (LAPD) and the University of California, Los Angeles (UCLA) have jointly developed computer programs for predictive police activities, and they successfully registered with a company of PredPol and sold its software programs to other states. Although they invested a lot of money in the early development of the program, they now earn it back by selling the program. This article intends to build on the successful experience of the United States and provide positive suggestions for Taiwan in the face of heavy police budgets in the future.

Keywords

Predictive Policing; Face Recognition; Effective Crime- Fighting; The Cost of Police Service


一、 問題意識

誰敢相信呢,這年頭當超商店員也變成了高度危險的職業!

新型冠狀病毒肺炎(後稱Covid-19)在2021年5月中時,突然在台灣轉趨嚴峻,全國隨即進入三級警戒,為讓疫情盡可能地快速有效受控,政府頒布多項防疫措施加以應對,其中包括民眾欲進入超商、百貨公司等公共場所前,需先掃描QR Code發送「簡訊實聯制」,或以紙筆實名登記後,才得以進入公眾場所。進入公眾場所後,亦需配合強制配戴口罩的規定。因此,在公眾場所的工作人員們需肩負起主動敦促民眾配合相關防疫政策的角色。本來是政府及國人欲共同實踐全民共同防疫的美意,卻陸續爆出超商店員為勸導防疫政策,反而惹禍上身的事件。日前(6月30日),屏東超商女店員勸導客人,入店內應依規定配戴口罩,客人遂伸手施暴並挖女店員的雙眼,致其險些雙目失明1。在超商女店員尚在醫院接受治療,並未能出院之際,台中超商店員同樣因規勸客人配戴口罩而遭到暴揍,最後致其多根肋骨斷裂2,為了安慰被無辜暴力對待的店員及其家人,台中市長親自探視慰問,並譴責暴力行為,更承諾依法嚴辦的決心。只是台中市長的承諾言猶在耳之際,桃園市隨即再度爆發顧客為口罩爭執,最後刺死店員的事件3。除了超商店員遭受到嚴重的暴力對待,全台各地亦發生多起嚴重暴力及殺害事件。10月中於台北某住家大樓的電梯裡,女住戶因勸其鄰人在電梯內應配戴口罩,不料激怒對方並遭砍多刀,鄰人更模仿六月屏東的挖眼事件,動手挖女住戶的眼睛4。同月底,台中市發生20歲男子遭11名歹徒凌虐致死的事件,相隔不到十天又發生某男大生,因駕車途中不慎與另一行車發生擦撞,竟遭對方車上三名男子毆打致腦部重創,後送加護病房治療,在多日急救之後才脫離險境。

如此高密度的重大刑事案件層出不窮,證明了社會治安問題不能僅靠政治人物「出面道歉、譴責暴力、承諾嚴辦」,當務之急還是應擬定出科學的應對政策,反省過去警務活動的缺失,以達到有效預防及降低暴力犯罪的發生。那麼,中央及地方政府究竟為了有效打擊嚴重暴力犯罪制定了哪些應對措施呢?在三起超商店員被嚴重暴力對待的事件之後,花蓮縣警察局花蓮分局提倡「鼓勵巡邏員警超商用餐以提高見警率」,台東縣政府警察局大武分局則承諾將在轄區超商內放置警用大盤帽,以加強警察、超商、民眾之間的有效溝通5。以各地方分局自行想對策的方式,單純以鼓勵員警們「坐下來吃飯」以增加「警察在超商的曝光度」的方式,和鼓勵警察和超商之間緊密合作。並且,各地政府更以「加強打擊嚴重犯罪」為由,在今年底大幅增加明年之警察局的年度預算編列,以用於購買警車、偵查車,和用於警察活動之日常消耗品的採購等6。然而前述單純的僅以增加警察在超市的能見度,以及增加警車、偵查車的購買數量,卻嚴重忽略從犯罪學、犯罪心理學、刑事政策等專業出發,結合對於嚴重暴力犯罪特性的科學統計,及系統性的研究,是否能夠有效穿透治標以達到治本,有效預防未來嚴重暴力犯罪的發生,筆者抱持懷疑的態度。復查詢「警政統計查詢網7」,自民國104年至110年11月間,內政部公布的刑案總數,每年不斷遞減,尤其是在前述重大暴力犯罪發生的同月,台灣犯罪數字統計居然達到新低,這是否體現社會安全網的建置不如預期,政府過分追求刑事案件總數的降低,卻和現實中逐年手段越發兇殘的社會暴力事件出現落差,如此是否成為社會治安預測的盲區?

美國自從2001年發生911攻擊事件之後,發現精確的人臉及影像辨識系統可以增加破案的效率,美國政府遂加速發展AI與警察公務系統的開發及設置,其成效在2013年波士頓馬拉松爆炸案得到驗證。波士頓馬拉松爆炸案發生之後,波士頓警方透過精確的人臉辨識和影像確認系統,快速地鎖定犯罪嫌疑人並一舉破案,其效率深得民眾的信任。除此之外,近年不時發生警察暴力對待非裔美國人的新聞,導致民眾不滿警察,各地警察局的預算被大幅度的刪減,此時AI成為預算不足時的有效協助方案。在2010年前後,洛杉磯警察局(LAPD)和紐約市警察局(NYPD)採用以AI和大數據計算出之預測性警察活動、犯罪預測等系統,隨後又設置人臉辨識系統,據統計,前述的AI化改革有效的幫助兩地犯罪率的大幅下降。目前,在美國大數據警察活動的興起,將AI運用於犯罪偵查及預防,已經是趨勢。台灣在2014年才成立「巨量資料分析與運用小組」,而海量的犯罪資料分析、影像分析等技術,以及法源的問題,均尚在建構及推動之中8,本文欲藉由介紹並分析美國的預測性警察活動和人臉辨識系統的經驗,給我國做為借鑑,以期台灣能迅速地找到有效打擊犯罪與警務工作成本之間的平衡。

二、 美國的治安趨勢及投入成本反思

(一)治安趨勢

1. 國際排名

美國雖是世界第一強國,經濟實力也是長期處於世界領頭羊之一,此皆毋庸置疑,不過其國內的治安與國際間其他各國相比,卻難以說是乖寶寶的等級。從2021年Numbeo所公布之最新的「全球最安全國家」排名,美國僅位列第 128 名,與其他國家相比,在國際間排名敬陪末座,甚至與巴西、印度、中國等發展中國家並列。可見美國雖身為已開發國家,但是其治安情況實在難說為理想9。美國自 2016 年以來,每年在「全球最安全國家」的排名都均持續下降10。根據Numbeo11的研究及觀察認為,美國之所以從2016年開始,治安評比不如同年其他國家良好,日常生活安全度持續較低,問題的原因和癥結點在其國內的政治情況無法令民眾滿意,又因為經濟因素導致其國內的貧富懸殊的情況不斷擴大,生活滿意度大幅下降12,因此導致治安不佳,生活安全度偏低。目前,美國因為Covid-19疫情尚未平復,新型病毒Omicron目前以每日新病例超過 700,000 例的速度不斷擴散,並且死亡率不斷上升13。在可預期的將來,2022年甚至2023年的美國,伴隨Omicron持續肆虐,短期間之疫情難以完全過去,因疫情而導致大量的失業人口問題,無法在短期內獲得解決,經濟情況亦將持續低迷。疫情因素致原物料不足,政府因為疫情而不斷給予失業人口補助的政策,令通貨膨脹來到歷史新高,貧富懸殊問題持續惡化,美國的治安問題實在難以立即有突破性好轉的可能。

2. Covid-19疫情壟罩下的暴力犯罪統計

從2020年3月13日開始,隨著時任總統川普宣布全國進入緊急狀態14,Covid-19的擴散如同就此拉開了序曲,在全美一發不可收拾,每單週的確診數字和死亡數字不斷突破其前一週的紀錄,嚴重的疫情也令暴力犯罪增加。3月下旬,各州政府為因應嚴峻的疫情,隨之宣布各州境內的強制性居家令(stay-at-home order)15,各州更開始同步實施著寬嚴程度不同的防疫政策。直到今年(2021年)6月中,各州才開始逐步解封16,日常生活亦試圖慢慢步上正軌。從2020年3月至今,已經過去整整一年又九個月,照理說美國的日常生活應因為逐步解封,經濟景況亦應逐漸回到疫情前,但從今年12月初所公布之GDP可知,美國的經濟復甦卻不容樂觀17。多數民眾相信,在這麼久的疫情之後,更重要的是應該如何解決經濟持續委靡不振的問題,以及因疫情影響而產生的治安問題。美國政府為解決疫情影響下所產生的嚴重經濟問題,積極頒布各種以「救經濟」為目的的應對措施,包括但不限於在由川普前總統頒布,總共高達2.2兆美元的「新型冠狀病毒援助、救濟和經濟安全法」(CARES Act),以及由拜登總統頒布,總預算高達1.9兆美元的「美國救援計畫」(American Rescue Plan)法案。除此之外,為求讓美國整體經濟盡快重新步入正軌,聯邦及各州政府亦積極推動美國民眾施打第二劑和補充劑疫苗,由於疫苗的施打普及,美國各州開始陸續放開為控制Covid-19而下達的各種禁令。然而雖然學者們普遍認為,實體經濟將隨著人潮重回街頭而逐漸復甦,但因為「美國救援計畫」和「新型冠狀病毒援助、救濟和經濟安全法」兩項政策,讓美國市面上的熱錢過多,導致快速通膨,從12月公布之國內消費者物價指數(CPI)飆升至40年來新高,但是GDP和各種指數皆不如預期過多,可預見的經濟復甦的腳步不僅不如預期18,甚至可能更為倒退。由此可知,短期內的經濟問題無法得到立即的緩解,貧富懸殊的問題、生活滿意度極低的問題等等,都將持續綑綁著美國潛在的高犯罪率問題。

今年(2021年)6月中,美國各州開始逐步解封19,並根據不同州的疫情狀況,各州保持著以州為單位的,不同的防疫政策(包括口罩政策和人潮聚集數量的規定)20。而尚保留公共場所需配戴口罩之規定的各州,因按照規定配戴口罩始能進入公共場所,並應保持規定的安全社交距離,因此,公眾場所的工作人員,自然肩負起管理入場民眾遵守政府政策的責任,因此在美國亦發生多起與店員發生口角爭執,以及店員被毆打、被殺害的嚴重暴力事件。其中幾起嚴重的暴力事件包括,去年5月,密西根州發生一位商店的保全人員因不允許未配戴口罩的女性進入,而被其隨行的哥哥殺害,腦部中彈身亡21。今年4月於加油站的商店內,一名顧客因為被要求戴好口罩,而毆打店員,並且在這名打人者離開商店之後又折返回商店,搶奪店裡的食物並威脅殺掉店員22。6月時,位於美國喬治亞州的一間超市,再度發生因為店員要求顧客配戴口罩,雙方發生口角,客人離開又隨後折回超市拿出槍枝射殺女店員,女店員雖被送到醫院卻傷重不治23

據美國學者針對影響其全國犯罪率增減的觀察顯示,在剛開始進入全國性緊急狀態時,美國的犯罪率在極短期中確實有所下降24,然而短期下降的數據則像是曇花一現般,隨後便開始回升25。若聚焦分析美國境內凶殺案熱點區域的城市,並對凶殺案的熱點區域—芝加哥(Chicago) 和費城( Philadelphia),進行以Covid-19疫情發生後為時間軸的微觀之觀察,將發現從2020年1月1日到5月28日間,此兩城市的兇殺案數量,與2019年的同期(2020年1月1日至5月28日)相比,似乎沒有明顯的變化。但是當將統計時間拉長至整個2020年時,費城在2020年的兇殺案件數量,則比2019年(Covid-19發生前)增加了15%26。除了前述科學的數據統計,美國民調公司亦就「Covid-19對治安的影響」為民調題目,美國多數民眾均認為,Covid-19疫情已近進入此時,比起控制疫情,更重要的是如何搶救因疫情而帶來的嚴重失業問題27,以及嚴重激增的暴力犯罪問題28。並且,更令人擔憂的不僅是在2020年謀殺案的暴增,創下歷史紀錄29,更嚴重的是對有色人種,包括對非白人、具種族偏見的暴力犯罪及謀殺案件的激增問題30。不僅從科學的統計並加以分析,由於Covid-19為一個不可預測的突發新型變種病毒,其帶給社會經濟的衝擊巨大,導致百業蕭條併發嚴重的失業問題,亦造成暴力犯罪的激增。

3. 試用預測性警察活動和人臉辨識之後的犯罪率統計

根據試用了預測性警察活動的警局統計,導入AI系統以協助警察和刑事偵察活動是有利預防犯罪與打擊犯罪,並最終達到降低犯罪率的目標。其理由在於,在以AI進行預防性警察活動後,根據2010年最先試用預測性警察活動的曼非斯(Memphis)31和洛杉磯(Los Angeles)警察局統計,在兩地警察局試用預測性警察活動系統之後,與過去的犯罪數據進行對比,曼非斯與2006年以降各年的數據相比,到2010年底前,當地整體犯罪率減少了31%、暴力犯罪率減少了15.4%、劫車率下降了75%、商業搶劫率下降了67%。洛杉磯市自應用預測性警察活動系統和大數據犯罪預測模型的一年內,當地竊盜犯罪則迅速減少了33%、暴力犯罪減少了21%、侵財犯罪減少了12%。里奇蒙(Richmond)32警察局雖不是運用與前述的預測性警察活動一樣的系統,但其採用的是由IBM公司提供的「犯罪洞察和預防解決方案」,亦是運用電腦統計過去的犯罪數據,並結合運算而推算出來的犯罪預防方案。在試用後的12個月內,里奇蒙地區的暴力及殺人案件減少近30%。2013年7月份,亞特蘭大警察局在部署預測性警察活動系統和犯罪預測軟體之後,經統計,其所下轄兩個社區於當月的犯罪總量明顯的分別下降了8%和9%,其中的諾克羅斯(Norcross)警察局在同年的8月之後的四個月內,竊盜罪和搶劫罪的案件數量降低了15%~30%。而最先試用預測性警察活動的加利福尼亞州(California)的洛杉磯市警察局在取得良好的降低犯罪效果之後,同州的阿罕布拉(Alhambra)警察局在2013年之統計發現,竊盜罪和竊盜車輛的案件數量分別降低了32%和20%,並於2014年5月降至過去歷史最低水平33

從美國各地警察局在嘗試以AI輔助警察活動之後,經統計發現,均迅速的反映出犯罪數量明顯下降的趨勢,可見預測性警察犯罪系統運用AI及大數據的推算,對預防犯罪、打擊犯罪具有明顯的成效,因此,近幾年美國聯邦政府,包括美國各州政府及警察局,逐年增加以AI技術作為輔助警察活動、偵察的關鍵技術,甚至擴充到近年加大AI技術於刑事司法活動的輔助。雖然AI技術確實能有效的預測、預防犯罪行為及犯罪高發地區,因此能有效地降低犯罪率,並有效地打擊犯罪,但是,在美國各地警察局對AI的強烈依賴下,為購買、更新和維修預測性警察活動系統、犯罪預防系統、人臉辨識系統等的費用,已經逐漸增加,2020年及2021年均有多篇文章及新聞報導均在討論過高的系統建置和警務成本問題。而此問題的關鍵點其實是:「應當如何權衡有效打擊犯罪與警務工作成本?」

(二)投入成本

美國每年在警務工作上的花費超過1000億美元34,而這1000億美元的計算僅是硬性的年度開支,尚未包括近年美國政府所花費鉅資在維護其國內的其他反恐怖活動,及突發的重大案件的偵查費用。也就是說,在其全國納稅人的錢中,僅用於維持日常公共安全的費用,就高達1000億美元。前述的警務工作開支,僅是從聯邦及各州政府的預算中所統計得出,因此這些預算的編列和使用,皆會被國會及各州議會審查及檢視,然而,在今年(2021年)8月時,美國WIRED雜誌披露,從 2007 年開始,紐約市警察局長期以「特別行動基金」採購一系列AI監控工具,以及購買預測性警察活動系統、犯罪預測系統等裝置,而這筆基金的運用方式卻不需要經過議會的審查。根據 WIRED雜誌披露,美國紐約市警方購買了包括預測性警察活動軟體(predictive policing software)、犯罪預測系統(Crime prediction system),以及人臉辨識系統軟體(facial-recognition software)、NYPD X-ray vans35、Stingray phone tracker36等一系列AI監控工具37。這些設備,經過幾年陸續購買的累積,前前後後大約花費至少1.59億美元38,並且這筆預算是以「特別行動基金」支付,支付的金錢出自基金,而基金的運用不須通過市議會或其他市政官員批准,造成紐約市警方在購買這些物品時,不易受人民監督特點39。又根據MIT Technology Review(麻省理工科技評論)2021年4月的報導,紐約市警察局自2018年開始便與Clearview AI 面部識別系統簽訂了一份契約,並約定Clearview AI替紐約市警察局偵測人臉辨識,並利用網路及所建立的資料庫中超過30張照片、影像等數據,用以協助警察對犯罪嫌疑人、可疑人士、待追查面孔的識別40。紐約市警察局除了對人臉辨識系統的依賴,在2016 年時,紐約警察局與美國科學與工程公司簽訂了一份為期三年,價值750,000 美元的買賣契約,用以購買X-ray vans。X-ray vans原先的開發目的是用於對戰區檢測簡易爆炸裝置,用車輛掃瞄出最遠 可達1,500 英尺外的武器41。而Stingray phone tracker則是讓警察可以快速的定位追查者所在的位置,以此技術追蹤追查者不僅快速還隱密,讓被追蹤、被定位者不易察覺到警察的偵查。

那究竟美國及各地政府將金費用在開發及試驗哪些系統上呢?

三、 大數據警察公務的興起:AI運用於警察活動及犯罪偵查的起源

美國學者Ferguson在其書The Rise of Big Data Policing: Surveillance, Race, and the Future of Law Enforcement42(大數據警務的興起:監視、種族和執法的未來)中提倡,將大數據與廣泛的警務制度進行結合,並且對預防性警察活動有深入的研究。Ferguson是一位法律學者,專門以研究隱私權、美國憲法第四修正案、刑事訴訟法、警務技術等作為研究方向。而美國近幾年間大數據警察公務的興起原因大致有三:第一點,美國自從經歷2001年911恐怖攻擊事件,和2013年的馬拉松爆炸案之後,發現以大數據資料庫進行人臉及影像分析,以迅速釐清犯罪嫌疑人的重要;第二點,因為美國自從2016年發布National AI R&D Strategic Plan,期待人工智慧加速各行各業的提升,以提高國人的幸福程度;第三點,因為近年美國警察對非裔美國人的歧視,導致社會對警察的不信任,從而大幅刪減警察的預算43,因此以AI提高警察公務活動的效率,幫助降低警察的人力成本。

自從2001年發生911事件44後,美國政府開始重視美國長期暴露於蓋達組織恐怖攻擊的陰影之中,國際社會亦因為這起嚴重的攻擊事件,而開始重視反恐議題,嚴厲懲罰恐怖攻擊參與者的輿論聲浪頓時到達頂點。世界各國政府為有效預防及打擊恐怖攻擊的行為,加速案件偵查的進度,並提高偵查犯罪案件的破案率,皆開始積極研發以蒐集人體生物特徵(如:人臉辨識、影像分析、聲音分析),並放入大數據庫中,並在未來之警方辦案的過程中,以導入人工智慧(Artificial intelligence,後簡稱「AI」)技術輔助警察日常警務活動、偵查活動,讓AI能展現出低成本、高效率的優點,以補足人類智慧的不足。

到了2013年的波士頓馬拉松爆炸案45發生後,由於行為人之主觀的法敵對意識,和無差別攻擊的主觀惡性之巨大,被攻擊人數眾多的事實,令這起案件不僅成為美國國內的頭條新聞,更一躍成為國際重大新聞,可見波士頓警方的辦案壓力倍增。在國際和美國國內社會的關注下,波士頓警方以大量收集現場目擊者以相機、手機留下之影像、錄像資訊,並將案發鄰近處的路口監視器畫面等進行調查比對,並將前述資料傳送至警方的大數據資料庫,以進行搜尋分析、核對可疑人物,最後因人工智慧的技術協助,迅速的偵破馬拉松爆炸案。在偵查馬拉松爆炸案的過程中,警方大量的利用人臉辨識系統(face recognition)、人工智慧影像分析等技術(Intelligent Video Analytics),結合各項資訊系統所匯集成之海量資料(Big Data),協助檢索與可疑犯罪情資相關之人、車、物等標的,提升犯罪偵查與嫌犯查緝工作,是刻不容緩的議題。

四、 預測性警察活動軟體 Predictive Policing Software)

(一) 概念及由來

警務活動46在未以AI技術建立犯罪數據收集、分析和計算機建立模型之前,進能以警察自身的經驗和觀察,以及對管區的了解程度,做為日常巡邏和偵查案件時,基於時間和精力有限,或是偵辦案件有時間壓力,從而警察自己以經驗所進行的預測,以方便接下來的警察活動的展開。也就是說,在過去尚無AI技術的幫忙之下,傳統警察活動在運用人工智慧的技術之前,都僅是以人類智慧來進行對警察活動的預測,因為在過去即使沒有AI的大數據幫忙,警察的日常巡邏也不可能漫無目的地進行,因此大多警察活動的進行皆是依靠「經驗」。預測性警察活動軟體(predictive policing software)47就是將過去的人腦經驗,都輸入到電腦,並依託AI技術,將過去欲預測之區域的犯罪時間、犯罪地點、行為人類型、犯罪類型等紀錄收錄至大數據庫,並製作預測公式,讓AI自動運算出每日的犯罪熱點區域。關於詳細的預測性警察活動軟體(predictive policing software)之介紹,將於後文的「洛杉磯警察局」和「有效打擊犯罪—預測性警察活動軟體(predictive policing software)」此兩部分詳細展開。

有賴於近年AI技術的不斷提升,美國政府開始有意識的希望推動將AI技術帶入軍事、國安、犯罪偵查等領域,因此在2010年前後,洛杉磯警察局(LAPD)和紐約市警察局(NYPD)展開了以AI技術和大數據資料庫技術帶入預測性警察活動的嘗試。詳細的運作方式是將過去待預測地的犯罪的數據,包括曾經犯罪的時間、類型和地點,輸入到電腦並匯總成為大數據庫,並預測出以未來每天(或有些是以每小時)為單位的犯罪預測,以輔助警察重點或首先巡邏那些被預測為當日或當時之犯罪高發範圍,以有效的警察曝光度威懾和抓捕犯罪行為人。其中洛杉磯警察局提供過去10年內(至少5年內)的各種刑事案件紀錄,並由UCLA的Brantingham教授提供技術,從剛開始以深具地域預測性特質的財產犯罪,比如財產犯罪中之竊盜罪開始試驗,並在竊盜罪中再細分入室竊盜和汽車竊盜等,以進行預測的分析,由於測試的結果有效的降低了之後的犯罪率,因此目前包括加利福尼亞州、南卡羅來納州、華盛頓州、田納西州、佛羅里達州、賓夕法尼亞州和紐約州的主要城市均購買了AI的預測性警察軟體48,以期打擊財產犯罪。

在深具地緣特性和犯罪規律的竊盜罪的預測性警察活動的測試成功之後,進而發展到對於較無地域規律性和地域熟悉特性的犯罪種類,比如:重大槍支兇殺案、幫派犯罪等,挑戰以更詳細、更全面的歷年犯罪數據的輸入,運用AI的預測性警察活動的推算系統,進行以時間及範圍的定位的預測49。前述的不斷嘗試由於結果正面,亦確實有預防犯罪的效果,降低了犯罪的發生,並因為預測性警察活動的AI系統試驗成果相對成功,洛杉磯警察局與Brantingham教授共同開設公司PredPol。除了前述的PredPol和洛杉磯警察局的合作,IBM與南卡羅萊納州(State of South Carolina)和曼非斯(Memphis)均攜手共同試驗在搶劫、持武器類犯罪的預測性警察活動。除此之外,尚有摩托羅拉和 Lexis-Nexis 等廠商都在競爭此項業務。現在的預測性警察活動和預測犯罪已經不再是單純的警察內部輔助系統,在美國已經發展成為一項每年價值數百萬美元的業務,從而又發展成為大規模的營銷活動。

架構以AI預測性警察活動的理論可以追溯富有經驗的犯罪學家發現,某些基於財產的犯罪傾向於在鄰近地區產生連鎖反應,當一個地方出現財產犯罪,緊接著與該地方相鄰的區域也會像得了傳染性病毒一樣,發生侵犯財產性的犯罪。 這些犯罪活動刺激了該地區更多的犯罪活動,無論是犯罪分子回來犯下他們,或某些環境存在助長犯罪的脆弱性,都會導致鄰近的地區也發生財產犯罪事件,因此導致犯罪的連鎖效應。例如,一個成功的入室竊盜可能會「鼓勵」未來對附近房屋入室竊盜的嘗試,因為竊賊會熟悉該地區。但是也或許是不同的竊賊的不法行為,但因為被之前成功的入室竊盜所吸引,因此同樣的犯罪開始群聚。而實證研究證實了這種「近乎重複的效應」,預測性警察活動的運行方式是將軟體通過特定的算法,通過輸入某地區若干年(越完全越好,但至少不低於5年)的歷史犯罪數據,之後進行運算和統計,之後可根據每天輸入的有關犯罪類型、犯罪地點和犯罪時間的數據,讓系統經過大數據的統計而預測出每日、每時,於不同地點發生各種犯罪的可能性和程度,並以可視化的方式顯示在電子地圖上,與警官的GPS系統相連,從而實現警力的高效調動和部署。

(二) 預測性警察活動的實踐經驗

1. 洛杉磯警察局(Los Angeles Police Department)

加州(California)是最早提倡將過去歷史紀錄中的各種犯罪輸入電腦,並以大數據加以統計以分析出犯罪熱點,再推導出未來時間點中各種犯罪的犯罪高發地區,以便提醒警察應當關注,或在案發後指引偵查方向。這套技術便稱為「預測性警察活動(Predictive Policing Software)」,並在加州的洛杉磯市警察局最先進行測試,洛杉磯警察局因此成為全美最先試用預測性警察活動系統的警局之一50。在洛杉磯警局試用該系統後的一個月,根據統計,犯罪率便開始名顯下降,可見預測性警察活動系統設備的試行的效果卓著51。由於效果良好,在2010年時,洛杉磯警察局與其合作預測性警察活動,並任教於UCLA的Jeff Brantingham教授,將共同合作的預測性警察活動的項目發展為公司,並將公司為名取為PredPol,意為預測性警察「Predictive Policing」的縮寫52,並開始公開推廣和出售其研發的「預測性警察活動」的AI系統。如今的PredPol公司已成為此領域最具影響力的供應商53

洛杉磯警察局與Brantingham教授在最初設計預測性警察的數據時,首先將各種不同類型分開統計,並以不同犯罪類型的特點作為統計的關鍵分類。由洛杉磯市警察局提供長期的各種犯罪時間、地點、行為人等因子,並從警察及刑事偵查、犯罪學等專家對各種犯罪類型的特性提供建議,並由Brantingham教授提供以AI運算的技術。雙方一開始將「入室竊盜」、「汽車竊盜」和「竊盜」此三種犯罪作為首批測試及研究對象,而選擇此三類犯罪的原因有四點:第一,財產犯罪雖非最嚴重之法益侵害犯罪,但卻相對關係到民眾對社區安全的關注問題;第二,財產犯罪呈報案傾向單純化。不同於毒品等案件的高度複雜性,導致呈報較為複雜,最後的偵查單位可能也不若竊盜罪來的單純化;第三,過去多數的社會科學研究表明,此類型財產犯罪源於某些可識別和可補救的環境脆弱因素;第四,基於前述,由於此類犯罪源於的地方的環境及地理因素,因此理論上警察針對性的巡邏、針對性的包曝光率,理應會阻止未來此類犯罪行為的發生率54。也就是說,預測性警察活動致使警察會時常出現在前述犯罪高發區(熱點區域),並由於AI計算出可信的犯罪高發區,警察也因為AI的推算而特別關注對的犯罪高發區域,因此當AI計算正確,應當是可以有效阻止及預防未來的前述財產犯罪行為的發生。

2. 美國其他地區警察局

根據試用了預測性警察活動的警局統計,導入AI系統以協助警察和刑事偵察活動是有利預防犯罪與打擊犯罪,並最終達到降低犯罪率的目標。在預防性警察活動中,根據2010年最先試用預測性警察活動之AI系統的曼非斯(Memphis)55和洛杉磯兩地警察局,在兩地警察局嘗試試用預測性警察活動系統之後,從執法部門的統計數據看來,曼非斯與2006年以降各年的數據相比,到2010年底前,當地犯罪率減少了31%、暴力犯罪率減少了15.4%、劫車率下降了75%、商業搶劫率下降了67%。洛杉磯市自應用大數據犯罪預測模型後的一年內,當地盜竊犯罪則迅速減少了33%、暴力犯罪減少了21%、侵財犯罪減少了12%。里士滿警察局則自2009年起採用了IBM公司提供的「犯罪洞察和預防解決方案」,在12個月內該地區的暴力犯罪和殺人案件減少近30%。在部署了「預測警務」公司提供的犯罪預測軟體後,亞特蘭大警察局所轄兩個社區的犯罪總量於2013年7月分別下降了8%和9%;諾克羅斯警察局轄區在2013年8月之後短短四個月內盜竊和搶劫案件數量降低了15%~30%;加州阿罕布拉的盜竊和偷車案件數量在2013年1月之後分別降低了32%和20%,並於2014年5月降至歷史最低水平56

五、 人臉辨識系統(Face Recognition)

(一)概念及由來

近年,人臉辨識(face recognition)的技術被廣泛使用在各種電子產品、住家保全設備、公司通勤打卡設備等,甚至在中國大陸的阿里巴巴集團於2018年開設無人酒店,結合人臉辨識的技術,實行從入住酒店到退房,皆由AI代替人類智慧,讓酒店客人自動入住及退房。除此之外,各國政府陸續增設機場之自動通關系統,和人臉辨識、影像辨識系統。我國桃園國際機場於2012年引進人臉辨識的自動通關系統,2020年日本羽田機場首先適用人臉辨識的自動通關系統,並由於實施成果良好,大量縮短旅客的等待時間,以及海關人員面對激增乘客時的壓力,因此日本近年將陸續推廣至其國內的其他機場57。世界各國近年大量增加於街道架設監視器,以有效打擊犯罪、提高偵查刑事案件的效率,而監視器在錄到嫌疑人後,尚需要人臉辨識系統,才能有效確認嫌疑人之身分。由於人臉辨識系統對產業及政府的效用,人臉識別的技術及系統購置,均成為幫助產業提升,減少人力成本,協助國家安全,和保障社會治安的核心關鍵技術,財團法人商業發展研究院則預估,人臉辨識的全球產值,將在2025年達到85億美元(約台幣2363億元)58

世界各國政府致力於以AI監視設備,作為低成本、高效率的維持社會安全,以及有利追查犯罪的設備,比如:中國的2億隻監視器所組成的「天網」59,平均每4.1人就有1個監視器,其嚴密程度排名世界第一,而美國則以平均4.6人就有1台監視器的比例,些微差距排名世界第二。並且近兩年美國各地,尤其以紐約市、洛杉磯市為代表,不斷增加購買監視系統及設備的預算,預示著以AI(人工智慧)作為有效預防犯罪的方式,在短期內不會改變,甚至成為世界各國維護治安的新趨勢。

目前警察所用的AI監視系統,在監視器紀錄人的影像之後,將以AI技術再識別人臉及影像分析,從而識別出被攝影者的身分,或是輸入欲尋找的對象的照片,以AI去識別及分析其人臉及影像,並從AI監視系統中的大量數據去尋找出與其配對的對象,從而讓警察追查到欲尋者人是否於何處、何時出現過。但前述的是一個以人臉識別找人的整個過程,但這個過程在AI的系統解析中,是經過從最先的人臉檢測技術(Face detection techniques),之後經過人臉驗證(Face Verification)或是人臉辨別(Face Identification),最後才能精準地識別出被識別對象。

人臉辨識系統(Face Recognition)需要人臉檢測(Face Detection)作為核心技術,是人臉識別和人臉分析系統中至關重要的第一步60,其功能在於從背景中定位和提取人臉區域61,在經過人臉的準確檢測之後,才進入到「辨識」系統的環節。辨識系統又可以再分兩類:人臉驗證(face verification)和人臉辨別(face identification)。人臉驗證的應用情境為給定系統兩張人臉,系統需研判出兩張照片是否屬於同一人,屬於1:1的人臉辨識情況;而人臉辨別的應用情境則是當給定系統一張照片作為對照依據時,系統是否可以從具有多張(接近N張)的海量照片中,識別出屬於同一人的照片62。人臉辨識系統目前進步的速度相當快速,從過去的僅是用於人臉的驗證,以及對人臉的辨別,到現在已經發展出以AI技術,大量的識別和辨別網路上的人像和視頻,再加上AI的自動學習及校正的功能,現在已經可以做出擬真的Deepfake(深偽技術),並且再透過Deepfake技術不斷的再自我修正及進化,以達到最後以假亂真的效果。

(二) 人臉辨識系統的實踐經驗

對於人臉辨識,可能是從照片中識別,亦可能是從視頻中識別,因此若欲準確的人臉辨識必須先有準確的人臉檢測(Face Detection)。人臉檢測是進行以下識別的前期第一個步驟,在有效的人臉辨識之後,人臉驗證(face verification)、人臉辨別(face identification)和人臉追蹤(Face Tracking)等接下來的其他技術,都是依靠前一步的檢測63。因此,準確的人臉檢測技術也是保證接下來的人臉辨識順利的核心技術。但由於在檢測臉部時,臉部的線條可能因為各種表情而變動,或是因為身體其他部位的遮擋,而導致提高了檢測的難度。

過去人臉檢測大多是用的哈爾特徵(Haar-like features)和方向梯度直方圖(Histogram of oriented gradient,後簡稱HOG)兩種,哈爾特徵是物體識別的一種數字影像特徵,是第一種即時的人臉檢測運算64,哈爾特徵使用檢測視窗中指定位置的相鄰矩形,計算每一個矩形的畫素和並取其差值,然後用這些差值來對影像的子區域進行分類65。例如,當前有一個人臉影像集合。通過觀察可以發現,眼睛的顏色要比兩頰的深。因此,用於人臉檢測的哈爾特徵是分別放置在眼睛和臉頰的兩個相鄰矩形,這些矩形的位置則通過類似於人臉影像的外接矩形的檢測視窗進行定義。哈爾特徵最主要的優勢是它的計算非常快速66。HOG是目前AI識別領域另一個常用的技術,這是一種將影象區域性紋理特徵的計算方式,通過計算和統計影象的區域性區域(Cell和Block)的HOG來構成特徵,並且轉換成一組數字號碼,因此以後當電腦識別出此組獨特密碼時,就能對應到特定的人67。也就是說,前述計算出的特徵向量就是唯一的描述這幅影象的代碼,就像一個人的身份證編號(特徵向量)一樣,可以代表描述一個人。

在檢測出圖片或是影像中的人臉之後,就會進入人臉驗證(Face Verification)或是人臉辨別(Face Identification)的環節,並以此區分出照片或是影片中的確切身分。而人臉辨識的實際運作就在於,當街道上的監視器拍攝到行人的臉部時,同時可以對被拍攝的人進行辨識,從而知道被拍攝者是誰。美國的監視器密度是全世界第二,光是在紐約市的曼哈頓、布朗克斯和布魯克林等三個區,就使用超過 1萬5千個攝像頭來進行人臉辨識面以及追蹤所欲追蹤的人員68

六、 結論

相比過去,我國近年嚴重暴力犯罪及隨機殺人事件更是日益增多,尤其在今年因為勸導民眾進入公眾場所配戴口罩,導致嚴重暴力犯罪劇增。政府為求有效打擊犯罪,必定增加警察活動的預算,然而為購買警車、偵查車、警用設備等屬於消耗品類預算的編列固然重要,卻不如嚴肅考慮擬定計畫和撥列預算,以研發預防性警察活動、人臉辨識、預測犯罪系統等,以人工智慧及大數據警察公務系統的開發,讓未來的警察活動能更有效的預測及更具針對性。美國近年雖然不斷增加大數據警察公務的技術投入,增加人工智慧與警察活動的設備及系統研發,但後來美國警察局和協助研發的團隊成立公司,並兜售所開發的程式系統,令前期的研發成為一種投資而非單純消耗掉的預算,這樣的經驗似乎可讓我國借鑒。


參考文獻

一、中、日文部分

  1. 王正嘉,預測性警察活動在犯罪偵防運用與問題,刑事政策與犯罪防治研究,第25期,頁1-47,2020年。
  2. 王正嘉,AI 與人臉辨識技術運用於犯罪偵防之問題分析,刑事政策與犯罪研究論文集,第22期,頁235-253,2019年。
  3. 蘇亞凡、柳恆崧、吳玉善、周逸凡、鄭玉欣、邱彥霖、胡家豪,人臉辨識技術及應用,電工通訊,頁1-9,2018年。
  4. 張俊揚、林品杉,警政人臉辨
  5. 識與海量資料分析技術,內政部警政署出國報告,2016年。

二、英文部分

  1. Bradley Waldstreicher, Deeply Fake, Deeply Disturbing, Deeply Constitutional: Why the First Amendment Likely Protects the Creation of Pornorgraphic Deepfakes, 42 Cardozo L. Rev. 729-761 (2021).
  2. Shervin Minaee, Ping Luo, Zhe Lin, Kevin Bowyer, Going Deeper Into Face Detection: A Survey, arXiv:2103.14983v2 [cs.CV] 13 Apr 2021. 1-17 (2021).
  3. Barry Friedman, Elizabeth G. Janszky, Policing’s Information Problem, 99 TEX. L. REV. 1-72 (2020).
  4. Ashu Kumar, Amandeep Kaur, Munish Kumar, Face Detection Techniques:A Review, Artificial Intelligence Review, 927-948 (2019).
  5. Holly Kathleen Hall, Deepfake Videos: When Seeing Isn’t Believing, 27 Cath. U. J. L. & Tech. 51-75 (2018).
  6. M. Wang, W. Deng, Deep Face Recognition: A survey, arXivpreprint arXiv:1804.06655 (2018).
  7. Andrew G. Ferguson, Policing Predictive Policing, 94 Wash. U. L. Rev. 1109-1189 (2017).
  8. Andrew Guthrie Ferguson, Predictive Policing and Reasonable Suspicion, 62 EMORY L.J. 261-325 (2012).
  9. E. Hjelmas, B. K. Low, Face Detection: A Survey, Computer Vision and Image Understanding, vol. 83, no. 3, 236–274 (2001).