Bagaimana jadinya apabila kecerdasan buatan atau artificial intelligence (AI) diterapkan ke dalam kamera pengawas untuk mencegah kejahatan? Walaupun terdengar seperti sebuah cerita fiksi, tapi hal ini sebentar lagi akan terjadi.

Sejumlah perusahaan dan peneliti berusaha untuk mengembangkan teknologi yang disebut dengan predictive policing. Predictive policing adalah cara untuk memperkirakan kapan serta di mana tindak kriminal berikutnya akan terjadi. Hal ini dilakukan dengan memanfaatkan algoritma, neural network, dan data tindak kriminal yang sudah pernah terjadi sebelumnya.

Bagaimana predictive policing bekerja?

Salah satu organisasi yang mengembangkan teknologi ini adalah Cortica, perusahaan yag bergerak di bidang riset AI dan security. Proyek Predictive policing milik Cortica akan mulai dijalankan di India, dan akan menganalisis data dalam hitungan terabyte dari kamera CCTV di area publik. Salah satu tujuannya adalah untuk meningkatkan keamanan di ruang publik.

BACA JUGA: KORELASI ANTARA ARTIFICIAL INTELLIGENCE, MACHINE LEARNING DAN DEEP LEARNING

Predictive policing sebetulnya bukanlah sesuatu yang sangat baru. Kepolisian Los Angeles (LAPD) sebelumnya telah mengujicoba teknologi serupa untuk menekan angka kejahatan yang ditimbulkan oleh geng.

Akan tetapi, sejumlah ahli masih meragukan keabsahannya. Karena, pengembangan software tersebut murni menggunakan neural network. Neural network sendiri adalah sebuah proses yang berdasarkan pada model komputasi dan probablitas.

Predictive policing seperti ini dianggap masih rawan terjadi human error dan timbul bias dalam proses pengambilan keputusan, karena bergantung sepenuhnya pada komputer dan algoritma.

Cortica sendiri mencoba membawa predictive policing ke level selanjutnya. Mereka mencoba membaca “behavioral anomalies”, atau perilaku yang menunjukkan seseorang akan melakukan perbuatan kriminal.

Software yang mereka kembangkan berdasar pada sistem security screening milik militer atau pemerintah yang digunakan untuk mengidentifikasi teroris. Sistem tersebut bekerja dengan mengawasi orang secara real-time dan mengamati mikro ekspresi. Tanda-tanda tersebut sangatlah samar dan sulit diidentifikasi oleh AI. Untuk memungkinkan hal tersebut, software tersebut harus belajar dengan cara yang sama seperti otak manusia.

Menggunakan “otak sungguhan”

Untuk memungkinkan hal tersebut, Cortica tidak menggunakan neural network yang lazim diterapkan pada development teknologi AI pada umumnya. Karena teknologi yang dikembangkan Cortica sangat kompleks, mereka mengaplikasikan proses kerja otak sungguhan untuk melatih kecerdasan buatan mereka.

Dalam hal ini, Cortica menggunakan segmen kortikal dari otak tikus. Dengan menjaga bagian otak tersebut agar tetap hidup secara ex vivo (di luar tubuh), dan menghubungkannya ke serangkaian susunan mikroelektroda, Cortica dapat mempelajari proses korteks otak bereaksi terhadap suatu rangsangan.

Dengan memonitor gelombang sinyal yang diterima, para peneliti dapat mengidentifikasi respon otak terhadap rangsangan. Setelah itu, Cortica kemudian membangun data-data dan model matematika khusus untuk menstimulasi proses asli di dalam otak.

Menurut Cortica, metode tersebut menghasilkan sebuah pendekatan AI yang memungkinkan adanya advanced learning dengan tetap menjaga transparansi. Artinya, jika sistem membuat kesalahan, programer dapat mudah melacak sumber permasalahan dan kembali ke proses atau data tertentu yang menyebabkan kesalahan dalam judgment tersebut.

Hal tersebut berbeda dengan deep learning neural networks, yang agak sulit dilacak dan bahkan perlu di re-train secara keseluruhan apabila ditemukan kesalahan.

Masa depan proses penegakan hukum?

Predictive policing dapat membantu penegak hukum di suatu wilayah untuk mengirim personelnya ke sebuah area rawan bahaya sebelum ada korban jiwa. Namun, membuat algoritma yang adil, dapat dipercaya, dan tidak bias adalah salah satu tantangan dalam mengembangkan predictive policing.

Penelitian lebih lanjut tentu perlu dilakukan, sehingga tindakan tersebut dapat memberikan tindakan yang tepat sasaran.