L'IA peut-elle prédire les taux de criminalité à partir de données historiques, de modèles météorologiques et d'autres données sensorielles ?

L'IA peut désormais produire des prévisions de risques criminels à court terme et localisées en fusionnant des données historiques d'incidents avec des flux en temps réel tels que la météo, les capteurs de fréquentation piétonne, les discussions sur les réseaux sociaux et même les réseaux de détection de coups de feu. Les systèmes modernes utilisent des modèles d'apprentissage profond spatiotemporels (par exemple, des réseaux de neurones graphiques sur des grilles géographiques et des apprenants de séquences basés sur des transformateurs) qui surpassent les anciennes méthodes statistiques sur plusieurs ensembles de données municipaux, atteignant des gains de 15 à 30 % en précision-rappel pour la tâche de prédiction des zones chaudes pour le prochain quart de travail. Ces outils sont déployés dans quelques villes des États-Unis et d'Europe, principalement pour l'allocation des ressources plutôt que pour le ciblage au niveau individuel, et font l'objet d'une évaluation continue pour détecter d'éventuels biais ou discriminations envers les quartiers défavorisés. À l'heure actuelle, les prévisions à moyen terme (semaines ou mois à l'avance) restent bien moins fiables, et la plupart des agences traitent les résultats de l'IA comme un soutien à la décision plutôt que comme des preuves définitives.

— Enriched 12 mai 2026 · Source : National Institute of Justice — https://nij.ojp.gov/topics/articles/predictive-policing-what-we-know-and-what-we-need-know

Background

AI systems now generate short-term, localized crime-risk forecasts by combining historical incident data with real-time feeds such as weather patterns (temperature, precipitation), foot-traffic sensors, social-media chatter, and gunshot-detection arrays. Modern approaches leverage spatiotemporal deep-learning models—graph neural networks over geographic grids and transformer-based sequence learners—that have demonstrated 15–30 % gains in precision-recall metrics over older statistical methods on several municipal datasets for the next-shift hotspot prediction task. These tools are currently deployed in a handful of U.S. and European cities, primarily for resource-allocation purposes rather than individual-level targeting, and are subject to ongoing evaluation for fairness and bias against underserved neighborhoods. Medium-range forecasts spanning weeks or months ahead remain far less reliable, and most law-enforcement agencies treat AI outputs as decision-support rather than definitive evidence. Enriched May 12, 2026 · Source: National Institute of Justice