מכון חרוב - נקודת מפגש - גיליון 26 - ינואר 2024

בר אבני נאור ורותי גבע

ל"מנוסים" יותר (ומכאן המונח "למידה"). הניסיון מגיע עם חשיפה הולכת וגדלה למידע ולנתונים, כך שבכל חשיפה כזאת האלגוריתמים מתקנים את תוצאותיהם הקודמות עד שמתקבלת התוצאה המדויקת ביותר. (ביג דאטה) – מהפכת המידע ושיפור משמעותי נתוני עתק ביכולת לאגור מידע בצורה חסכונית ויעילה הובילו לכך שכמעט כל גוף היום אוגר כמויות עצומות של מידע. עיבוד, ניתוח וגזירת תובנות של קבצים ובסיסי נתונים גדולים מאוד מצריכים שימוש בשיטות, בכלים ובפעולות שלא נדרשו בעבר. עתה נסקור את התחומים הטכנולוגיים העיקריים המציעים פתרונות בתחום של התעללות בילדים והזנחתם: )Predictive analytics( חיזוי תחום החיזוי מורכב ממודלים שתפקידם לחזות או להעריך את התוצאה של אירוע מוגדר בתנאים מוגדרים מתוך למידה של מקרי עבר רלוונטיים. כדי להמחיש את הנושא, נשתמש בדוגמה השאולה מעולם המכירות – חיזוי מחירו של בית בנקודת זמן כלשהי, ובכלל זה פרטים כגון מספר החדרים, מיקומו וגילו של הבית. הלמידה נעשית על סמך נתוני עבר של מכירת בתים והמפרט שלהם, והחיזוי נעשה על סמך מחירם של בתים בעלי מפרט דומה. חיזוי מדויק תלוי ביכולת לאסוף ולעבד כמויות גדולות של מידע. שיפור בתוצאות המתקבלות ממודל חיזוי הוא תוצר של , אחסון ML- ו AI התקדמות משמעותית ביכולות האלגוריתמים מידע, כוח חישוב ואחזור נתונים – אבל גם של קידום מדיניות ). היתרון בשימוש Lanier et al., 2020( ותכנון מבוסס ראיות במערכת חיזוי אוטומטית הוא בהפחתת טעויות אנוש וכן ביכולת להביא בחשבון כמויות גדולות של מידע בתהליך קבלת ההחלטות, יכולת העולה בהרבה על היכולת האנושית. חיזוי אנליטי בתחום הרווחה פרויקט קו הסיוע של שירותי הרווחה במחוז אלגני ) במדינת ניו יורק שבארצות הברית Allegany county( מאפשר לאלגוריתם חיזוי אנליטי להציע חוות דעת שנייה על כל דיווח לקו הסיוע. במקום השיטה המסורתית המוכרת, שדורשת ממוקדן לאסוף מידע, ללמוד את פרטי המקרה ולקבל החלטה על המשך חקירה וטיפול, תהליך שיכול לארוך זמן רב, בזמן השיחה הטלפונית נבנה במהירות פרופיל של . הוא מקבל "ציון ML המקרה המדווח בעזרת אלגוריתמים של מיון משפחתי" החוזה את רמת הסיכון המשפחתית על סמך הנתונים הקיימים במערכות ממשלתיות ואלו המתקבלים במהלך השיחה. שילוב החיזוי של המחשב עם מידע שנאסף על המקרה באופן מסורתי מאפשר לחזות טוב יותר את

הסבירות ארוכת הטווח להתערבות של שירותי הרווחה בעתיד. המודל מביא בחשבון גורמי סיכון, כגון היסטוריה הורית, תנאים חברתיים-כלכליים, מאפייני השכונה ומעורבות קודמת של שירותי הרווחה. הציון אינו מחליף שיקול דעת של איש מקצוע אלא מספק מידע נוסף, כדי לסייע בתהליך קבלת ההחלטות במיון הראשוני. חשוב לנו לציין שגם במדינות נוספות התקיימו פיילוטים של פרויקטים מסוג זה, ורבים מהם הופסקו בעקבות ביקורת על הטיות מובנות בנתונים המוזנים למודל (כגון מצב חברתי כלכלי ומצב בריאותי). קיים מתח רב בין הפוטנציאל של יוזמות מסוג זה למניעת אלימות ובין הפוטנציאל שלהן לתרום לדחיקה נוספת של מיעוטים לשוליים. Space and agent( אלגוריתמים מבוססי מיקום וסוכנים )based algorithms תת-תחום של מודלי חיזוי הוא מודלים המביאים בחשבון את הפן המרחבי ואת העיתוי של תופעה מסוימת. למשל, ניתוח מקרי פשיעה בהקשר של זמן ומרחב – מתי התרחשו (האם סביב תאריכים מיוחדים, יום בשבוע, שעה ביום) והיכן (סמוך לחנות לממכר אלכוהול, פארק) – מאפשר לייצר מפה ) שבהן מתרחשים אירועים hot-spots( של נקודות חמות מהסוג הזה ולנתב את ניידות המשטרה לנקודות אסטרטגיות או להציב מעקב באמצעות מצלמות אבטחה (ראו פרויקט .)PredPol- ו HunchLab מביאים בחשבון )agent based( מודלים מבוססי סוכנים את ממדי הזמן והמרחב אך בוחנים גם כיצד נקיטת פעולה מסוימת משפיעה על תופעה שלילית שרוצים למגר. לדוגמה, כיצד שינוי בשעות הסגירה של חנות לממכר אלכוהול משפיע על תגרות במרחב הציבורי, או כיצד שינוי במיקום של ניידת משטרה משפיע על אזורים שיש בהם אירועי אלימות רבים. אפשר לראות שימוש בטכנולוגיה זו בתחום של מניעת Daley et( התעללות בילדים והזנחתם אצל דאלי ואחרים .)Predict Align Prevent, 2019( י PAP ) ובפרויקט al., 2016 הראשונים השתמשו ב"מודל שטח סיכון" המביא בחשבון את ההשפעה המצטברת של גורמים סביבתיים על התופעה (מקרי תקיפה, רצח, סמים, זנות, אלימות במשפחה, עוני ועוד) כדי לחזות מקרים עתידיים של התעללות. האחרונים יצרו מודל למידת מכונה בעל "תפיסה" מרחבית, הִממפה את המרחב הציבורי בעיר מסוימת לפי אירועי עבר רלוונטיים בשילוב זמינות משאבים נחוצים במרחב העירוני, ומצביע על אזורים בדרגות סיכון שונות בעיר שעלולים לחוות התעללות והזנחה. השלב הבא הוא היכולת למפות נותני שירות רלוונטיים ולהפנות אותם לאזורים בדרגת סיכון גבוהה או להקצות את המשאבים לפי אזורי הסיכון בעיר.

נקודת מפגש I 12