Predicción de riesgos con IA para optimizar la distribución de recursos

La Inteligencia Artificial es muy conocida por sus capacidades de generación de contenido, pero también se puede emplear para otros fines que cuenten con un impacto social positivo, como la predicción de zonas de alto riesgo de delitos.

Gracias al estudio de datos históricos y variables socioeconómicas, climáticas o temporales, es posible predecir dónde hay un mayor riesgo de delincuencia, permitiendo optimizar recursos policiales y comprender la dinámica del crimen, en este caso en la ciudad de Montevideo.

Realizado por Marcelo Miraballes | Daniel Vega | Diego Macías | Marco Antonio Peña

Titulación Máster en IA & Data Science

Tecnologías Inteligencia Artificial | Machine Learning | Análisis y visualización de datos | Optimización de modelos | Entornos de desarrollo

¿Cuál es la motivación?

El uso de la IA se ha extendido mucho en campos como la generación de contenido, pero también ofrece oportunidades sin precedentes para lograr avances sociales. El auge de la recolección de datos ha aumentado el interés en aplicar técnicas de Machine Learning al servicio de la seguridad pública, analizándolos para predecir zonas de alto riesgo delictivo y facilitando una asignación eficiente de recursos.

Objetivos

  • Predecir zonas de alto riesgo de delitos utilizando datos históricos y variables socioeconómicas, climáticas y temporales.
  • Optimizar recursos de patrullaje mediante un enfoque basado en datos.
  • Analizar patrones delictivos para comprender mejor la dinámica del crimen en Montevideo.

Desarrollo

El proyecto ha contado con las siguientes fases:

  • Recolección de datos históricos y diferentes variables climáticas y socioeconómicas.
  • Limpieza y preparación de datos, ajustando las variables y tratando los valores faltantes.
  • Análisis exploratorio de datos, identificando diferentes patrones delictivos, analizando correlaciones y detectando outliers.
  • Ingeniería de características, analizando la importancia de las diferentes variables, haciendo encoding de variables categóricas y creando nuevas variables.
  • Modelado predictivo, entrenando los diferentes modelos supervisados, optimizando los hiperparámetros y llevando a cabo una evaluación con métricas de rendimiento.
  • Evaluación del modelo, estudiando la curva ROC y el sobreajuste, optimizando el umbral de clasificación y evaluando las métricas.

Resultados

Los resultados obtenidos incluyen:

  • Modelo robusto con un AUC superior a 0,75 y un F1-Score optimizado mediante técnicas de ajuste de umbral.
  • Performance del modelo optimizada con el uso de Optuna y el ajuste de hiperparámetros de forma eficiente.

Conclusiones

El auge de la inteligencia artificial se ha centrado en sus características generativas, pero también puede emplearse para mejorar la sociedad. El análisis de criminalidad en zonas críticas para la seguridad pública apoyado por IA y ML facilita la optimización de recursos policiales, asignándolos allá donde hagan más falta, así como funciona a modo de apoyo en la planificación urbana y la prevención de todo tipo de delitos.

arrow-right