Previsão de penas de multa de crimes cibernéticos no Brasil:
uma contribuição do aprendizado de máquina e da inteligência artificial explicável
Palavras-chave:
Aprendizado de máquina, CBA, Crimes cibernéticos, Inteligência Artificial Explicável, XGBoostResumo
Este artigo apresenta o uso da ‘inteligência artificial explicável’ no contexto da previsão de penas de multa de crimes cibernéticos e para atingir esse objetivo primeiro é conduzida a previsão de penas de multa aplicadas pelos tribunais brasileiros referentes aos crimes cibernéticos utilizando dados coletados dos processos de coisa julgada e do aprendizado de máquina, e em seguida é feita a explicação de quais fatores, dentre os presentes no modelo, que mais influenciam os resultados da previsão. Essa previsão será feita obedecendo às fases da metodologia de descoberta de conhecimento em banco de dados (KDD) e com o uso de dois algoritmos de aprendizado de máquina supervisionado. Os resultados tendem a ajudar especialistas a descobrir os fatores que podem influenciar nos padrões de aplicação de penas de multa pelos tribunais e com base nesses padrões fazer análises e previsões.
Downloads
Referências
CASTRO, Ursula Rosa Monteiro de. Explorando aprendizagem supervisionada em dados heterogêneos para predição de crimes. Dissertação (Mestrado em Informática). Pontifícia Universidade Católica de Minas Gerais (PUC-MG), Minas Gerais, 2020.
AGRAWAL, Rakesh; SRIKANT, Ramakrishnan. Fast algorithms for mining association rules. Proc. of 20th Intl. Conf. on VLDB, 1994.
AL-MAOLEGI, M.; ARKOK, B. Na, improved apriori algorith for association rules. International Journal on Natural Language Computing (IJNLC), Computer Science, Jordan University of Science and Technology, Irbid, Jordan, 2014.
CNJ. Justiça 4.0: Inteligência Artificial está presente na maioria dos tribunais brasileiros. Disponível em: https://www.cnj.jus.br/justica-4-0-inteligencia-artificial-esta-presente-na-maioria-dos-tribunais-brasileiros/. Acesso em: 22 dez. 2022.
GREENSTEIN, S. Preserving the rule of law in the era of artificial intelligence (AI). Artif Intell Law 30, 291–323 (2022). Disponível em: https://doi.org/10.1007/s10506-021-09294-4. Acesso em: 26 set. 2022.
INSTITUTO DE SEGURANÇA PÚBLICA. Dados abertos. Governo do Estado do Rio de Janeiro. Disponível em: http://www.ispdados.rj.gov.br/. Acesso em: 26 set. 2022.
ISSN 0031-3203, https://doi.org/10.1016/j.patcog.2022.108604.
KHOUALED et al. "Corona Pandemic (Covid-19) and Information and Communication Technology (ICT): Who Affects Whom?". Revista Geintec – Gestão, Inovação e Tecnologia. Vol. 12, n. 1, ISSN 2237-0722. P. 132-147. Disponível em: https://revistageintec.net/wp-content/uploads/2022/12/02_9066_Revista-geintec-gestao-inovacao-e-tecnologias.pdf. Acesso em: 26 set. 2022.
KSHATRI, S. Sappa; et al. An empirical analysis of machine learning algorithms for crime prediction using stacked generalization: An ensemble approach. IEEE Access v. 9, p. 67488-67500, 2021.
MORGAN, Steve. Cybercrime To Cost The World 8 Trillion Annually In 2023. Disponível em: https://cybersecurityventures.com/cybercrime-to-cost-the-world-8-trillion-annually-in-2023/. Acesso em: 23 dez. 2022.
NIVETTE, A.E., Zahnow, R., Aguilar, R. et al. A global analysis of the impact of COVID-19 stay-at-home restrictions on crime. Nat Hum Behav 5, 868–877 (2021). Disponível em: https://www.nature.com/articles/s41562-021-01139-z. Acesso em: 26 set. 2022.
OLIVEIRA, Ingrid. Levantamento mostra que ataques cibernéticos no Brasil cresceram 94%. CNN Brasil. 19 ago. 2022. Disponível em: https://www.cnnbrasil.com.br/tecnologia/levantamento-mostra-que-ataques-ciberneticos-no-brasil-cresceram-94/. Acesso em: 26 set. 2022.
RAYHAN, Y.; HASHEM, T. AIST: An interpretable attention-based deep learning model for crime prediction. https://doi.org/10.48550/arXiv.2012.08713. Revisado em 21 nov. 2021. Disponível em: https://arxiv.org/abs/2012.08713. Acesso em: 26 set. 2022.
RUDIN, C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nat Mach Intell 1, 206–215 (2019). Disponível em: https://doi.org/10.1038/s42256-019-0048-x. Acesso em: 26 set. 2022.
SAFAT, W.; ASHGHAR, Wajiha; GILLANI, S. Andleeb. Empirical analysis for crime prediction and forecasting using machine learning and deep learning techniques. IEEE Access, v. 9, p. 70080–70094. 202.1Disponível em: www.doi:10.1109/ACCESS.2021.3078117. Acesso em: 26 set. 2022.
SATYA, M. Muddamsetty, et al. Visual explanation of black-box model: Similarity Difference and Uniqueness (SIDU) method,Pattern Recognition,Volume 127,2022, 108604,
SECRETARIA DE SEGURANÇA PÚBLICA. Governo do Estado de São Paulo. Disponível em: https://www.ssp.sp.gov.br/. Acesso em: 26 set. 2022.
SECURITY REPORT. Disponível em: https://www.securityreport.com.br/overview/brasil-sofreu-mais-de-885-bilhoes-de-tentativas-de-ataques-ciberneticos-em-2021/#.Y9viYXbMK3A. Acesso em: 28 set. 2022.
SEJUSP. Secretaria de Estado de Justiça e Segurança Pública. Disponível em: http://www.seguranca.mg.gov.br/. Acesso em: 26 set. 2022.
SOUZA, José Renato Mendes de. Utilização de aprendizagem de máquina na predição de crime. Trabalho de conclusão de curso (Tecnólogo em Tecnologia em Sistemas de Computação), Universidade Federal Fluminense (UFF), Rio de Janeiro, 2018.
STEC, A.; KLABJAN, D. Forecasting crime with deep learning. 2018. Disponível em: https://arxiv.org/abs/1806.01486. Acesso em: 13 set. 2022.
WANG, Bao et al. Deep learning for real-time crime forecasting and its ternarization. Chinese Annals of Mathematics, Series B, v. 40, n. 6, p. 949-966, 2017.
