Искусственный интеллект

Можно ли использовать ИИ для прогнозирования просроченных виз?

Использование моделей классификации для прогнозирования людей, которые могут просрочить свою визу

Эта статья написана в соавторстве с Микеланджоло Маццески — https://medium.com/@ardito.bryan

Контролировать нелегальную иммиграцию, сосредоточив внимание на лицах, ищущих убежища, которые пересекают сухопутные границы, игнорирует реальную проблему: люди, которые просрочили свои визы (например, по туристическим, студенческим, медицинским причинам) или просроченные разрешения на проживание или работу.

Большинство незаконных мигрантов первоначально въехали в ЕС на законных основаниях по краткосрочным визам, но остаются в ЕС по экономическим причинам после истечения срока действия их визы.

Количество просроченных мигрантов превышает число нелегальных мигрантов

Иммигранты, которые въезжают в Соединенные Штаты на законных основаниях по студенческой, туристической или рабочей визе, а затем остаются после истечения срока действия визы, превышают число пересечений границы в соотношении примерно 2 к 1. В других странах проблема заключается в следующем. еще более выражено. Например, большинство людей, которые находятся в Британии нелегально, въехали легально и просто остались там после истечения срока действия их визы.

Систематическая идентификация людей, просрочивших пребывание в Шенгенской зоне, является одной из основных ее проблем и в первую очередь этому способствует отсутствие какой-либо системы регистрации перемещений въезда/выезда в Европе.

Европейские страны до сих пор не в состоянии полностью учесть потоки лиц, не входящих в ЕС, которые легально въехали в ЕС и продлили свое пребывание без получения необходимых разрешений.

Шенгенский кодекс о границах не содержит положений об учете трансграничных перемещений. Нынешняя процедура требует только, чтобы в паспортах были проставлены даты въезда и выезда. Это единственный метод, доступный для пограничников или национальной полиции при определении того, было ли превышено право на пребывание.

  • С мая 2023 года ЕС введет систему въезда/выезда (EES). EE представляет собой автоматизированную ИТ-систему для регистрации путешественников из третьих стран, как владельцев краткосрочных виз, так и безвизовых путешественников, каждый раз, когда они пересекают внешнюю границу ЕС. EES заменит существующую систему ручного штампования паспортов, которая не позволяет систематически выявлять overstayers (путешественников, которые превысили максимальную продолжительность своего разрешенного пребывания). Система зарегистрирует имя человека, тип проездного документа, биометрические данные (отпечатки пальцев и захваченные изображения лица) а также дату и место въезда и выезда. EES будет способствовать предотвращению нелегальной миграции, а также более эффективному (и автоматическому) выявлению лиц с просроченным сроком пребывания, а также случаев мошенничества с документами и личными данными.
  • С ноября 2023 года должна начать действовать Европейская система информации и авторизации для путешествий (ETIAS), но она применяется только к безвизовым посетителям. ETIAS будет в значительной степени автоматизированной ИТ-системой, созданной для выявления безопасности, нелегальной миграции или высоких эпидемических рисков, и в то же время для облегчения пересечения границ для подавляющего большинства путешественников, которые не представляют таких рисков.

Можно ли использовать ИИ для профилирования иммигрантов?

Можно ли это сделать таким образом, чтобы избежать дискриминации лиц по признаку пола, цвета кожи, этнического или социального происхождения, генетических особенностей, языка, религии или убеждений, политических или любых других убеждений, принадлежности к национальному меньшинству, имущественного положения, происхождения, инвалидности? , возраст или сексуальная ориентация?

Данные о миграционных потоках в ЕС собираются Евростатом по определенной методологии и со следующими разбивками:

  • Секс
  • Возраст
  • Гражданство
  • Статус отозван
  • Страна проживания
  • Решение о въезде в страну
  • Рамочная программа переселения

Являются ли эти данные («Данные») полезными и могут ли они быть достаточными для прогнозирования того, станет ли иммигрант «просрочившим» после его/ее легального въезда в ЕС??

Как ИИ можно применить к иммиграции?

ИИ — это мощный инструмент для прогнозирования. Предоставляя ИИ исторические математические данные, ИИ может находить закономерности в данных и специализироваться на предсказании одних и тех же вещей снова и снова. Этот инструмент можно также использовать для прогнозирования нелегальных иммигрантов, если у нас будет достаточно данных.

Вот как работает ИИ на очень простом примере

Для любых заданных данных вы должны вручную решить, какая часть ваших данных действует как предикторы (функции) и какую часть данных вы хотите предсказать (метки).

После установки этих разделов вы просто передаете их модели, и ИИ сам находит правила. Это означает, что по предикторам (функциям) ИИ сможет предсказывать метки.

Существуют разные виды ИИ, в зависимости от того, какой мы выберем, результаты будут разными, а конечный результат может быть более или менее точным.

Обучение ИИ прогнозированию просроченных рейсов

В статье Искусственный интеллект и прогнозирование нелегальной иммиграции в США исследователи Азизи и Йектансани построили модель (Модель), способную оценить вероятность пребывания человека в США с просроченным сроком пребывания.

Модель принимает во внимание все функции (пол, возраст, количество детей, заработная плата и т. д., по сути, предикторы) и принимает юридический статус (0 = не имеет документов, 1 = легальный иммигрант) как Метки (значение, которое мы хотим предсказать).

Чтобы проверить производительность разработанного ими ИИ, Азизи и Йектансани разделили набор данных в пропорции 70:30. Большой блок со случайными 70% данных (4396 выборок) использовался для обучения ИИ поиску правил («Правил»), оставшиеся 30% данных (1885 выборок) использовались для тестирования Модели. .

ИИ нашел Правила для сопоставления функций и меток. Исследователи протестировали ИИ на оставшейся части данных. Ниже приведена диаграмма, показывающая точность различных моделей.

Применив различные модели классификации для получения наилучшего прогноза, исследователи достигли порога точности в 80%.

Как можно улучшить Модель?

Чтобы построить модель, которую можно использовать более эффективно и нейтрально, можно реализовать следующие улучшения:

Больше данных: накопление большего количества данных в соответствии с правилами конфиденциальности может помочь повысить точность Модели. Данные, которые могут быть полезны для описания иммигрантов и оценки риска возможного просроченного пребывания, включают:

Никакой дискриминации: Модель также должна быть обучена таким образом, чтобы избежать предвзятости и гарантировать, что на результаты не повлияет пол, раса, религия и этническое профилирование.