São Paulo — InkDesign News —
A utilização de machine learning para identificar atividades ilícitas tem ganhado destaque na pesquisa acadêmica, especialmente na luta contra redes de tráfico humano. Um novo modelo desenvolvido por pesquisadores da George Mason University visa detectar negócios de massagem ilegais disfarçados de atividades legítimas.
Contexto da pesquisa
Os pesquisadores estimam que existem mais de 13.000 negócios de massagem ilícitos (IMBs) nos Estados Unidos, gerando uma receita anual superior a US$ 5 bilhões. Abhishek Ray, professor assistente de sistemas de informação e gestão de operações, destaca a condição de vulnerabilidade dos trabalhadores desses negócios.
“Você está preso em um negócio de massagem. Você não pode sair. Seus passaportes são confiscados e você deve realizar um certo volume de negócios todos os dias e entregar o dinheiro ao traficante. É uma forma de abuso realmente abominável.”
(“You are stuck in a massage business. You’re not allowed to go out. Your passports are taken away and you’re supposed to do a certain amount of business every day and give the money to the trafficker. It’s a really abhorrent form of abuse.”)— Abhishek Ray, Professor Assistente, George Mason University
Método proposto
Os pesquisadores estão utilizando redes neurais gráficas (GNNs) para criar um modelo denominado IMBWatch. Essa abordagem permite prever padrões futuros em dados espaciais e temporais, utilizando gráficos que representam áreas geográficas ao longo do tempo. O modelo foi treinado com dados disponíveis publicamente, incluindo resenhas online, dados de prisões de IMBs e anúncios de atividades ilícitas.
Resultados e impacto
O IMBWatch foi comparado com quatro outros modelos de inteligência artificial e se destacou por suas previsões acuradas, precisas e informativas. Os resultados iniciais, com dados de Georgia e Louisiana, mostraram que o modelo é eficaz na identificação de IMBs em áreas urbanas complexas, superando outros métodos em identificação entre negócios locais.
“O IMBWatch forneceu as previsões mais precisas e informativas. Em outras palavras, superou os outros na identificação de IMBs em um grande conjunto de negócios locais.”
(“In other words, it outperformed the others at spotting IMBs among a larger mass of local businesses.”)— Abhishek Ray, Professor Assistente, George Mason University
Os próximos passos incluem a ampliação do conjunto de dados para incluir estados como Nova York e Califórnia, além de integrar informações sobre como trabalhadores se envolvem com essas redes, considerando sua proximidade a hospitais e locais religiosos.
Fonte: (TechXplore – Machine Learning & AI)
