Οι νέες μέθοδοι ανίχνευσης που τροφοδοτούνται από διάφορα συστήματα τεχνητής νοημοσύνης θα μπορούσαν να συμβάλλουν στις προσπάθειες καταπολέμησης της εμπορίας ανθρώπων (trafficking), σύμφωνα με μια νέα μελέτη.
Η Διεθνής Οργάνωση Εργασίας ανέφερε το 2021 ότι 27,6 εκατομμύρια άνθρωποι τέθηκαν σε καταναγκαστική εργασία σε όλο τον κόσμο—περίπου τα 2/3 εκ των οποίων έπεσαν θύματα εκμετάλλευσης στον ιδιωτικό τομέα. Τα τελευταία χρόνια, έχουν γίνει συγκλονιστικές καταγγελίες για εργασιακή εκμετάλλευση στις κατασκευαστικές, μεταποιητικές και αλιευτικές βιομηχανίες.
Ωστόσο, οι νέες μέθοδοι ανίχνευσης που τροφοδοτούνται από την θα μπορούσαν να δώσουν στις προσπάθειες καταπολέμησης της εμπορίας ανθρώπων την απαραίτητη ώθηση παρέχοντας ακρίβεια και αποτελεσματικότητα. Για την αξιοποίηση του πλήρους δυναμικού αυτών των αναδυόμενων τεχνολογιών θα πρέπει να συνεργαστούν επιχειρήσεις, ΜΚΟ και ερευνητές.
Για παράδειγμα, στον κλάδο της αλιείας, συχνά καταφεύγουν σε πρακτικές εργασιακής εκμετάλλευσης για να ανταποκριθούν στην αυξανόμενη παγκόσμια ζήτηση για θαλασσινά. Οι διακινητές σε αυτόν τον κλάδο εκμεταλλεύονται συνθήκες που καθιστούν δύσκολη τον εντοπισμό της εκμετάλλευσης, π.χ. σπανιότητα ρυθμιστικών και εποπτικών πόρων και το γεγονός ότι η αλιεία συμβαίνει συχνά σε διεθνή ύδατα όπου οι δικαιοδοσίες είναι ασαφείς.
Το 2021, μια ομάδα ερευνητών ανέπτυξε ένα μοντέλο μηχανικής μάθησης και το εκπαίδευσε ώστε να υπολογίζει την πιθανότητα ένα μεμονωμένο αλιευτικό σκάφος να εμπλέκεται σε εμπορία ανθρώπων. Χρησιμοποιώντας θαλάσσιες δορυφορικές εικόνες παράλληλα με δείκτες κινδύνου που ανακαλύφθηκαν μέσω έρευνας (π.χ. τύπος και μέγεθος σκάφους, απομακρυσμένες τοποθεσίες), οι ερευνητές υποστηρίζουν ότι το μοντέλο τους εντοπίζει μοτίβα συμπεριφοράς που σχετίζονται με καταναγκαστική εργασία, με ακρίβεια 92%.
Ωστόσο, οι προβλέψεις που έκανε το μοντέλο δεν αποτελούν θετικές αποδείξεις εγκληματικής δραστηριότητας, αλλά μπορούν να βοηθήσουν τους ερευνητές να κατανέμουν τους πόρους πιο αποτελεσματικά. Η αξία του αλγορίθμου έγκειται στην πρόληψη της σπατάλης πολύτιμων πόρων. Επιπλέον, μπορεί να βελτιωθεί με τη βοήθεια άλλων αλγορίθμων. Στη μελέτη τους, οι ερευνητές από τα Πανεπιστήμια George Mason και Northeastern University στις ΗΠΑ, χρησιμοποίησαν μαθηματικά μοντέλα σε συνδυασμό με δεδομένα από το Global Fishing Watch– έναν οργανισμό που ειδικεύεται στην ανάλυση και οπτικοποίηση δεδομένων για βιώσιμη και ηθική αλιεία– προκειμένου να επιλέξουν τις τοποθεσίες στις οποίες θα εστιάσουν. Διαπιστώσαν ότι αν ο αλγόριθμός τους ήταν διαθέσιμος κατά την περίοδο 2012-2018, το Global Fishing Watch ενδέχεται να είχε ανακαλύψει περισσότερες περιπτώσεις εμπορίας ανθρώπων. Τα ευρήματα της μελέτης ανέδειξαν την ανάγκη για συνεχή βελτίωση των συστημάτων τεχνητής νοημοσύνης κατά της εμπορίας ανθρώπων, ειδικά όταν τα δεδομένα είναι μεροληπτικά.
Οι ερευνητές τονίζουν ότι οι κλασικές μέθοδοι κατά της εμπορίας ανθρώπων θα πρέπει επίσης να αλλάξουν. Για παράδειγμα, οι ακτιβιστές κατά της εμπορίας ανθρώπων πιέζουν εδώ και καιρό για εταιρική διαφάνεια στις παγκόσμιες αλυσίδες εφοδιασμού. Η εκστρατεία υπέρ της διαφάνειας έχει σημειώσει μερικές αξιοσημείωτες επιτυχίες, με την ψήφιση του νόμου για τη σύγχρονη δουλεία του Ηνωμένου Βασιλείου και του νόμου για τη Διαφάνεια στις Αλυσίδες Εφοδιασμού της Καλιφόρνιας.
Ωστόσο είναι πολύ νωρίς για να μετρήσουμε αξιόπιστα τον αντίκτυπο αυτών των νόμων, υποστηρίζουν οι ερευνητές. Ο πραγματικός αντίκτυπος εξαρτάται από τη δυνατότητα μιας κυβέρνησης να εισαγάγει και να επιβάλει ουσιαστικούς νόμους. Εξαρτάται επίσης από την υπερνίκηση των φόβων του ιδιωτικού τομέα σχετικά με την υπερβολική διαφάνεια που ενδέχεται να θέσει σε κίνδυνο το ανταγωνιστικό πλεονέκτημα.
Ωστόσο, η τεχνητή νοημοσύνη και οι λύσεις μαθηματικής βελτιστοποίησης θα μπορούσαν να διασφαλίσουν ότι οι εταιρείες μπορούν να κάνουν περισσότερα για την καταπολέμηση της εμπορίας ανθρώπων χωρίς να αποκαλύπτουν πολύτιμα μυστικά. Οι ΜΚΟ, η βιομηχανία και οι ακαδημαϊκοί ερευνητές διαδραματίζουν καθοριστικό ρόλο. Δεδομένου ότι τα μοντέλα είναι τόσο καλά όσο οι υποθέσεις που είναι ενσωματωμένες σε αυτά, οι ΜΚΟ πρέπει να συνεργαστούν με τη βιομηχανία (τους φύλακες τεράστιων αποθεμάτων δεδομένων της εφοδιαστικής αλυσίδας) και τους ερευνητές οι οποίοι μπορούν να βοηθήσουν με τα δεδομένα.
Tα δεδομένα τvn εφοδιαστικmvn αλυσίδvn αποτελούν μόνο μέρος του απαραίτητου πληροφοριακού τοπίου. Οι άνθρωποι που έχουν πέσει θύματα εμπορίας πρέπει πάντα να περιλαμβάνονται κατά την ανάπτυξη λύσεων για την εμπορία ανθρώπων. Η εμπειρία τους παρέχει μια πολύτιμη προοπτική που δεν διαθέτουν οι επιχειρήσεις, οι ΜΚΟ και άλλοι ενδιαφερόμενοι για την καταπολέμηση της εμπορίας ανθρώπων.
Γενικές πληροφορίες που ευθυγραμμίζονται με τομείς δημόσιου ενδιαφέροντος (όπως ο αριθμός των προμηθευτών που έχουν υποβληθεί σε ελέγχους κατά της εμπορίας ανθρώπων ή έχουν δεσμευτεί να τηρούν κώδικα δεοντολογίας) θα μπορούσαν και θα έπρεπε να δημοσιοποιούνται όσο το δυνατόν ευρύτερα σύμφωνα με τη νομοθεσία. Εν τω μεταξύ, προσωπικά δεδομένα – για παράδειγμα, ονόματα και τοποθεσίες των υπεργολάβων παραγωγής παγκοσμίως – θα μπορούσαν να κοινοποιηθούν αποκλειστικά σε ομάδες ερευνητών και ΜΚΟ για να αποτελέσουν μέρος των συνόλων δεδομένων στα οποία θα εκπαιδευθούν τα μοντέλα τεχνητής νοημοσύνης ώστε να βοηθήσουν στην καθοδήγηση των προσπαθειών κατά της εμπορίας ανθρώπων.
