On a Saturday afternoon last summer

On a Saturday afternoon last summer, Mark Rasch took his son to his baseball game at a park in Georgetown, Maryland. The ballpark is located
in an area that has zone parking with a two-hour limit. Rasch was forced to park in a spot that was a bit of a hike from the ball field. He later eyed an opening closer to the park and moved his car there.
The game ended. Rasch packed up and was ready to pull away when he noticed a parking enforcement officer writing tickets. “I’m OK, right?” he asked, assuming that because he had moved his car she wouldn’t know he’d been parked in the zone for more than two hours.
Wrong. The officer not only knew that he had moved his car but when and how long he’d been parked within the zone. Fortunately, she didn’t write him a ticket as he was about to pull out. But the encounter left Rasch, who is a lawyer and a cybersecurity consultant, a little spooked at the realization of just how much information law enforcement is generating. If there was a time when law enforcement agencies suf- fered from an information deficit, it has passed. Of the more than 18,000 law enforcement agencies across the United States, the vast majority has some form of technology for collecting crime-related data in digital form. The biggest city agencies have sophisticated data warehouses, and even the most provincial are database savvy.
So it’s not surprising that law enforcement and criminal justice agencies are running into the same data-related prob- lems that CIOs have been experiencing for years: ensuring data quality and accessibility, developing and enforcing Law enforcement agencies have stepped up the use of data in not only fighting, but also preventing, crime. standards for interoperability, and exploiting those digital resources in the most effective manner.
The era of data-driven law enforcement began in the early 1990s in New York City. There, police chief William Bratton sought to impress newly elected mayor Rudolph Giuliani with a radical approach to policing that came to be known as Comp- Stat. CompStat put an emphasis on leveraging data—accurate, detailed, and timely—to optimize police work.
“Police departments are powerful collectors of data,” says Michael Berkow, president of Altegrity Security Consulting (ASC), a newly launched division of security firm Altegrity. Before joining ASC last month, Berkow was chief of the Savannah-Chatham police department, and before that he was second in command to Bratton in Los Angeles after Bratton left New York to be chief of the Los Angeles Police Department.
Police departments were motivated to implement or upgrade IT systems by the Y2K frenzy, Berkow says. “By 2000-2001, everybody had some level of digital informa- tion,” he says.
That and CompStat led to a movement known by the initials ILP, which stand for “information-led policing” or, according to some, “intelligence-led policing.”
The concept is simple: Leverage data to help position limited police resources where they can do the most good. It’s an effort to be more proactive, to “change the environ- ment,” Berkow says, from the reactive, response-oriented methods of the past.
To a great extent, data are about the context of criminal behavior. “We know that the same small group of criminals is responsible for a disproportionate amount of crime,” says Berkow. Police refer to that group as PPOs: persistent prolific offenders. Past criminal behavior, such as domestic violence, can be a strong indicator of potential future problems. When Berkow was chief in Savannah, his department went through data on recent homicide cases and noticed an interesting data point: Of about 20 arrests for homicide, 18 of those people had prior arrests for possession of firearms. “We started this very detailed review of every aspect of our gun arrests,” he says.
Law enforcement officials often refer to the need for ac- tionable information. One of the first ways police agencies used incident-report data in digital form was in conjunction with geographical information systems, in support of what’s known as electronic crime mapping, or hot-spot analysis.
Police in the city of Edmonton, Alberta, brought in data analysis technology from business intelligence vendor Cognos (now part of IBM) a few years ago. In their first project, police officials concentrated on using the reporting tool in conjunction with a new geographic-based resource deployment model being implemented by the agency. “Our business analytics reports became a key component of how we deployed policemen around the city,” says John Warden, staff sergeant in the business performance section of the Edmonton Police Service.
Now the agency is using the data to plot criminal activ- ity according to both geographic area and comparative his- tory. “We’re really delving into those analytics in terms of place and time,” says Warden. The holy grail of informa- tion-led policing is what’s referred to as predictive policing: being able to predict where and when crimes may occur.
That’s where Chicago wants to go. The Chicago Police Department operates what Jonathan Lewin, commander of information services, refers to as “the largest police transaction database in the United States.” Costing $35 million, Chicago’s Citizen and Law Enforcement Analysis and Reporting (CLEAR) system processes “all the arrests for all the depart- ments in Cook county—about 120—in real time,” Lewin says, and 450 local, state, and federal law enforcement agencies have query access to it. Lewin’s IT shop has about 100 staffers and employs between 10 and 20 contract workers from Oracle, whose database technology the system is based on.
Chicago’s police department is working with the Illinois Institute of Technology (IIT), by way of a $200,000 grant from the National Institute of Justice, on an “initial explora- tion” of a predictive policing model. The grant was awarded partly on the basis of work done by Dr. Miles Wernick of IIT in the area of medical imaging and pattern recognition, and the project involves exploring “nontraditional disci- plines” and how they might apply to crime projection. “We’re going to be using all the data in the CLEAR system,” Lewin says, including arrests, incidents, calls for service, street-gang activity, as well as weather data and community concerns such as reports of streetlights out. “This model will seek to use all these variables in attempting to model future patterns of criminal activity,” he says.
SPSS is a name often associated with predictive policing. The statistical-analysis software developer, recently acquired by IBM, has customer histories that tout the success of its tools in the criminal justice environment, such as the Mem- phis, Tennessee, police force, which SPSS says reduced rob- beries by 80 percent by identifying a particular hot spot and proactively deploying resources there.
But can software really predict crime? “It’s not a binary yes or no; it’s more of an assessment of risk—how probable something is,” says Bill Haffey, technical director for the public sector at SPSS.

The private sector is also doing its part. CargoNet, the first-ever national database of truck theft information, is a joint project from insurance data provider ISO and the Na- tional Insurance Crime Bureau (NICB). CargoNet will col- lect up to 257 fields of data detailing everything from destination, plate number, and carrier; to the time, data, and location of the theft; to serial numbers and other identifying details on the stolen goods. Refreshed several times per day, CargoNet is expected to track more than 10,000 events per year, driving both a national alerting system and a corre- sponding truck stop watch program.
Truck theft happens mostly on weekends, and it’s rife around the Los Angeles basin, Atlanta, Miami, Dallas/Ft. Worth, and Memphis, Tennessee. Trucks and trailers typi- cally slip away in the dark of night from truck stops, rest ar- eas, distribution centers, and transfer points. The goods most often hit are consumer electronics, food, wine and spir- its, clothing, and other items easily sold on the street.
These historical patterns are well known, but cops on the beat need up-to-the-minute information on the latest truck stops and distribution centers hit, the time of day per- petrators strike, and the type of goods stolen.
Carriers and manufacturers want fresh, nationwide in- formation so they can change the timing of deliveries and avoid specific truck stops and routes. Insurers want a single source of data so they can get a better gauge risk and bring the problem under control nationwide.
All this collecting, warehousing, and mining crime- related data begs the question: How much is too much? The Georgetown incident still bothers Rasch. “What it meant was that D.C. was keeping a database of people who are le- gally parked,” says Rasch, which, from a privacy standpoint, is “more intrusive than chalking the tires.”
Pertinent questions include: How long do they hold onto that data? And with whom do they share it? It’s an important discussion to have, both in terms of privacy and effective po- lice methods. After all, as Rasch points out, it was a parking ticket that led to the arrest of serial killer Son of Sam.
Source: Adapted from John Soat, “Beyond Street Smarts,” InformationWeek, November 16, 2009; and Doug Henschen, “ National Database Tracks Truck Thefts,” InformationWeek, January 26, 2010.
1. What are some of the most important benefits derived by the law enforcement agencies mentioned in the case? How do these technologies allow them to better fight crime? Provide several examples.
2. How are the data-related issues faced by law enforce- ment similar to those that could be found in companies? How are they different? Where do these problems come from? Explain.
3. Imagine that you had access to the same crime-related information as that managed by police departments. How would you analy

Kết quả (Việt) 1:

Vào một buổi chiều thứ bảy mùa hè năm ngoái, Mark Rasch đưa con trai của ông đến bóng chày của mình trò chơi tại một công viên ở Georgetown, Maryland. Sân chơi bóng chày nằmtrong một khu vực có khu vực bãi đậu xe với một giới hạn hai giờ. Rasch được buộc phải công viên ở một vị trí đó là một chút của một đi lang thang từ lĩnh vực bóng. Ông sau đó mắt mở một gần gũi hơn với công viên và di chuyển chiếc xe của mình có.Trò chơi kết thúc. Rasch đóng gói và sẵn sàng để kéo đi khi ông nhận thấy một sĩ quan thực thi pháp luật đậu xe viết vé. "Tôi là OK, phải không?" Anh hỏi, giả sử rằng vì ông ta đã chuyển chiếc xe của mình, cô ấy sẽ không biết ông đã được chưa sử dụng trong khu vực trong hơn hai giờ.Sai. Các viên chức không chỉ biết rằng ông ta đã chuyển xe hơi của mình nhưng khi nào và bao lâu ông đã được chưa sử dụng trong vùng. May mắn thay, cô đã không viết anh ta một vé như ông đã là về để kéo ra. Nhưng các cuộc gặp gỡ bỏ Rasch, người là một luật sư và một nhà tư vấn cybersecurity, một chút spooked tại thực hiện chỉ có bao nhiêu thông tin thực thi pháp luật tạo ra. Nếu đã có một thời gian khi luật thực thi pháp luật cơ quan suf-fered từ một mức thâm hụt thông tin, nó đã thông qua. Của pháp luật hơn 18.000 các cơ quan thực thi pháp luật trên khắp Hoa Kỳ, phần lớn có một số hình thức của công nghệ để thu thập dữ liệu liên quan đến tội phạm ở dạng kỹ thuật số. Các cơ quan thành phố lớn nhất có tinh vi kho lưu trữ dữ liệu, và ngay cả các cấp tỉnh là cơ sở dữ liệu hiểu biết.So it’s not surprising that law enforcement and criminal justice agencies are running into the same data-related prob- lems that CIOs have been experiencing for years: ensuring data quality and accessibility, developing and enforcing Law enforcement agencies have stepped up the use of data in not only fighting, but also preventing, crime. standards for interoperability, and exploiting those digital resources in the most effective manner.The era of data-driven law enforcement began in the early 1990s in New York City. There, police chief William Bratton sought to impress newly elected mayor Rudolph Giuliani with a radical approach to policing that came to be known as Comp- Stat. CompStat put an emphasis on leveraging data—accurate, detailed, and timely—to optimize police work.“Police departments are powerful collectors of data,” says Michael Berkow, president of Altegrity Security Consulting (ASC), a newly launched division of security firm Altegrity. Before joining ASC last month, Berkow was chief of the Savannah-Chatham police department, and before that he was second in command to Bratton in Los Angeles after Bratton left New York to be chief of the Los Angeles Police Department.Police departments were motivated to implement or upgrade IT systems by the Y2K frenzy, Berkow says. “By 2000-2001, everybody had some level of digital informa- tion,” he says.That and CompStat led to a movement known by the initials ILP, which stand for “information-led policing” or, according to some, “intelligence-led policing.”The concept is simple: Leverage data to help position limited police resources where they can do the most good. It’s an effort to be more proactive, to “change the environ- ment,” Berkow says, from the reactive, response-oriented methods of the past.To a great extent, data are about the context of criminal behavior. “We know that the same small group of criminals is responsible for a disproportionate amount of crime,” says Berkow. Police refer to that group as PPOs: persistent prolific offenders. Past criminal behavior, such as domestic violence, can be a strong indicator of potential future problems. When Berkow was chief in Savannah, his department went through data on recent homicide cases and noticed an interesting data point: Of about 20 arrests for homicide, 18 of those people had prior arrests for possession of firearms. “We started this very detailed review of every aspect of our gun arrests,” he says.Law enforcement officials often refer to the need for ac- tionable information. One of the first ways police agencies used incident-report data in digital form was in conjunction with geographical information systems, in support of what’s known as electronic crime mapping, or hot-spot analysis.Police in the city of Edmonton, Alberta, brought in data analysis technology from business intelligence vendor Cognos (now part of IBM) a few years ago. In their first project, police officials concentrated on using the reporting tool in conjunction with a new geographic-based resource deployment model being implemented by the agency. “Our business analytics reports became a key component of how we deployed policemen around the city,” says John Warden, staff sergeant in the business performance section of the Edmonton Police Service.Now the agency is using the data to plot criminal activ- ity according to both geographic area and comparative his- tory. “We’re really delving into those analytics in terms of place and time,” says Warden. The holy grail of informa- tion-led policing is what’s referred to as predictive policing: being able to predict where and when crimes may occur.That’s where Chicago wants to go. The Chicago Police Department operates what Jonathan Lewin, commander of information services, refers to as “the largest police transaction database in the United States.” Costing $35 million, Chicago’s Citizen and Law Enforcement Analysis and Reporting (CLEAR) system processes “all the arrests for all the depart- ments in Cook county—about 120—in real time,” Lewin says, and 450 local, state, and federal law enforcement agencies have query access to it. Lewin’s IT shop has about 100 staffers and employs between 10 and 20 contract workers from Oracle, whose database technology the system is based on.Chicago’s police department is working with the Illinois Institute of Technology (IIT), by way of a $200,000 grant from the National Institute of Justice, on an “initial explora- tion” of a predictive policing model. The grant was awarded partly on the basis of work done by Dr. Miles Wernick of IIT in the area of medical imaging and pattern recognition, and the project involves exploring “nontraditional disci- plines” and how they might apply to crime projection. “We’re going to be using all the data in the CLEAR system,” Lewin says, including arrests, incidents, calls for service, street-gang activity, as well as weather data and community concerns such as reports of streetlights out. “This model will seek to use all these variables in attempting to model future patterns of criminal activity,” he says.SPSS is a name often associated with predictive policing. The statistical-analysis software developer, recently acquired by IBM, has customer histories that tout the success of its tools in the criminal justice environment, such as the Mem- phis, Tennessee, police force, which SPSS says reduced rob- beries by 80 percent by identifying a particular hot spot and proactively deploying resources there.But can software really predict crime? “It’s not a binary yes or no; it’s more of an assessment of risk—how probable something is,” says Bill Haffey, technical director for the public sector at SPSS.The private sector is also doing its part. CargoNet, the first-ever national database of truck theft information, is a joint project from insurance data provider ISO and the Na- tional Insurance Crime Bureau (NICB). CargoNet will col- lect up to 257 fields of data detailing everything from destination, plate number, and carrier; to the time, data, and location of the theft; to serial numbers and other identifying details on the stolen goods. Refreshed several times per day, CargoNet is expected to track more than 10,000 events per year, driving both a national alerting system and a corre- sponding truck stop watch program.Truck theft happens mostly on weekends, and it’s rife around the Los Angeles basin, Atlanta, Miami, Dallas/Ft. Worth, and Memphis, Tennessee. Trucks and trailers typi- cally slip away in the dark of night from truck stops, rest ar- eas, distribution centers, and transfer points. The goods most often hit are consumer electronics, food, wine and spir- its, clothing, and other items easily sold on the street.These historical patterns are well known, but cops on the beat need up-to-the-minute information on the latest truck stops and distribution centers hit, the time of day per- petrators strike, and the type of goods stolen.Carriers and manufacturers want fresh, nationwide in- formation so they can change the timing of deliveries and avoid specific truck stops and routes. Insurers want a single source of data so they can get a better gauge risk and bring the problem under control nationwide.All this collecting, warehousing, and mining crime- related data begs the question: How much is too much? The Georgetown incident still bothers Rasch. “What it meant was that D.C. was keeping a database of people who are le- gally parked,” says Rasch, which, from a privacy standpoint, is “more intrusive than chalking the tires.”
Pertinent questions include: How long do they hold onto that data? And with whom do they share it? It’s an important discussion to have, both in terms of privacy and effective po- lice methods. After all, as Rasch points out, it was a parking ticket that led to the arrest of serial killer Son of Sam.
Source: Adapted from John Soat, “Beyond Street Smarts,” InformationWeek, November 16, 2009; and Doug Henschen, “ National Database Tracks Truck Thefts,” InformationWeek, January 26, 2010.
1. What are some of the most important benefits derived by the law enforcement agencies mentioned in the case? How do these technologies allow them to better fight crime? Provide several examples.
2. How are the data-related issues faced by law enforce- ment similar to those that could be found in companies? How are they different? Where do these problems come from? Explain.
3. Imagine that you had access to the same crime-related information as that managed by police departments. How would you analy

Kết quả (Việt) 2:

Vào một buổi chiều thứ bảy mùa hè năm ngoái, Mark Rasch dắt con trai đến chơi bóng chày của mình tại một công viên ở Georgetown, bang Maryland. Các sân bóng nằm
trong một khu vực có bãi đậu xe khu vực có một giới hạn hai giờ. Rasch đã buộc phải đậu xe ở một điểm đó là một chút của một tăng từ các lĩnh vực bóng. Sau đó, ông đưa mắt nhìn một mở gần gũi hơn với công viên và di chuyển chiếc xe của mình ở đó.
Các trận đấu kết thúc. Rasch đóng gói và đã sẵn sàng để kéo đi khi anh nhận thấy một nhân viên thực thi đậu xe viết vé. "Tôi là OK, phải không?" Anh hỏi, giả định rằng bởi vì ông đã di chuyển chiếc xe của mình, cô sẽ không biết anh đã đậu trong khu vực trong hơn hai giờ.
Wrong. Nhân viên không chỉ biết rằng ông đã di chuyển xe nhưng khi mình và bao lâu anh đã đậu trong vùng. May mắn thay, cô đã không viết cho anh một vé, anh về để kéo ra. Nhưng cuộc gặp gỡ rời Rasch, là một luật sư và một nhà tư vấn an ninh mạng, một chút hoảng sợ ở việc thực hiện chỉ có bao nhiêu thông tin thực thi pháp luật được tạo ra. Nếu đã có một thời gian khi các cơ quan thực thi pháp luật suf- fered từ mức thâm hụt thông tin, nó đã được thông qua. Của cơ quan hơn 18.000 thực thi pháp luật trên khắp Hoa Kỳ, phần lớn có một số hình thức công nghệ để thu thập dữ liệu liên quan đến tội phạm ở dạng kỹ thuật số. Các cơ quan thành phố lớn nhất có kho dữ liệu phức tạp, và thậm chí cả các tỉnh, nhất là cơ sở dữ liệu có hiểu biết.
Vì vậy, nó không phải là đáng ngạc nhiên rằng việc thực thi luật pháp và các cơ quan tư pháp hình sự đang chạy vào vấn đề vướng dữ liệu liên quan đến cùng mà CIO đã được trải qua trong nhiều năm: đảm bảo dữ liệu chất lượng và khả năng tiếp cận, phát triển và các cơ quan thực thi pháp luật thực thi đã tăng cường việc sử dụng các dữ liệu trong không chỉ chiến đấu, mà còn ngăn ngừa, tội phạm. tiêu chuẩn cho khả năng tương tác, và khai thác những nguồn tài nguyên kỹ thuật số một cách hiệu quả nhất.
Thời đại của thực thi pháp luật theo hướng dữ liệu bắt đầu vào đầu những năm 1990 tại thành phố New York. Ở đó, cảnh sát trưởng William Bratton đã tìm cách gây ấn tượng với thị trưởng mới được bầu Rudolph Giuliani với một cách tiếp cận triệt để lập chính sách đó đã được biết đến như Comp- Stat. CompStat đặt trọng tâm vào tận dụng dữ liệu chính xác, chi tiết, và kịp thời để tối ưu hóa công việc của cảnh sát.
"Bộ phận Cảnh sát đang thu mạnh mẽ của dữ liệu," Michael Berkow, chủ tịch của Altegrity an Consulting (ASC), một bộ phận vừa được tung ra của hãng bảo mật cho biết Altegrity. Trước khi gia nhập ASC tháng trước, Berkow là Giám đốc của Sở Cảnh sát Savannah-Chatham, và trước đó ông là thứ hai trong câu lệnh để Bratton ở Los Angeles sau khi Bratton rời New York để được giám đốc Sở Cảnh sát Los Angeles.
Sở cảnh sát được thúc đẩy thực hiện hoặc nâng cấp các hệ thống IT của sự điên cuồng Y2K, Berkow nói. "Bằng 2000-2001, tất cả mọi người đã có một số mức độ của những thông tin kỹ thuật số," ông nói.
Điều đó và CompStat dẫn đến một phong trào được gọi bằng các chữ cái đầu ILP, mà đứng cho "thông tin dẫn soát" hoặc, theo một số người, "trí thông minh . policing -led
"Khái niệm này rất đơn giản: dữ liệu đòn bẩy để giúp vị trí nguồn lực hạn chế của cảnh sát, nơi họ có thể làm tốt nhất. Đây là một nỗ lực để chủ động hơn, để "thay đổi môi trường," Berkow nói, từ, phương pháp định hướng phản hồi phản ứng của quá khứ.
Để một mức độ lớn, dữ liệu về bối cảnh của hành vi phạm tội. "Chúng tôi biết rằng các nhóm nhỏ cùng của bọn tội phạm chịu trách nhiệm cho một số lượng không cân xứng của tội phạm," Berkow nói. Cảnh sát chỉ đến đó nhóm như PPO: người phạm tội sung mãn dai dẳng. Hành vi phạm tội trong quá khứ, như bạo lực gia đình, có thể là một chỉ số quan trọng của các vấn đề tiềm năng trong tương lai. Khi Berkow đã trưởng ở Savannah, bộ phận của ông đã đi qua số liệu về trường hợp giết người gần đây và nhận thấy một điểm dữ liệu thú vị: Trong khoảng 20 vụ bắt giữ vì tội giết người, 18 trong số những người đã bị bắt trước đó để sở hữu vũ khí. "Chúng tôi bắt đầu xem xét rất chi tiết này trong mọi khía cạnh của vụ bắt giữ súng của chúng tôi," ông nói.
Các quan chức thực thi pháp luật thường xuyên đề cập đến sự cần thiết cho ac- thông tin tionable. Một trong những cơ quan cách cảnh sát đầu tiên sử dụng dữ liệu sự cố báo cáo ở dạng kỹ thuật số đã kết hợp với các hệ thống thông tin địa lý, hỗ trợ của những gì được gọi là bản đồ tội phạm điện tử, hoặc phân tích điểm nóng.
Cảnh sát tại thành phố Edmonton, Alberta, mang trong Công nghệ phân tích dữ liệu từ các nhà cung cấp thông tin kinh doanh Cognos (nay là một phần của IBM) một vài năm trước đây. Trong dự án đầu tiên của họ, các quan chức cảnh sát tập trung vào việc sử dụng các công cụ báo cáo kết hợp với việc triển khai mô hình tài nguyên địa lý dựa trên mới được thực hiện bởi cơ quan. "Báo cáo phân tích kinh doanh của chúng tôi đã trở thành một thành phần quan trọng như thế nào, chúng tôi triển khai cảnh sát xung quanh thành phố", John Warden, nhân viên trung sĩ trong phần hiệu quả kinh doanh của Sở Cảnh sát Edmonton nói.
Bây giờ cơ quan này đang sử dụng các dữ liệu để vẽ ity activ- hình sự theo cho cả hai khu vực địa lý và so sánh bệnh sử. "Chúng tôi đang thực sự đào sâu vào những phân tích về địa điểm và thời gian," Warden nói. Chén thánh của informa- tion-dẫn lập chính sách là những gì được gọi là sát tiên đoán:. Có khả năng dự đoán vị trí và khi tội phạm có thể xảy ra
Đó là nơi Chicago muốn đi. Sở Cảnh sát Chicago hoạt động gì Jonathan Lewin, chỉ huy của các dịch vụ thông tin, đề cập đến như là "cơ sở dữ liệu giao dịch của cảnh sát lớn nhất tại Hoa Kỳ." Chi phí $ 35 triệu, Citizen Chicago và Luật Phân tích thực thi và báo cáo (CLEAR) tiến trình hệ thống "tất cả các vụ bắt giữ cho tất cả các lý phòng ban trong Cook quận-120 trong thời gian thực ", Lewin cho biết, và các cơ quan thực thi pháp luật 450 địa phương, tiểu bang và liên bang có quyền truy cập truy vấn với nó. Cửa hàng IT Lewin của có khoảng 100 nhân viên và sử dụng từ 10 đến 20 lao động hợp đồng từ Oracle, mà công nghệ cơ sở dữ liệu hệ thống được dựa trên.
Sở cảnh sát Chicago đang làm việc với Viện Illinois Công nghệ (IIT), bằng cách tài trợ $ 200,000 từ Quốc gia Học viện Tư pháp, trên một "tion tìm hiểu từ ban đầu" của một mô hình lập chính sách tiên đoán. Việc cấp đã được trao một phần trên cơ sở các công việc được thực hiện bởi Tiến sĩ Miles Wernick của IIT trong lĩnh vực hình ảnh y tế và nhận dạng mẫu, và các dự án liên quan đến việc khám phá "plines ngành học phi truyền thống" và làm thế nào họ có thể áp dụng để chiếu tội phạm. "Chúng tôi sẽ sử dụng tất cả các dữ liệu trong hệ thống CLEAR", Lewin cho biết, bao gồm bắt giữ, sự cố, gọi cho dịch vụ, hoạt động đường phố-gang, cũng như dữ liệu thời tiết và mối quan tâm của cộng đồng như báo cáo của đèn đường ra. "Mô hình này sẽ tìm cách sử dụng tất cả các biến trong cố gắng để mô hình mẫu tương lai của hoạt động tội phạm," ông nói.
SPSS là một tên thường gắn liền với sát tiên đoán. Các nhà phát triển phần mềm thống kê, phân tích, gần đây đã được mua lại bởi IBM, có lịch sử khách hàng mà tout sự thành công của các công cụ của nó trong môi trường tư pháp hình sự, chẳng hạn như các vieân Phis, Tennessee, lực lượng cảnh sát, mà SPSS nói giảm beries rob- bằng 80 phần trăm bằng cách xác định một điểm nóng đặc biệt và chủ động triển khai các nguồn lực đó.
Nhưng có thể phần mềm thực sự dự đoán tội phạm? "Nó không phải là một yes nhị phân hoặc không có; nó còn hơn đánh giá về rủi ro có thể xảy ra như thế nào một cái gì đó được, "Bill Haffey, giám đốc kỹ thuật cho khu vực công ở SPSS nói. Các khu vực tư nhân cũng được làm một phần của nó. CargoNet, lần đầu tiên bao giờ cơ sở dữ liệu quốc gia về thông tin trộm cắp xe tải, là một dự án chung từ nhà cung cấp dữ liệu bảo hiểm tiêu chuẩn ISO và các NA- quốc Insurance Crime Bureau (NICB). CargoNet sẽ col lect lên đến 257 lĩnh vực dữ liệu chi tiết tất cả mọi thứ từ điểm đến, số máy, và vận chuyển; với thời gian, dữ liệu, và vị trí của các hành vi trộm cắp; đến các số nối tiếp và các chi tiết nhận dạng khác đối với hàng hoá bị đánh cắp. Làm mới nhiều lần trong ngày, CargoNet dự kiến sẽ theo dõi hơn 10.000 sự kiện mỗi năm, lái xe cả một hệ thống cảnh báo quốc gia và một chiếc xe tải sponding chương trình dừng lại xem ứng. Trộm cắp xe tải xảy ra chủ yếu vào các ngày cuối tuần, và nó đầy rẫy xung quanh lưu vực Los Angeles, Atlanta, Miami, Dallas / Ft. Worth, và Memphis, Tennessee. Xe tải và xe kéo ra.Thông thường mất ưu thế trong bóng tối của đêm từ xe tải dừng lại, nghỉ ngơi eas ar-, trung tâm phân phối và các điểm chuyển nhượng. Các mặt hàng thường xuyên nhất nhấn là thiết bị điện tử tiêu dùng, thực phẩm, rượu và spir- của nó, quần áo và các vật dụng khác một cách dễ dàng bán trên đường phố. Được Những mô hình lịch sử nổi tiếng, nhưng cảnh sát trên beat cần thông tin up-to-the-phút trên xe tải mới nhất dừng lại và trung tâm phân phối hit, thời gian trong ngày trọng petrators đình công, và các loại hàng hóa bị đánh cắp. Carriers và nhà sản xuất muốn tươi, hình trong- toàn quốc để họ có thể thay đổi thời gian giao hàng và tránh xe tải dừng lại và cụ thể các tuyến đường . Công ty bảo hiểm muốn có một nguồn dữ liệu duy nhất để họ có thể có được một nguy cơ đo tốt hơn và mang lại những vấn đề dưới sự kiểm soát trên toàn quốc. Tất cả thu này, kho bãi, khai thác mỏ và crime- dữ liệu liên quan đến câu hỏi: Bao nhiêu là quá nhiều? Các sự cố Georgetown vẫn phiền Rasch. "Những gì nó có nghĩa là được mà DC đã giữ một cơ sở dữ liệu của những người đang Gally le- đậu," Rasch, trong đó, từ một quan điểm riêng tư, là nói "khó khăn hơn so phấn lốp xe." Câu hỏi thích hợp bao gồm: Làm thế nào lâu để họ nắm giữ vào dữ liệu đó? Và với người mà họ chia sẻ nó? Đó là một cuộc thảo luận quan trọng để có, cả về sự riêng tư và các phương pháp chí po- hiệu quả. Sau khi tất cả, như Rasch chỉ ra, đó là một vé đậu xe đã dẫn đến việc bắt giữ kẻ giết người nối tiếp Con trai của Sam. Nguồn: Trích từ John Soát, "Beyond đường Smarts," InformationWeek, 16 tháng 11 2009; và Doug Henschen, "Cơ sở dữ liệu quốc gia Tracks Truck trộm," InformationWeek, January 26, 2010. 1. Một số trong những lợi ích quan trọng nhất xuất phát bởi các cơ quan thực thi pháp luật đã đề cập trong các trường hợp là gì? Làm thế nào để các công nghệ này cho phép họ chiến đấu tốt hơn tội phạm? Cung cấp một số ví dụ. 2. Làm thế nào các vấn đề liên quan đến dữ liệu phải đối mặt với pháp luật enforce- ment tương tự những gì có thể được tìm thấy trong công ty? Làm thế nào là họ khác nhau? Nơi nào những vấn đề này đến từ đâu? Giải thích. 3. Hãy tưởng tượng rằng bạn có quyền truy cập vào các thông tin tội phạm liên quan đến cùng là cái gì do cơ quan công an quản lý. Làm thế nào bạn sẽ Analy