Des chercheurs ont développé un modèle d'intelligence artificielle capable de prédire les crimes avec une précision supérieure aux approches existantes, en croisant les données géographiques, les tendances temporelles et les indicateurs sociaux. Leur étude, publiée dans l'International Journal of Innovative Computing and Applications, repose sur une architecture combinant trois techniques d'apprentissage automatique. Un réseau convolutif sur graphe analyse les relations spatiales entre les lieux, tandis qu'un transformateur identifie les évolutions dans le temps. Un réseau antagoniste génératif, optimisé par un autoencodeur variationnel, améliore la génération de données d'entraînement et limite les biais ou les ralentissements d'apprentissage. Lors de tests sur des archives criminelles de villes américaines comme Los Angeles et Seattle, le système a atteint un taux de réussite de 86,3 % pour anticiper les cambriolages, devançant les meilleurs modèles concurrents qui plafonnaient à 83,2 %. Des performances similaires ont été observées pour d'autres catégories d'infractions. Cette capacité de prévision pourrait permettre aux forces de l'ordre d'optimiser le déploiement de leurs effectifs et de cibler préventivement les quartiers à risque. L'outil montre néanmoins ses limites dans les zones où les données historiques sont rares ou absentes, ce qui affecte sa fiabilité prédictive. Pour palier ce manque, les chercheurs prévoient d'adapter le modèle via le transfert d'apprentissage, une méthode permettant de réutiliser les connaissances acquises dans des environnements bien documentés pour enrichir ceux qui en sont dépourvus. Ces travaux démontrent le potentiel opérationnel de l'IA dans la sécurité publique, tout en soulignant la nécessité de renforcer sa robustesse face aux données fragmentées.