دانشمندان الگوریتم‌هایی را برای جدا کردن این سوپ DNA و اندازه گیری مقادیر نسبی DNA هر فرد در یک نمونه ایجاد کرده‌اند. این روشهای "ژنوتیپ احتمالی"، محققان پزشکی قانونی را قادر ساخته‌اند که نشان دهند چقدر احتمال دارد DNA فرد در یک نمونه مخلوط که در صحنه جنایت یافت شده است، واقع باشد.
و اکنون، تکنیک‌های پیشرفته‌تر هوش مصنوعی (AI) در تلاش برای استخراج پروفایل‌های DNA ایجاد شده‌اند و سعی می‌کنند مشخص کنند که آیا نمونه دی ان ای به طور مستقیم از شخصی است که در صحنه جنایت بوده است، یا این که به تازگی به نحوی بدون تقصیر منتقل شده است.
اما اگر این فناوری موفقیت آمیز باشد، می‌تواند مشکل جدیدی را به وجود آورد، زیرا درک دقیق این که چگونه این هوش مصنوعی به نتیجه می‌رسد، در حال حاضر غیرممکن است. و چگونه می‌توانیم به این فناوری اعتماد کنیم که شواهدی حیاتی را ارائه می‌دهد، اگر نتوانیم از این که چگونه این شواهد را در وهله اول تولید کرده است، بازجویی کنیم؟ و این امر، این پتانسیل را دارد که راه را برای سوء استفاده‌های بیشتر از عدالت باز کند. به این لحاظ این عدم شفافیت می‌تواند مانعی برای استفاده این فناوری در تحقیقات پزشکی قانونی باشد.
چالش‌های مشابه وقتی ظهور کرد که اولین نرم افزار تجزیه و تحلیل DNA یک دهه پیش ساخته شد. شواهد حاصل از نرم افزار مخلوط DNA خیلی سریع با چالش تیمهای دفاعی (از جملهOJ Simpson ) مواجه شد، و آنها نگران این بودند که دادستان باید اثبات کند که این نرم افزار به درستی تأیید شده و معتبر است.
نتایج چقدر دقیق بودند و نرخ خطاهای شناخته شده چقدر بود؟ این نرم افزار دقیقاً چگونه کار می‌کرد و آیا می‌توانست فرضیه‌های دفاعی را در خود جای دهد؟ آیا نتایج واقعاً چنان قابل اعتماد بودند که یک هیئت منصفه بتواند با خیال راحت بر مبنای آن محکوم کند؟
این یک اصل اساسی قانون است که شواهد باید در معرض نظارت قرار گیرند. هیئت منصفه نمی‌تواند به ادعاهای طاس (ادعاهای مطرح شده بدون مدرک) تکیه کند، مهم نیست چه کسی آنها را ساخته باشد و چه تخصصی داشته باشد. اما صاحبان این نرم افزار ادعا کردند که این مالکیت معنوی محافظت شده آنهاست و این که چگونه کار می کند نباید علنی شود.
این نبردی را در پی داشت که شامل استفاده از رویه‌های جدید دادگاه بود تا تیمهای دفاعی بتوانند نحوه عملکرد نرم افزار را به صورت خصوصی بررسی کنند. سرانجام، دادگاه‌ها متقاعد شدند که دسترسی کامل به کد منبع ضروری است، به ویژه برای آزمایش فرضیه‌هایی غیر از مواردی که دادستانی ارائه کرد.
شرح تصویر: هوش مصنوعی می‌تواند پیش گویی کند که آیا کسی واقعاً در محل نمونه DNA بوده است یا خیر. Gorodenkoff / Shutterstock
اما این نرم افزار به طور کامل مسائل مربوط به مخلوط‌های DNA و نمونه های کوچک و تخریب شده را حل نکرده است. ما هنوز به طور قطعی نمی‌دانیم که آیا DNA نمونه به طور مستقیم از شخص گرفته شده است یا به آن جا منتقل شده است. هوش مصنوعی از الگوریتم‌های ریاضی برای تکمیل کارهایی مانند تطبیق حالت چهره با مجموعه خاصی از احساسات استفاده می کند. اما، نکته بسیار مهم این است که هوش مصنوعی قادر است از طریق فرایند آزمایش و خطا یاد بگیرد و به تدریج الگوریتم‌های اساسی خود را دستکاری کند تا کارآمدتر شود. این مسئله با این واقعیت پیچیده شده است که افراد مختلف با سرعت‌های متفاوت DNA می‌ریزند – پدیده‌ای که به عنوان "وضعیت ریزنده" آنها شناخته می‌شود.
به عنوان مثال، نمونه گرفته شده از سلاح قتل می‌تواند حاوی DNA بیشتری از کسی باشد که به آن دست نزده است نسبت به کسی که واقعاً مرتکب این قتل شده است. به همین دلیل افرادی بی گناه به جرایمی جدی متهم شده‌اند.
این واقعیت را باید اضافه کرد که DNA در امتداد سطوح مختلف با سرعت‌های مختلف و در شرایط محیطی مختلف منتقل می شود و ممکن است دانستن این که دقیقا DNA در یک نمونه از کجا آمده است تقریباً غیر ممکن باشد. این مشکل "انتقال و ماندگاری" تهدید می‌کند که به طور جدی زیر پای پزشکی قانونی DNA را خالی می‌کند.
در نتیجه آزمایش‌هایی برای یافتن راه‌های دقیق‌تر انتقال DNA در شرایط مختلف انجام می‌شود. و هوش مصنوعی این پتانسیل را دارد که داده‌های حاصل از این آزمایش‌ها را تجزیه و تحلیل کرده و از آن برای نشان دادن منشأ DNA در یک نمونه استفاده کند.
اما نرم افزار مبتنی بر هوش مصنوعی حتی بیشتر از نرم افزار ژنوتیپ احتمالی، و آنی که در حال حاضر استفاده از آن اساسی است، مشکل شفافیت دارد. نحوه کار دقبق این نرم افزار فقط یک راز تجاری نیست - حتی برای توسعه دهندگان نرم افزار نیز مشخص نیست.
مسائل مربوط به شفافیت
هوش مصنوعی از الگوریتم‌های ریاضی برای تکمیل کارهایی مانند تطبیق حالت چهره با مجموعه خاصی از احساسات استفاده می کند. اما، نکته بسیار مهم این است که هوش مصنوعی قادر است از طریق فرایند آزمایش و خطا یاد بگیرد و به تدریج الگوریتم‌های اساسی خود را دستکاری کند تا کارآمدتر شود.این روند دستکاری و تغییر است که همیشه شفاف نیست. این نرم افزار با توجه به منطق غیر قابل توصیف خود، تغییرات خود را بسیار سریع انجام می‌دهد. این می‌تواند نتایج خارق العاده‌ای را به دست دهد اما ما نمی‌توانیم بگوییم چگونه این کار را کرد. مانند جعبه سیاه عمل می‌کند که ورودی‌ها را می‌گیرد و خروجی می‌دهد، اما عملکرد داخلی آن نامرئی است. برنامه نویسان می‌توانند یک روند توسعه واضح‌تر را توسعه دهند اما کندتر و ناکارآمدتر است.
این مسئله‌ی شفافیت بر بسیاری از کاربردهای گسترده‌تر هوش مصنوعی تأثیر می‌گذارد. به عنوان مثال، تصحیح سیستم‌های هوش مصنوعی که تصمیمات آنها تعصب نژادی یا جنسیتی را نشان می‌دهد، از جمله مواردی که برای غربال‌گری در میان رزومه درخواست کنندگان شغل استفاده می‌شود یا منابع پلیس را هدف می‌گیرد، بسیار دشوار است.
منبع: کارن ریچموند - University of Strathclyde
