基于人工智能技術(shù)的司法大數(shù)據(jù)應(yīng)用風(fēng)險評估方法設(shè)計

趙曉林

（貴州省司法廳， 貴州 貴陽 550001）

0 引言

近幾年，司法系統(tǒng)逐漸與多種現(xiàn)代化的信息技術(shù)相結(jié)合?，F(xiàn)代科技為促進(jìn)司法領(lǐng)域與時代發(fā)展趨勢的緊密結(jié)合提供了支持，但與此同時也造成了不利影響。例如由于司法本身是具有固定屬性的，因此在與更多現(xiàn)代化信息技術(shù)融合的過程中，會在不同程度上受到?jīng)_擊，進(jìn)而產(chǎn)生新的風(fēng)險。同時，由于風(fēng)險存在潛在性、非指涉性等特點，因此當(dāng)前現(xiàn)有法律規(guī)范與信息技術(shù)倫理之間無法實現(xiàn)全覆蓋。在該背景下，如何認(rèn)清司法大數(shù)據(jù)在應(yīng)用過程中可能潛在的風(fēng)險成為實現(xiàn)新型技術(shù)風(fēng)險預(yù)防過程中亟需解決的問題。針對司法場景的特殊性，采用傳統(tǒng)的信息技術(shù)已經(jīng)無法準(zhǔn)確地對其存在的風(fēng)險以及問題進(jìn)行評估，針對該問題，該文引入人工智能技術(shù)。當(dāng)前，人工智能技術(shù)在各領(lǐng)域中應(yīng)用得十分廣泛，在不同領(lǐng)域中具備輔助、預(yù)測等功能，并最大程度地利用數(shù)據(jù)信息。因此，結(jié)合人工智能技術(shù)的應(yīng)用優(yōu)勢，通過該技術(shù)對司法大數(shù)據(jù)應(yīng)用風(fēng)險評估方法進(jìn)行研究。

1 基于人工智能技術(shù)的司法大數(shù)據(jù)應(yīng)用風(fēng)險評估方法設(shè)計

人工智能技術(shù)是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的一系列理論和方法，是計算機(jī)領(lǐng)域的重要分支。目前，可以利用人工智能技術(shù)完成部分以往僅有人工才能完成的工作，自然也可以完成對司法大數(shù)據(jù)應(yīng)用風(fēng)險的評估。因此，為提升司法大數(shù)據(jù)應(yīng)用的風(fēng)險評估效果和速度，該文利用人工智能技術(shù)設(shè)計了一種司法大數(shù)據(jù)應(yīng)用風(fēng)險評估方法，其設(shè)計步驟如圖1所示。

圖1 設(shè)計方法操作步驟

1.1 基于人工智能技術(shù)獲取風(fēng)險因素動態(tài)關(guān)聯(lián)規(guī)則

由于風(fēng)險因素處于一種動態(tài)變化的過程中，在不同階段，其影響有強(qiáng)有弱，如果不對其進(jìn)行分析，就有可能導(dǎo)致需要分析的數(shù)據(jù)過多，為風(fēng)險評價帶來更多的數(shù)據(jù)負(fù)擔(dān)，降低評價效率。而且對司法系統(tǒng)的運行和應(yīng)用環(huán)境來說，在對其存在的風(fēng)險問題進(jìn)行評估時，風(fēng)險因素關(guān)聯(lián)規(guī)則通常是靜態(tài)不變的。但當(dāng)前司法系統(tǒng)引入大數(shù)據(jù)技術(shù)后，司法大數(shù)據(jù)運行環(huán)境發(fā)生了改變，相應(yīng)的信息管理平臺也發(fā)生了改變，如果在管理過程中仍然采用傳統(tǒng)的靜態(tài)關(guān)聯(lián)規(guī)則對風(fēng)險進(jìn)行評估，就無法確保評估結(jié)果的準(zhǔn)確性。因此，基于該問題，該文首先引入人工智能技術(shù)，利用人工智能技術(shù)的強(qiáng)大數(shù)據(jù)分析能力對不同風(fēng)險因素的支持度和置信度進(jìn)行計算，再對風(fēng)險因素動態(tài)關(guān)聯(lián)規(guī)則在時間變化過程中的動態(tài)特性進(jìn)行詳細(xì)描述。其中，支持度表示某一安全應(yīng)用風(fēng)險事件與某一風(fēng)險因素同時出現(xiàn)的概率，如公式（1）所示。

式中：為支持度，即某一安全應(yīng)用風(fēng)險事件與某一風(fēng)險因素同時出現(xiàn)的概率；為存在和同時發(fā)生的事件次數(shù)；為所有事件發(fā)生的次數(shù)。

根據(jù)公式（1）求出支持度，再計算它的置信度，置信度可以用來表示在出現(xiàn)某一風(fēng)險因素的同時造成某一安全應(yīng)用風(fēng)險事件發(fā)生的概率，如公式（2）所示。

式中：為置信度，即出現(xiàn)某一風(fēng)險因素同時造成某一安全應(yīng)用風(fēng)險事件發(fā)生的概率；為發(fā)生某一安全應(yīng)用風(fēng)險事件的總次數(shù)。

在公式（1）和公式（2）的基礎(chǔ)上，根據(jù)對支持度和置信度的計算可以排除無關(guān)的因素，減少數(shù)據(jù)分析的數(shù)量，提升風(fēng)險評估的動態(tài)化水平和準(zhǔn)確度。在司法大數(shù)據(jù)信息管理平臺中，對所選擇的評估樣本進(jìn)行分塊處理，并將處理后的結(jié)果輸入相應(yīng)的集群節(jié)點中，利用現(xiàn)有靜態(tài)關(guān)聯(lián)規(guī)則對每個節(jié)點的支持度和置信度進(jìn)行計算。同時，在司法大數(shù)據(jù)中尋找頻繁項集時，引入關(guān)聯(lián)規(guī)則可有效排除支持度和置信度過低的數(shù)據(jù)，從而進(jìn)一步減輕評估的負(fù)擔(dān)，如圖2所示。

圖2 風(fēng)險因素動態(tài)關(guān)聯(lián)規(guī)則示意圖

風(fēng)險因素在不同過程中的重要程度也不同，當(dāng)其為不頻繁因素時，與其相關(guān)的所有數(shù)據(jù)的支持度和置信度均過低，應(yīng)該刪除相關(guān)風(fēng)險因素。而一旦其為頻繁因素，就可以認(rèn)為該風(fēng)險因素十分關(guān)鍵，需要對其進(jìn)行著重分析。例如如果某一風(fēng)險因素為不頻繁因素，即支持度和置信度過低，則與相關(guān)的、、以及等都不頻繁，則可直接將其刪除。而如果某一風(fēng)險因素為頻繁因素，即支持度和置信度較高，則與相關(guān)的、、以及等都較為頻繁，需要對所有相關(guān)因素進(jìn)行分析。在完成上述操作后，從信息管理平臺中獲取本地相關(guān)司法大數(shù)據(jù)信息集合，并在mapper中輸入1個已知的數(shù)據(jù)進(jìn)行記錄.除此之外，還要盡可能地在信息管理平臺中完成對內(nèi)容的簡單合并，并將關(guān)鍵值統(tǒng)一分配到reducer中，從而對數(shù)據(jù)進(jìn)行簡化、統(tǒng)計。最后，還要根據(jù)支持度從小到大的順序?qū)︼L(fēng)險因素進(jìn)行排列，并按照置信度從小到大的順序?qū)︼L(fēng)險因素中的子因素進(jìn)行排列，排除那些支持度和置信度過低的風(fēng)險因素，以此減少無關(guān)數(shù)據(jù)的干擾，提升分析速度，從而獲取風(fēng)險因素動態(tài)關(guān)聯(lián)規(guī)則。

1.2 司法大數(shù)據(jù)應(yīng)用風(fēng)險顯著性因素計分

在獲取司法大數(shù)據(jù)風(fēng)險因素動態(tài)關(guān)聯(lián)規(guī)則的基礎(chǔ)上，對司法大數(shù)據(jù)應(yīng)用風(fēng)險顯著性因素進(jìn)行計分，在司法大數(shù)據(jù)信息管理平臺中，根據(jù)上述內(nèi)容按照從小到大的順序?qū)λ写嬖诘娘L(fēng)險因素進(jìn)行排序，在該基礎(chǔ)上進(jìn)一步排列出4種不同等級程度的應(yīng)用風(fēng)險第二次出現(xiàn)的概率級別。其中，較差等級的計分范圍為0~3，一般等級的計分范圍為3~5，較好等級的計分范圍為5~8，最好等級的計分范圍為8~10。在劃定好以上等級計分范圍后，還需要對以上內(nèi)容的含義進(jìn)行深入認(rèn)識。該文設(shè)定上述風(fēng)險顯著性因素的計分?jǐn)?shù)值越高，則說明再次出現(xiàn)該應(yīng)用風(fēng)險事件的概率越高；如果風(fēng)險顯著性因素的計分?jǐn)?shù)值越低，則說明再次出現(xiàn)應(yīng)用風(fēng)險事件的概率越低。

同時，在計分過程中，對計分的標(biāo)準(zhǔn)進(jìn)行設(shè)定，例如對已經(jīng)發(fā)生過的應(yīng)用風(fēng)險次數(shù)進(jìn)行再次計分，如果沒有出現(xiàn)類似風(fēng)險問題，則記為3分；如果出現(xiàn)一次，則記為2分；如果出現(xiàn)2次或3次，則記為1分；如果出現(xiàn)4次及以上，則記為0分，以此類推完成對其他風(fēng)險顯著性因素的計分工作。而且還可以對已經(jīng)發(fā)生過的應(yīng)用風(fēng)險事件持續(xù)時間進(jìn)行打分，如果持續(xù)時間小于1 min，則記為3分；如果持續(xù)時間為1 min~5 min，則記為2分；如果持續(xù)時間為5 min~60 min，則記為1分；如果持續(xù)時間超過60 min，則記為0分。利用3種打分標(biāo)準(zhǔn)可以減少單一打分容易出錯的問題，提高分析的準(zhǔn)確性。

在按照上述打分標(biāo)準(zhǔn)，針對所有風(fēng)險顯著性因素進(jìn)行打分后，可以為后續(xù)的司法大數(shù)據(jù)應(yīng)用風(fēng)險的量化提供重要數(shù)據(jù)支持。

1.3 司法大數(shù)據(jù)應(yīng)用風(fēng)險量化

將司法大數(shù)據(jù)信息管理平臺中所有需要進(jìn)行風(fēng)險評估的樣本作為評估集合，通過量化所有風(fēng)險結(jié)果的方式對司法大數(shù)據(jù)應(yīng)用風(fēng)險進(jìn)行評估。由于NSS具有系統(tǒng)交換和數(shù)據(jù)庫的功能，可以存儲相關(guān)數(shù)據(jù)并進(jìn)行分析管理。因此，在量化過程中引入網(wǎng)絡(luò)子系統(tǒng)（NSS）完成這一部署，如圖3所示。

圖3 NSS部署流程示意圖

由圖3可知，將不同的司法大數(shù)據(jù)輸入NSS中，經(jīng)由NSS分析處理并對其進(jìn)行量化，可以輸出對應(yīng)的風(fēng)險態(tài)勢。在量化時，假設(shè)某一種司法大數(shù)據(jù)應(yīng)用風(fēng)險事件發(fā)生時，其對應(yīng)的風(fēng)險顯著性因素權(quán)重為，則在某一節(jié)點上，發(fā)生這一風(fēng)險事件的概率為，結(jié)合得到如公式（3）所示的量化公式。

式中：（）為通過量化后得到的司法大數(shù)據(jù)應(yīng)用風(fēng)險評估結(jié)果。

將公式（3）帶入司法大數(shù)據(jù)信息管理平臺中，對不同時刻下平臺的運行情況進(jìn)行分析，并對其可能存在的司法大數(shù)據(jù)應(yīng)用風(fēng)險進(jìn)行評估。同時，引入NSS后，能夠結(jié)合量化后的評估結(jié)果對司法大數(shù)據(jù)應(yīng)用運行風(fēng)險的態(tài)勢進(jìn)行評估，再根據(jù)量化結(jié)果數(shù)據(jù)的變化，直觀地描述司法大數(shù)據(jù)應(yīng)用運行風(fēng)險未來發(fā)生概率增高或降低的趨勢，如果量化結(jié)果數(shù)值逐漸降低，則說明該風(fēng)險事件發(fā)生的概率將會逐漸增加；反之，如果量化結(jié)果數(shù)值逐漸升高，則說明該風(fēng)險事件發(fā)生的概率將會逐漸降低，從而為后續(xù)司法大數(shù)據(jù)的應(yīng)用策略提出與設(shè)計提供更加直觀的事實依據(jù)。同時，在對司法大數(shù)據(jù)信息管理平臺進(jìn)行維護(hù)時，也可以根據(jù)風(fēng)險評估量化結(jié)果對平臺運行等級進(jìn)行劃分，從而對整個司法大數(shù)據(jù)應(yīng)用環(huán)境進(jìn)行評估。

2 對比試驗

通過該文的論述，從理論方面實現(xiàn)了對基于人工智能技術(shù)的評估方法設(shè)計。為進(jìn)一步驗證該方法在真實司法大數(shù)據(jù)應(yīng)用環(huán)境中的風(fēng)險評估水平，將該評估方法與傳統(tǒng)評估方法（基于貝葉斯網(wǎng)絡(luò)的風(fēng)險評估方法）進(jìn)行對比，使2種方法同時對相同的司法大數(shù)據(jù)應(yīng)用問題進(jìn)行風(fēng)險評估。在評估時，選擇司法系統(tǒng)中的部分案例作為評價對象，分別利用2種評估方法對其進(jìn)行評價，為確保試驗結(jié)果的客觀性，將2種評估方法的最終結(jié)果按照表1的內(nèi)容劃分為5個不同等級。

表1 司法大數(shù)據(jù)應(yīng)用風(fēng)險評估等級

由于2種評估方法得出的評分結(jié)果標(biāo)準(zhǔn)不同并且由于傳統(tǒng)評估方法未對不同風(fēng)險因素的支持度和置信度進(jìn)行計算，無法對其評估過程進(jìn)行量化，因此，需要按照如公式（4）所示的方式對傳統(tǒng)評估方法得出的結(jié)果進(jìn)行初步量化。

式中：（）為傳統(tǒng)基于改進(jìn)猶豫模糊集的評估方法評估結(jié)果的量化數(shù)值；p為司法系統(tǒng)中某一試驗應(yīng)用實例發(fā)生安全風(fēng)險事件時的概率；w為司法系統(tǒng)中某一試驗應(yīng)用實例在評估過程中的權(quán)重數(shù)值。

按照上述內(nèi)容，對傳統(tǒng)評估方法的評估結(jié)果進(jìn)行量化，并對2種評估方法得到的量化結(jié)果進(jìn)行歸一化處理，如公式（5）所示。

式中：為2種評估方法得出的評估結(jié)果歸一化處理結(jié)果；為2種風(fēng)險評估方法的評估量化結(jié)果；為不同評估指標(biāo)下評估結(jié)果變化參數(shù)的平均值；為均值標(biāo)準(zhǔn)差。

根據(jù)公式（5），對2種方法評估結(jié)果進(jìn)行歸一化處理后，按照表1中的風(fēng)險評估等級對其進(jìn)行分類，并將分類結(jié)果與實際司法大數(shù)據(jù)應(yīng)用實例的風(fēng)險等級進(jìn)行對比，從而驗證2種評估方法的評估精度，方法A表示該文提出的基于人工智能技術(shù)的評估方法；方法B表示傳統(tǒng)評估方法，試驗結(jié)果見表2。

表2 2種評估方法評估結(jié)果等級劃分

根據(jù)表2中的數(shù)據(jù)可以看出，在不同風(fēng)險評估等級實例數(shù)量的影響下，該文方法評估結(jié)果與實際結(jié)果完全一致，而傳統(tǒng)評估方法得出的結(jié)果與實際相差較大，差距最大可達(dá)到64例。由此可以證明與傳統(tǒng)評估方法相比，該文設(shè)計方法的風(fēng)險評估效果更好。

綜上所述，將該文提出的基于人工智能技術(shù)的應(yīng)用風(fēng)險評估方法應(yīng)用到實際司法大數(shù)據(jù)應(yīng)用環(huán)境中，可提高安全風(fēng)險事件評價的精度。將該方法應(yīng)用于實際，可為司法大數(shù)據(jù)應(yīng)用策略提供重要的事實依據(jù)，具有一定應(yīng)用價值。

3 結(jié)語

針對當(dāng)前信息管理平臺在對司法系統(tǒng)在運行過程中存在的風(fēng)險事件無法進(jìn)行準(zhǔn)確評估的問題，該文對其風(fēng)險評估方法進(jìn)行設(shè)計研究。通過引入人工智能技術(shù)提出了一種全新的評估方法，并結(jié)合對比試驗驗證了該方法的應(yīng)用效果。但由于研究能力有限，該文在試驗過程中所選擇的對照條件只能夠?qū)︼L(fēng)險事件進(jìn)行定性評估，在對其量化時采用的方式可能不適用于該方法，因此造成了傳統(tǒng)評估方法試驗結(jié)果與實際出入較大的問題，使影響因素增加，最終得出的試驗結(jié)果存在一定的不確定性。因此，針對這一問題，在后續(xù)的研究中，還將選擇更符合試驗需要的對照條件以及試驗操作環(huán)節(jié)，從而確保試驗結(jié)果的客觀性，也為該文評估方法的進(jìn)一步優(yōu)化提供重要依據(jù)。