A Crime GPT, parte do Trinetra 2.0 da Staqu Technologies, aplica inteligência artificial para transformar boletins, depoimentos, documentos e outros registros em uma base pesquisável por linguagem natural. Na prática, isso reduz o tempo para localizar suspeitos, cruzar ocorrências e recuperar detalhes específicos que ficariam “perdidos” em arquivos despadronizados.
A Staqu Technologies, startup de tecnologia de Gurugram, diz buscar fortalecer o trabalho policial com uma plataforma baseada em IA voltada para investigação criminal e gestão de grandes volumes de dados.
Um cenário típico ajuda a entender o problema: um ladrão furta a carteira de alguém em um beco escuro e cheio. Quando a vítima procura a delegacia, a apuração costuma esbarrar em registros espalhados, formulários antigos e pouco padrão nos dados, o que atrasa a identificação de suspeitos e a ligação entre casos.
A proposta da Staqu é atacar exatamente essa lacuna, usando dados disponíveis online, como vídeos e imagens, para dar mais “capacidade” a câmeras comuns e agilizar buscas em registros com ajuda de IA.
Fundada em 2015 por especialistas em IA, a empresa criou o Trinetra 2.0, cujo modelo avançado é apresentado como Crime GPT. O cofundador e CEO Atul Rai afirma que o objetivo é colocar dados, antes difíceis de consultar, ao alcance de perguntas diretas, feitas como se a pessoa estivesse conversando com um atendente experiente.
Origem do Crime GPT
Atul Rai, junto de Anurag Saini e Pankaj Sharma, direcionou o produto para desafios bem específicos das forças policiais na Índia, especialmente a dificuldade de trabalhar com volumes grandes de informação em formatos variados.
De Trinetra 1.0 a Trinetra 2.0
A partir de 2018, o Trinetra 1.0 passou a digitalizar registros criminais. Já o Trinetra 2.0 se posiciona como um salto por focar no que normalmente dá mais trabalho: documentos não estruturados, como relatos, anexos, textos longos e arquivos inconsistentes.
O que significa usar RAG nesse contexto
Segundo Rai, a Crime GPT foi construída a partir de um banco amplo de registros criminais de Uttar Pradesh e usa Geração Aumentada de Recuperação para responder com base em fontes recuperadas dos próprios documentos. Em vez de “chutar” uma resposta, o sistema procura trechos relevantes nos registros e então monta uma saída alinhada ao que foi encontrado.
Isso permite receber consultas em linguagem natural e extrair informação útil de materiais como registros de interrogatório e relatórios iniciais, que normalmente não estão prontos para busca precisa em sistemas antigos.
Como o Crime GPT auxilia as forças policiais?
O ganho central é reduzir o tempo entre a pergunta e a evidência consultável. Em vez de navegar por múltiplos sistemas, pastas e planilhas, a ideia é fazer uma consulta única e obter os registros mais prováveis, com filtros e detalhes práticos para investigação.
Exemplo prático de uso
Se a polícia procura um suspeito de 21 anos acusado de tentativa de homicídio, o sistema pode varrer rapidamente um grande conjunto de registros e retornar os casos que batem com idade, tipo penal e outros sinais do cadastro, destacando os documentos mais relevantes para conferência humana.
O que a plataforma precisa resolver no mundo real
- Dados em múltiplos formatos: parte do acervo está em PDFs, imagens e formulários escaneados, o que exige leitura automática antes de indexar.
- Idiomas locais: muitos registros não estão em inglês, e variam por região, exigindo suporte linguístico para busca consistente.
- Padronização e busca: campos ausentes, grafias diferentes e descrições longas pedem uma camada de normalização para a consulta funcionar.
Para contornar esse cenário, a Staqu afirma ter desenvolvido modelos que fazem reconhecimento óptico de caracteres, tradução e tokenização, etapas que ajudam a preparar o material para análise e recuperação de informação.
Regra clara de decisão para adoção
Uma regra prática para decidir se um projeto desse tipo faz sentido é: só vale colocar em produção quando a corporação consegue garantir trilha de auditoria, controle de acesso e validação humana do resultado, especialmente em consultas que podem levar a abordagens, prisões ou medidas cautelares.
Mini modelo para entender o mercado
- Dados: quanto mais registros confiáveis e bem digitalizados, maior a taxa de acerto na recuperação de casos.
- Modelo: IA boa sem busca em fonte tende a “parecer certa”, já uma abordagem com recuperação prioriza evidência recuperável.
- Operação: o impacto aparece quando o fluxo de trabalho muda, com procedimento para checagem, correção e aprendizado com erros.
Considerações éticas e superação de preconceitos
A Staqu diz tratar ética como requisito de produto, com uma equipe dedicada a monitorar a integridade dos resultados. Rai também defende que a base usada nas análises seja filtrada e controlada para reduzir vieses.
O que “viés” costuma significar aqui
- Dados históricos enviesados: registros antigos podem refletir distorções de policiamento e subnotificação, contaminando padrões.
- Erros de OCR e tradução: ruído em texto extraído de imagem pode criar associações falsas e prejudicar buscas.
- Uso fora do objetivo: uma ferramenta feita para investigação pode ser empurrada para vigilância ampla sem critérios claros.
O impacto, segundo relatos citados pela empresa, já teria aparecido em forças policiais estaduais na Índia. Amitabh Yash, da Força-Tarefa Especial de Uttar Pradesh, aponta melhora na eficiência por facilitar acesso rápido a informações detalhadas sobre suspeitos.
Na visão de Rai, a próxima fronteira é análise de áudio e vídeo, com a ambição de transformar câmeras comuns em dispositivos mais inteligentes, capazes de gerar insights em tempo real e ampliar a capacidade de resposta das forças policiais a ameaças.