人们运用各种工具想预测犯罪实行有些年头，但过去人们选择使用哪种模式预测犯罪时，选择本身就充满偏见。此外，也有执法人员使用犯罪预测模型过于狭隘，结果造成错误针对特定人士缺失。随着AI算法日新月异，不但能为犯罪预测模型轻松排除上述缺失与问题，人们甚至可直接问算法更复杂的问题，如：如果财产型犯罪上升，暴力型犯罪会发生什么变化?
根据刊登于《自然─人类行为》(NatureHumanBehavior)期刊研究指出，芝加哥大学社会科学家开发出城市犯罪预测算法，将城市切分成每块只有1,000立方英尺(约302.5平米)区块测试，结果准确率高达90%。
研究人员使用芝加哥暴力犯罪与财产犯罪的历史数据文件来测试自家模型，模型会随着时间逐步检测这些区块的犯罪模式，并试图预测未来可能的犯罪事件。研究人员并使用亚特兰大、落杉矶及费城等其他大城市的数据文件测试模型，准确度表现一样好。
过去一些预测模型会认为犯罪集中所谓的“热点”处，然后再从热点扩散到周围区域。这种预测方法往往会忽略城市复杂的社会环境，以及犯罪与警察执法力的微妙关系，造成偏见。
此外，2012年芝加哥警察局(CPD)联手学术研究人员共同实施“犯罪与受害风险模型”(CrimeandVictimizationRiskModel)，会生成所谓“策略性对象”清单，也即根据年龄和被捕记录等因素判定的潜在受害者及行凶者名单。模型并提供分数，以为判定名单人需监控之迫切程度依据，2017年《芝加哥太阳报》(ChicagoSun-Times)调查指出，模型判定为潜在犯罪者的人，近一半从未非法持有枪支，另有13%从未犯严重罪行。
反观芝加哥大学研究人员设计的工具及模型，采用成千上万个社会学模块计算特定时间和空间的犯罪风险，所以能排除偏见与狭隘因素，有效提升犯罪预测模型的准确率。
