Технологии искусственного интеллекта в деятельности правоохранительных органов

Размещено на http://www.allbest.ru/

Технологии искусственного интеллекта в деятельности правоохранительных органов

Расторопов С.В. - профессор кафедры прокурорского надзора за исполнением законов в ОРД и участия прокурора в уголовном судопроизводстве Университета прокуратуры Российской Федерации, профессор кафедры государственного аудита Высшей школы государственного аудита (факультет) Московского государственного университета им. М.В. Ломоносова, доктор юридических наук, профессор.

В статье приводятся данные о технологиях искусственного интеллекта применительно к деятельности правоохранительных органов, которые хотят его добавить в свой инструментарий реагирования на преступления. Цель состоит в том, чтобы оценить авторитет искусственного интеллекта и предложить ориентированный на человека подход к внедрению инструментов искусственного интеллекта правоохранительными органами.

В настоящее время, активно продолжается процесс цифровизации практически всех сторон жизнедеятельности, за счет внедрения технологий искусственного интеллекта (далее - ИИ), биометрической идентификации, работы с большими объемами данных, облачного хранения информации и пр.

Применительно к правоохранительной сфере¹ актуально рассмотреть использование таких инструментов, как видеокамеры, системы безопасности, которые обнаруживают или контролируют физические пространства, радар-детекторы, технологии с возможностью анализа ДНК или любого другого физического или физиологического следа, которые могут быть использованы для подтверждения выводов о том, что преступление было совершено.

Сами места преступления могут быть поняты как физические пространства, где произошло преступление, и где могут быть найдены доказательства преступной деятельности. Места преступления могут также относиться к нефизическим пространствам, где цифровые следы преступной деятельности могут быть замечены, собраны и проанализированы, чтобы подтвердить вывод о совершенном преступлении. Примерами цифровых следов преступления являются электронные письма с фишинговыми схемами, направленными на обман людей, онлайн-дискуссии на форумах, где люди могут продавать или покупать преступно полученные объекты или обсуждать детали своего намерения совершить преступление, ІР-адрес, связанный с машиной, пытающейся взломать компьютерную систему, или шаблон использования мыши или клавиатуры. Эти примеры, конечно, не являются исчерпывающими.

Места преступлений -- будь то физические или цифровые по своей природе - можно определить как богатые технологиями среды Можаева И.П. Научная организация деятельности субъектов досудебного производства: теория и практика: Монография. М.: Юрлитинформ, 2018; Познан- ский Ю.Н. Использование начальниками органов предварительного следствия территориальных органов МВД России на районном уровне информационных технологий в ходе осуществления информационно-аналитической работы: Мето-дические рекомендации. М.: Академия управления МВД России, 2018; О некото-рых вопросах обеспечения органов предварительного следствия в системе Мини-стерства внутренних дел Российской Федерации отдельными материально-техническими средствами: Приказ МВД России от 18 июня 2010 г. № 445. Mennell J. Technology Supporting Crime Detection: An Introduction (2012) 45:12.. На местах преступлений применимы следующие подтипы технологий:

1. Обнаружение совершаемого преступления, например, замкнутые телевизионные системы;

2. Мобильные телефоны или компьютеры, которые могут содержать дополнительные (цифровые) доказательства, относящиеся к преступлению, жертве или исполнителю;

3. Цифровые камеры, лазерные сканеры, лабораторные технологии на чипе (LOC) доставляется на место преступления следователем (в том числе судебно-медицинским экспертом), который может облегчить обнаружение, восстановление, запись, анализ и передачу доказательств;

4. Идентификации жертв и преступников, посредством технологий обнаружения и распознавания отпечатков пальцев, автоматическое распознавание номерных знаков.

С учетом этой информации становится ясно, что использование ИИ при раскрытии преступлений правоохранительными органами не обязательно является столь технологически разрушительным, как это может показаться на первый взгляд. Иными словами, технология уже используется для выявления случаев совершения преступлений. Искусственный интеллект - это просто новое дополнение к ряду возможностей в технологиях, используемых правоохранительными органами для определения того, когда преступление может произойти или уже произошло. ИИ просто создает новые возможности обработки информации и анализа для других технологий, которые стали обычным явлением в правоохранительных органах.

Можно классифицировать различные типы ИИ, доступные правоохранительным органам для функций обнаружения, с точки зрения возможностей программного обеспечения - это:

1. Классификация объектов.

2. Распознавание объектов (включая распознавание лиц);

3. Распознавание речи;

4. Обнаружение огнестрельного оружия;

5. Анализ ДНК;

6. Цифровая криминалистика.

1. Правоохранительные органы могут получить доступ к изображению совершения преступления и будут стремиться полагаться на машинное обучение для определения места, где было сделано или записано изображение. Программа Google под названием PlaNet делает именно это и полагается на нейронные сети для своих геолокационных возможностей Google Unveils Neural Network with `Superhuman' Ability to Determine the Location of Almost Any Image, MIT Technology Review (24 February 2016): https://www.technologyreview.com.

Содержание изображения может свидетельствовать о совершении преступного деяния (например, изображение показывает возможную кражу) и/или само существование изображения может представлять собой преступление (например, изображение с детской порнографией). Одним из хорошо известных примеров является программное обеспечение PhotoDNA, разработанное Microsoft, которое в первую очередь нацелено на обнаружение детской порнографии и работает путем: а) создания цифровой подписи (известной как «хэш»), связанной с изображением, чтобы предотвратить изменения изображения, б) преобразования изображения в чернобелое, изменения его размера, и сравнение хэш изображения с базой данных изображений, которые были идентифицированы как незаконные, а совпадения могут быть просмотрены вручную людьми¹.

Другие примеры технологий, направленных на обнаружение совершения преступления с помощью изображений, включают европейский проект P-REACT Langston J. How PhotoDNA for Video is being used to fight online child exploi-tation, Microsoft On the Issues (12 September 2018). Revell T. Computer vision algorithms pick out petty crime in CCTV footage, NewScientist (4 January 2017): https://www.newscientist.com и китайское программное обеспечение SenseTime SenseTime: Our Company, SenseTime (Website): https://www.sensetime.com.

Правоохранительные органы могут использовать программное обеспечение распознавания изображений для подтверждения выводов о преступной деятельности.

2. Распознавание объектов можно понимать как подмножество компьютерного зрения. Вместо того чтобы классифицировать элемент в изображении под определенной категорией, распознавание объекта фокусируется на идентификации отдельного экземпляра в изображении Olafenwa M. Object Detection with 10 lines of code, Towards Data Science (16 June 2018): https://towardsdatascience.com. Примеры включают рукописные буквы или цифры, номера номерных знаков, конкретные транспортные средства, отпечатки пальцев и лицо конкретного человека. Распознавание объектов работает так же, как и классификация объектов, но ключевое отличие состоит в том, что каждый распознанный объект может быть идентифицирован как свой собственный индивидуальный экземпляр, а не как класс объектов. Например, программное обеспечение для распознавания лиц будет работать различными способами в зависимости от технологии, но обычно оно состоит из: а) идентификации ключевых ориентиров лица, таких как расстояние между глазами человека и расстояние от лба до подбородка; б) идентификация этих геометрических измерений превращается в лицевую подпись или своего рода отпечаток лица; который затем в) сравнивается с базой данных известных лиц; и, наконец, г) сопоставляется с изображением в базе данных программного обеспечения How does facial recognition work?, Norton Security Center: https://us.norton.com.

Такие программы могут анализировать лица из видеопотоков (записанных и живых), камер или онлайн / оффлайн баз данных, Закодировать лица в проприетарные¹ дескрипторы От англ. proprietary software; от proprietary «частное, патентованное, в со-ставе собственности». Дескриптор HTML - элемент языка разметки гипертекста HTML. изображений и сопоставить человека с различными личностными чертами и типами с высоким уровнем точности. Программы способны классифицировать человека как обладающего «высоким ^», за то, что он является «академическим исследователем», «профессиональным игроком в покер», «преступником в белых воротничках», «педофилом» «террористом» и т.п. Faception: Our technology, Faception Website: https://www.faception.com

Одной из стран, лидирующих в использовании распознавания лиц в общественных местах, является Китай.

С примерно 200 миллионами камер, разбросанными по всей стране, и с еще 400 миллионами, выходящими в Интернет в 2020 году Russell J. China's CCTV surveillance network took just 7 minutes to capture BBC reporter, Tech Crunch (13 December 2017): https://techcrunch.com, частично управляемая ИИ система видеонаблюдения в стране является элементом социального контроля PalinM. Big Brother: China's chilling dictatorship moves to introduce scorecards to control everyone, news.com.au (19 September 2018): https://www.news.com.au. Примечательно, что «хождение по улицам», просрочка платежей по счетам или налогам, покупка слишком большого количества алкоголя или выступления против правительства - все это дает гражданам КНР баллы их социального кредитного рейтинга. Обладание более высоким баллом пожинает такие преимущества, как отказ от депозитов в отелях и арендованных автомобилях, УР-обслуживание в аэропортах, льготные кредиты, приоритетные заявки на работу. Наказания включают в себя лишение права путешествовать самолетом или поездом, отстранение от работы в социальных сетях и отстранение от государственной службы. Такая технология уже была использована для анализа выражения лица школьников, чтобы увидеть, обращают ли они внимание на уроке.

Главная цель системы распознавания лиц состоит в том, чтобы идентифицировать людей, совершивших преступления или незначительные правонарушения (такие как хождение по улицам или кража туалетной бумаги).

Использование ИИ для распознавания объектов и лиц является особенно мощным инструментом в сочетании с сетью камер, которые вписаны в современные уличные ландшафты или которые все чаще добавляются к униформе полицейских в качестве «камер тела» Greene D., Genevieve Patterson G. The Trouble With Trusting AI to Interpret Police Body-Cam Video, IEEE Spectrum (21 November 2018): https://spectrum.ieee.org для захвата взаимодействия полиции и гражданина.

3. Распознавание речи подобно распознаванию объектов в том, что технология стремится идентифицировать идиосинкразические¹ элементы речевых паттернов Идиосинкразия - генетически обусловленная реакция, возникающая у неко-торых людей в ответ на определённые неспецифические (в отличие от аллергии) раздражители. Паттерн - схема-образ, действующая как посредствующее представление, или чувственное понятие, благодаря которому в режиме одновременности воспри-ятия и мышления выявляются закономерности как они существуют в природе и обществе., часто с целью идентификации говорящего человека для автоматической расшифровки произносимых слов. Независимо от алгоритмов, которые могут быть использованы в этом процессе, программное обеспечение распознавания речи обнаруживает и измеряет звуковые волны и частотные паттерны речевого сигнала. С помощью этого процесса необходимо преодолеть многочисленные препятствия, такие как наличие фонового шума и учет различий в скорости речи. Затем программное обеспечение классифицирует извлеченные блоки или разделы речи с использованием различных методов, таких как статистические модели или искусственные нейронные сети. Цель состоит в том, чтобы классифицировать небольшие сегменты в терминах типа производимого звука, а затем классифицировать большие сегменты каждого звука, чтобы определить, какое слово произносится.

Одним из примеров оперативного использования распознавания голоса является Интерпол - международная организация уголовной полиции. В середине 2018 года она приступила к обзору проекта под названием «интегрированный проект идентификации спикера» Kofman A. Interpol Rolls Out International Voice Identification Database Using Samples From 192 Law Enforcement Agencies, The Intercept (25 June 2018): https://theintercept.com. Технология расширяет возможности программного обеспечения для распознавания голоса путем сбора образцов голоса, анализа определенных поведенческих особенностей и создания «голосовых отпечатков» для сопоставления новых голосовых данных, загруженных в его систему (например, из полицейских перехватов), с голосовыми данными, уже хранящимися в файле подозреваемых преступников. Технология также может фильтровать образцы голоса по полу, возрасту, языку, и акценту. Интегрированный проект идентификации спикера позволяет загружать и скачивать образцы от правоохранительных органов по всему миру. Предполагается, что база данных будет включать образцы не только из правоохранительных органов, но и из YouTube,

Facebook, публично записанных разговоров, записей голосового протокола через интернет и других источников, где люди могут не осознавать, что их голоса превращаются в биометрическую голосовую печать¹.

4. Обнаружение огнестрельного оружия. Так, компания ShotSpot:ter DumiakM. Interpol's New Software Will Recognize Criminals by Their Voices, IEEE Spectrum (16 May 2018): https://spectrum.ieee.org https://www.shotspotter.com/ в США использует интеллектуальную городскую инфраструктуру для триангуляции Триангуляция в радиолокации и радиосвязи - один из мето-дов радиопеленгации. местоположения выстрела. Эта система может эффективно предупреждать правоохранительные органы в режиме реального времени с информацией о типе стрельбы и точном его месте. Несколько датчиков улавливают звук выстрела, и алгоритм машинного обучения триангулирует, где произошел выстрел, сравнивая такие данные, как когда каждый датчик услышал звук, уровень шума и эхом, отражаемым от здания.

5. Анализ ДНК состоит из применения генетического тестирования для оценки преступности и юридических целей DNA Forensics: The application of genetic testing for legal purposes, GeneEd (Website): https://geneed.nlm.nih.gov.

Использование ДНК в качестве криминалистического материала - это отрасль криминалистики, изучающая генетический материал в уголовных расследованиях. Наиболее очевидная причина, по которой правоохранительные органы хотели бы собрать и проанализировать генетический материал на месте преступления, связана с их желанием определить, кто присутствовал при предполагаемом преступлении, какова была их роль в ссоре, где произошло преступление и могут ли действующие лица инцидента (жертва, свидетель или подозреваемый) быть связаны с предыдущими раскрытыми или нераскрытыми преступлениями.

Искусственный интеллект играет важную роль в анализе ДНК из-за новой способности, которую он предлагает, чтобы значительно ускорить процесс сопоставления последовательности ДНК, где собранная ДНК сопоставляется с ДНК, содержащейся в данной базе данных.

6. Цифровая криминалистика, также называемая компьютерной криминалистикой - это работа по извлечению и анализу цифрового материала, найденного в электронных устройствах, чтобы превратить его в улику, доказательство. Существует множество инструментов, позволяющих «прочесывать» компьютеры, мобильные устройства и программное обеспечение в поисках доказательств данных, которые могут быть компрометирующими. Искусственный интеллект здесь увеличивает возможности цифровых инструментов криминалистического анализа, которые генерируют огромные объемы данных, которые ни одно человеческое существо не имеет когнитивной способности обрабатывать в разумные сроки.

Многие из рассмотренных инструментов все еще находятся в разработке и могут рассматриваться как технологии, которые дают обещания, но недостаточно зрелы, чтобы быть запущенными повсеместно. Одной из крупных компаний, предлагающих услуги в этой области, является Ргеро1, программа которой стремится определить время и места, в которых наиболее вероятно совершение конкретных преступлений, с тем, чтобы эти районы можно было патрулировать для предотвращения совершения таких преступлений Overview, PredPol (Website): https://www.predpol.com .

В заключении, отметим, что существуют многочисленные вопросы, которые демонстрируют необходимость тщательной оценки любого использования ИИ, показывая, что есть случаи, когда преимущества ИИ, по- видимому, перевешивают его затраты, и наоборот, использование ИИ в других ситуациях на самом деле создает значительные проблемы, которые еще предстоит преодолеть.

Правоохранительным органам необходимо определить и сформулировать приоритеты, лежащие в основе использования ИИ. Существует множество решений, доступных правительству, чьи правоохранительные органы хотят использовать ИИ, которые требуют активного регулирования, проникнутого приверженностью минимальным стандартам в отношении прозрачности, систем надзора и межведомственного сотрудничества.

Список литературы

искусственный интеллект правоохранительный

1. Можаева И.П. Научная организация деятельности субъектов досудебного производства: теория и практика: Монография. М.: Юрлитин- форм, 2018.

2. Познанский Ю.Н. Использование начальниками органов предварительного следствия территориальных органов МВД России на районном уровне информационных технологий в ходе осуществления информационно-аналитической работы: Методические рекомендации. М.: Академия управления МВД России, 2018.

3. Dumiak M. Interpol's New Software Will Recognize Criminals by Their Voices, IEEE Spectrum (16 May 2018): https://spectrum.ieee.org

4. Google Unveils Neural Network with `Superhuman' Ability to Deter-mine the Location of Almost Any Image, MIT Technology Review (24 February

5. 2016): https://www.technologyreview.com

6. Greene D., Genevieve Patterson G. The Trouble with Trusting AI to Interpret Police Body-Cam Video, IEEE Spectrum (21 November 2018): https://spectrum.ieee.org

7. Kofman A. Interpol Rolls Out International Voice Identification Data-base Using Samples From 192 Law Enforcement Agencies, The Intercept (25 June 2018): https://theintercept.com

8. Langston J. How PhotoDNA for Video is being used to fight online child exploitation, Microsoft On the Issues (12 September 2018).

9. Mennell J. Technology Supporting Crime Detection: An Introduction (2012) 45:12.

10. Olafenwa M. Object Detection with 10 lines of code, Towards Data Science (16 June 2018): https://towardsdatascience.com

11. Palin M. Big Brother: China's chilling dictatorship moves to introduce scorecards to control everyone, news.com.au (19 September 2018): https://www.news.com.au

12. Revell T. Computer vision algorithms pick out petty crime in CCTV footage, NewScientist (4 January 2017): https://www.newscientist.com

13. Russell J. China's CCTV surveillance network took just 7 minutes to capture BBC reporter”, Tech Crunch (13 December 2017): https://techcrunch.com

Размещено на Allbest.ru