Использование предиктивной аналитики в правоохранительной деятельности

Размещено на http://www.Allbest.Ru/

Использование предиктивной аналитики в правоохранительной деятельности

Батоев В.Б.

Аннотация

Рассмотрены вопросы использования предиктивной аналитики и скоринга в правоохранительной деятельности, сформулирован ряд предложений по ее совершенствованию. Акцентировано внимание на цифровизации, внедрении передового международного опыта, техническом переоснащении и организационном реформировании такой деятельности в целях обеспечения повышения уровня информационного обеспечения правоохранительной деятельности; принятия различных решений на всех стадиях оперативно-розыскного и уголовного процесса; исключения ошибок, объясняющихся «человеческим фактором»; придания максимального уровня достоверности оперативно значимой информации. Приведены примеры передового международного опыта, даны рекомендации по внедрению эффективных иностранных практик использования предиктивной аналитики и скоринга в борьбе с преступностью.

Ключевые слова: правоохранительная деятельность, предиктивная аналитика, искусственный интеллект, большие данные, скоринг, решения, организация, управление, преступность, прогнозирование, предсказание, технологии.

Annotation

Using predictive analytics in law enforcement

The article discusses the use of predictive analytics and scoring in law enforcement, formulates a number of proposals for its improvement. Attention is focused on digitalization, the introduction of international best practices, technical re-equipment and organizational reform in order to: ensure an increase in the level of information support for law enforcement; making various decisions at all stages of the operational-search and criminal process; exclusion of «human factor» errors; giving the maximum level of reliability of operationally significant information. Examples of advanced international experience are given; recommendations are given on the implementation of specific examples of effective foreign practices for using predictive analytics and scoring in the fight against crime.

Keywords: law enforcement, predictive analytics, artificial intelligence, big data, scoring, solutions, organization, management, crime, forecasting, prediction, technology.

В условиях развертывания четвертой промышленной революции ключевые роли и значение отведены Интернету, киберфизическим системам, интеллектуальным машинам и технологиям, способным к обучению, самообучению, рассуждению и адаптации [2]. Технологии больших данныхВ общем смысле «Big Data» («большие данные») - это совокупность структурированной и неструктурированной информации, генерируемой и поступающей из различных источников в объеме, не позволяющем ее обработать вручную, при этом обрабатываемой автоматизированным путем, хранящейся и передаваемой в электронно-цифровой форме. [3], искусственного интеллектаВ соответствии с п. «а» ч. 5 разд. I Национальной стратегии развития искусственного интеллекта на период до 2030 года, утвержденной указом Президента РФ от 10 октября 2019 г. №490 «О развитии искусственного интеллекта в Российской Федерации» под искусственным интеллектом понимается комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без, интернета вещей, облачных вычислений (сервисов) (далее - технологии 4.0) по праву занимают центральное место во многих сферах общества и являются одним из основных направлений, определяющих векторы стратегического развития государства [4].

Технологии 4.0 позволяют в сжатые сроки достигать беспрецедентного уровня производительности за счет обучения машин решению сложных вычислительных задач. Ключевым фактором бурного технологического развития является цифровая информация, которой свойственны постоянно совершенствующиеся методы и средства ее добывания, хранения, передачи. Постоянно генерируемые цифровые данные стали настолько огромны, что даже математическим путем сложно определить спектр задач, которые можно решить с помощью их соответствующей обработки и анализа [3].

В действительности мы оказались в ситуации, при которой жизнедеятельность современного человека осуществляется в цифровом обществе, где он оставляет электронно-цифровые следы пребывания и отпечатки своего поведения, в совокупности формирующие цифровые паттерны [5], знание о которых позволяет его идентифицировать как личность.

Технологии 4.0 предоставили широкий спектр форм, средств и методов получения, заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые как минимум с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений.

Для достижения максимальной степени ее достоверности, открыли множество направлений ее использования, в том числе и по вопросам обеспечения безопасности человека, общества, государства.

В мировой практике правоохранительной деятельности активно применяются технологии 4.0, к числу которых можно отнести предиктивную аналитику [6] и скоринг.

Предиктивная аналитика - это разновидность аналитики, целью которой является прогнозирование будущих результатов, выявление закономерностей, рисков и возможностей посредством использования статистического моделирования, методов интеллектуального анализа данных и ретроспективных данных, машинного обучения.

Скоринг (от англ. scoring - подсчет очков в игре) - это система оценивания человека посредством анализа и сравнения его различных характеристик и поведенческих признаков при принятии тех или иных решений.

Анализ точек зрения различных отечественных авторов показывает, что они не имеют критических расхождений в определении основных направлений использования современных технологий: применение технологий искусственного интеллекта в качестве вспомогательного инструмента для улучшения деятельности следователя, судьи, иных участников уголовного процесса [7]; для изучения судебной практики, консультирования, ведения документооборота и статистики и др. [8]; полное замещение участников уголовного судопроизводства юнитами [9] искусственного интеллекта [10].

Некоторые авторы придерживаются мнения, что полная реализация указанных направлений вполне возможна [11].

В отечественной практике скоринг и предиктивная аналитика используются в основном в деятельности банков, микрофинансовых организаций, компаний по прокату автотранспортных средств, страховых организаций и др. Основная цель их применения - принятие решений о целесообразности оказания искомой услуги.

Скоринг имеет различные виды, такие как «application» - оценка уровня платежеспособности клиента; «fraud» - оценка вероятности мошенничества; «behavioral» - прогнозирование платежеспособности в перспективе; «Election» - оценка риска невозврата предмета займа и др.

Полагаем, что предиктивная аналитика и скоринг в сочетании с большими данными и искусственным интеллектом выступают в наше время единственным средством, позволяющим исключить субъективность при принятии решений и снизить уровень риска наступления неблагоприятных последствий.

В совокупности и по отдельности они обеспечивают возможность прогнозирования будущего на основе глубокого анализа цифровых данных, характеризующих поведенческие признаки человека. Прогнозирование развития тех или иных событий, явлений обеспечивает сокращение времени вычислений, повышение уровня производительности, объяснимости, эффективности и прозрачности принятых решений [12].

Алгоритмы предсказания активно вытесняют человеческое суждение и умозаключения по многим аспектам социальной жизни, а также исключают человеческий «субъективизм» и «предвзятость» при принятии решений. Предиктивная аналитика и скоринг способны вырабатывать в большинстве случаев объективные решения, процесс принятия которых порой не поддается законам логики. Прогностические методы все точнее распознают образы действительности, механически проецируют прошлое на будущее, имея одну лишь цель - изменение предсказанного будущего.

Передовая практика полицейской, оперативно-розыскной и правоохранительной деятельности стран ЕвропыПрограмма HART (Harm Assessment Risk Tool) - разработанный Кембриджским университетом инструмент оценки рисков вреда, использующий сложные алгоритмы оценки данных, предоставляющий прогноз по рискам совершения обвиняемым нового преступления и рекомендации об избрании меры пресечения. Более того, полицейские Великобритании с 2008 г. внедрили виртуальную платформу «Национальный сайт полиции Англии, Уэльса и Северной Ирландии». Данный ресурс позволяет на карте преступности отразить уровень преступности в том или ином административном образовании. Это, в свою очередь, позволяет обычным гражданам в онлайн-режиме получать сведения о состоянии преступности в интересующем районе, округе, городе в целях выбора места проживания и др., а полицейским прогнозировать преступную активность граждан и эффективно заниматься профилактикой преступности., СШАСистема COMPAS - программное обеспечение, используемое судами США для оценки потенциального риска рецидива обвиняемого; Palantir Gotham - программный продукт, идентифицирующий скрытые связи во множествах данных с сигнализированием о угрозах различного характера, используемый полицейскими, иммиграционной и таможенной службами США. и Азии [13] указывает на активное применение предиктивной аналитики и скоринга. Одной из основных целей использования такой практики является формирование упреждающей модели правоохранительной деятельности [14]. В подобных условиях действия органов правопорядка носят характер точечного и своевременного реагирования на соответствующие угрозы. Полицейские не проводят мероприятия в отношении неопределенного круга лиц, их силы и средства нацелены на конкретные объекты оперативной заинтересованности.

Одним из объяснений конкретной адресной направленности полицейской деятельности в иностранных практиках может послужить элементарная экономия ресурсов. Бюджетные ограничения предписывают полицейским разумно расходовать имеющиеся в распоряжении силы и средства, работать на опережение, в приоритетном порядке использовать меры превентивного характера. На практике доказано, что это позволяет сократить расходование бюджетных средств на раскрытие и расследование преступлений, дальнейшие судебные издержки и исполнение наказаний, ресоциализацию осужденных и др. Особенно выражен такой подход в практике США, где отсутствует единый орган управления полицией на федеральном уровне и каждое административно-территориальное образование (штат, город и др.) имеет свои органы полиции, финансирует их деятельность, строго контролирует расходы и, соответственно, в том числе с учетом соотношения состояния преступности и размера затрачиваемых средств, дает оценку эффективности деятельности полиции.

О результативности применения больших данных, искусственного интеллекта, предиктивной аналитики и скоринговых технологий в правоохранительной деятельности может свидетельствовать опыт Китайской Народной Республики (далее - КНР).

В КНР в целях повышения справедливости, эффективности и авторитета судебной системы с 2016 г. внедрен «умный суд», что позволило разгрузить более чем на треть деятельность судей. В «умный суд» объединены все суды КНР, а судьям вменена обязанность по проведению консультаций с искусственным интеллектом при рассмотрении всех категорий дел. В случае отклонения рекомендаций искусственного интеллекта судьи обязаны письменно мотивировать свой отказ. Внедрение данной системы стало возможным благодаря интеграции в единую платформу информационных массивов органов полиции, прокуратуры, государственной власти, коммерческих и иных форм организаций, данных системы социального кредита. Нейросеть «умный суд» самостоятельно в автоматическом режиме изучает материалы загружаемых в единую базу данных уголовных и иных дел, систематизирует судебные решения, изучает аналогию в схожих ситуациях, подготавливает проекты судебных решений и иных документов, выявляет в них ошибки, дает рекомендации и др.

В случае невыполнения судебных решений суд в автоматическом режиме блокирует право осужденного или ответчика на предоставление тех или иных государственных услуг, может запретить оказание медицинского обслуживания или отказать в приобретении билетов на общественный транспорт, в трудоустройстве, страховании, выставить на аукцион и реализовать имущество должника без его ведома и согласия и др.

Более того, применение скоринговых технологий в целях выдачи рекомендаций по принятию решений оказало существенное влияние на вопросы противодействия коррупции, так как судебные заседания проходят в режиме видео-конференц-связи с дальнейшим хранением записи, ход судебного заседания фиксируется в протокол автоматически средствами распознавания речи, доказательства предъявляются в режиме онлайн, все решения судов опубликовываются на едином информационном портале и др.

Здесь же добавим, что помимо суда такое технологическое новшество нашло применение в деятельности органов прокуратуры шанхайского района Пудун КНР, где посредством обработки и анализа массивов интегрированной информации (более 17000 дел в период с 2015 г. по 2020 г.) искусственный интеллект принимает участие при оценке имеющихся доказательств и выдвижении следственных версий, точность которых в ряде случаев достигает 97% [15]. Внедрение такого новшества позволило разгрузить сотрудников самой загруженной прокуратуры на территории КНР и предоставило прокурорам время, чтобы сосредоточиться на решении более сложных задач.

Схожая ситуация наблюдается в США, где судьи используют алгоритмы скоринга при определении меры пресечения, вида и размера наказания, при решении вопроса об амнистии.

Считаем, что опыт КНР по вопросам использования современных технологий заслуживает пристального внимания, а его использование для развития деятельности отечественной системы правоохранительных органов может выступать стратегически важным направлением.

Ценность имеет не просто наличие массивов разнородной информации о человеке, концентрирующихся в информационных системах и базах данных различных ведомств, организаций и др., потому что они лишь в малой степени могут охарактеризовать человека. Прежде чем использовать информацию в предиктивной аналитике и скоринге, необходимо ее качественно обработать аналитическими средствами и методами больших данных (Data MiningData mining (с англ. добыча данных) - это автоматизированный поиск данных, основанный на анализе огромных массивов информации. Целью выступает идентификация тенденций и паттернов, которая при обычном анализе невозможна. Для сегментации данных и оценки вероятности последующих событий используются сложные математические алгоритмы. Основные составляющие data mining: автоматическое обнаружение паттернов (для этого выстраиваются специальные модели, на базе которых задействуются определенные алгоритмы анализа и разбора данных); прогнозирование вероятных результатов (согласно некоторым формам data mining можно устанавливать так называемые «правила» или «ограничения», чтобы повысить уровень точности прогноза события); генерирование релевантной информации (также есть формы data mining, которые могут помочь сегментировать группы потребителей с учетом необходимых характеристик, что значительно повышает точность таргетинга рекламы); фокусирование внимания на больших массивах данных. [16], Machine LearningМашинное обучение (англ. machine learning, ML) - класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счет применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме. Различают два типа обучения: обучение по прецедентам, или индуктивное обучение, основанное на выявлении эмпирических закономерностей в данных; дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. и др.).

Технология интеллектуального анализа данных «Data Mining» используется в целях сбора информации с разных ресурсов, выявления скрытых закономерностей, взаимосвязей, взаимозависимостей в представленных данных. Data Mining в скоринге значительно сокращает время, исключает «человеческий фактор», объективно присваивает количественный балл объекту заинтересованности, размер которого в дальнейшем учитывается при принятии решений.

При Data Mining эмпирические данные пополняются из различных источников, таких как социально-демографические характеристики, кредитные истории, места проживания, профессиональная принадлежность, интернет- активность, информация из учетных записей в социальных сетях, данные интернет-банкинга, операторов сотовой связи, транснациональных корпораций и др.

Далее при помощи технологии «Machine Learning» с использованием математических алгоритмов происходит обработка информации, полученной с помощью Data Mining, с последующей передачей данных для принятия решений.

Так скоринг-экосистема принятия обоснованных решений сформировалась в экономике. Полагаем, что подобные новшества можно было бы и применять и в правоохранительной сфере [17].

Адаптация скоринга к выполнению задач борьбы с преступностью с построением балльной системы позволит сотрудникам оперативных подразделений принимать правильные своевременные решения, а также прогнозировать преступную активность проверяемых и разрабатываемых лиц, грамотно планировать проведение оперативно-розыскных мероприятий, следственных и судебных действий, предсказывать негативные последствия противодействия раскрытию и расследованию преступлений, привлекать к конфиденциальному сотрудничеству лиц, выявлять вероятные места и время криминальной активности граждан и др.

Практика показывает, что в ряде случаев силы и средства субъектов правоохранительной деятельности используются неэффективно ввиду несвоевременности или нерациональности принятия решений либо их непринятия вообще.

Одной из основных причин в таких ситуациях является отсутствие достоверной информации о лицах, фактах, событиях, явлениях. Нередко ее трудно добыть посредством использования традиционных форм и методов поисковой деятельности.

При принятии решений на практике субъективизм и недооценивание развития событий в той или иной оперативно-розыскной или следственной ситуации приводят к нерациональному использованию информации, низкому уровню достоверности данных. Одну и ту же информацию человек способен воспринимать по-разному, при этом усугубляет положение отсутствие у сотрудников опыта принятия решений на основе анализа аналогичной по сути информации. Поэтому важно иметь в виду, что современные математические и аналитические средства и методы способны выявлять скрытые закономерности и взаимосвязи в разрозненных данных, а также предоставлять объективные рекомендации, сформулированные на основе анализа свершившихся аналогичных событий, и поэтому заслуживают практического применения в силу высокого уровня качества использованной информации. предиктивный информационный розыскной уголовный

Потенциал скоринговых систем в правоохранительной деятельности сложно переоценить. Так, по материалам оперативно-розыскной деятельности глубокий анализ информации об объектах оперативной заинтересованности, полученной из материалов дел оперативного учета, уголовных дел, оперативной информации, из оперативно-розыскной, следственной, судебной, административной практики и иных источников, может дать исчерпывающие ответы при принятии решений о необходимости заведения дела оперативного учета; привлечении к негласному сотрудничеству, определении его формы, срока и др.; выборе времени и последовательности проведения оперативно-розыскных мероприятий и комбинаций; финансировании оперативно-розыскной деятельности и др.

Внедрение предиктивной аналитики и скоринга в правоохранительную деятельность потребует разрешения ряда проблемных вопросов.

В первую очередь необходимо проработать вопросы законодательного урегулирования использования рассматриваемых технологий, поскольку в настоящее время эта сфера отношений фактически не затронута нормами отечественного законодательства. В частности, на законодательном уровне не проработаны вопросы юридической значимости применения искусственного интеллекта, больших данных и др., а также юридической оценки последствий их использования, не урегулированы аспекты соблюдения требований по защите персональных данных, недостаточно четко определены границы вмешательства при сборе данных и др.

Здесь важно обратить внимание на опыт европейских стран. Так, с 2018 г. действует общий для 28 стран Европы регламент GDPR [18], унифицирующий порядок обработки персональных данных. Его суть сводится к закреплению обязанности соблюдения требований по хранению персональных данных в обезличенном и зашифрованном виде и запрета на их передачу третьим лицам. Разработку подобного документа предлагаем рассматривать в качестве возможного пути совершенствования нормативного урегулирования обозначенных выше недостатков.

Отдельно следует обратить внимание на необходимость интеграции информационных массивов государственных и негосударственных образований в единое цифровое пространство, что будет способствовать получению значимых данных о личности, характеризующих ее с разных сторон. Передовые практики показывают, что наиболее целесообразны здесь будут кастомизация и адаптация к собственным задачам иностранных скоринг-технологий либо разработка и внедрение отечественного скоринг-софта.

В настоящее время своевременным и малозатратным по ресурсам и времени может стать внедрение передовых иностранных практик. В качестве примера эффективности интеграционных процессов по созданию единого пространства (цифрового общества и правительства) приведем практику Эстонии, где используется программное обеспечение X-Road [19], представляющее собой экосистемное решение с открытым исходным кодом, обеспечивающее унифицированный и безопасный обмен цифровыми данными между организациями, предприятиями, учреждениями.

X-Road - это централизованно управляемый распределенный уровень обмена данными между информационными системами, обеспечивающий стандартизированный и безопасный способ производства и потребления услуг. Такое решение позволяет гражданам получать практически 99% государственных услуг в электронном виде.

Важно отметить, что в политике функционирования единого цифрового пространства на территории Эстонии приоритетной задачей является подключение к данному ресурсу практически всех субъектов коммерческой, хозяйственной, предпринимательской деятельности, органов власти и др. Более того, в Эстонии право «на Интернет» является конституционным, порядка 97,5% граждан имеют доступ в Интернет, главным документом, удостоверяющим личность гражданина Эстонии, является ID-карта (цифровой паспорт).

В таких условиях с позиции обеспечения безопасности граждан нельзя не отметить высокий уровень информационной обеспеченности сотрудников правоохранительных органов Эстонии. В их распоряжение предоставлены беспрецедентные информационные массивы, где электронно-цифровые следы, оставляемые человеком, способны с высокой степенью достоверности охарактеризовать его личность, спрогнозировать поведение, активность и др.

Полагаем, что по ряду вопросов уже имеется наработанная законодательная и правоприменительная практика, которую было бы целесообразно проанализировать и перенять.

Что касается пределов и границ вмешательства, добавим, что законопослушного гражданина в меньшей степени должны волновать вопросы вмешательства в пределы его личного пространства посредством сбора сведений и данных, характеризующих его личность, поведение, активность и др. Интересы обеспечения личной безопасности граждан посредством сбора и анализа различных цифровых данных в целях нейтрализации криминально активных лиц обоснованно выглядят приоритетными. Так, в КНР в 2014 г. был принят План построения системы социального кредита (2014-2020 гг.), который обязал муниципальные, негосударственные предприятия, организации, учреждения, коммерческие образования, транснациональные компании и холдинги, среди которых WeChat [20], Alibaba [21], Alipay [22] и др., предоставлять государственным органам доступ к принадлежащим им информационным ресурсам в целях сбора цифровой информации, характеризующей человека.

Особо отметим, что подобная интеграция потребует приведения норм законодательства в соответствие требованиям по соблюдению охраняемых законом различных видов тайн (банковской, налоговой, врачебной, тайны переписки, телефонных переговоров, почтовых, телеграфных и иных сообщений, передаваемых по сетям электрической и почтовой связи, и др.).

Заострим внимание на вопросах точности подготавливаемых прогнозов, чистота которых напрямую связана с наборами данных, взятых для исследования. Здесь необходимо обеспечить наличие качественных, релевантных и адекватных данных для проведения прогнозных скоринговых исследований. Практика показывает, что классификация выборки информации производится только на материалах дел, в которых установлена истина и виновные привлечены к предусмотренной законом ответственности. Однако изучение практики свидетельствует, что точность прогноза существенно повысилась бы, если бы информация подгружалась в том числе из материалов дел, находящихся на рассмотрении. Здесь вполне возможно, что в каких-то моментах технологии 4.0. в совокупности смогли бы раскрыть совсем иные стороны и выдать решения и рекомендации, абсолютно отличные от исходной версии прогноза.

Немаловажное значение имеет срок жизни достоверности прогнозных рекомендаций. Человеческому поведению и жизнедеятельности свойственны изменения, вызванные сменой социально-экономических, политических, географических, климатических и иных условий. Поэтому предиктивная аналитика и скоринговые технологии должны функционировать на постоянно обновляемой информации.

Другой проблемой достоверности скоринга является прогнозирование редко происходящих событий. Это можно объяснить тем, что чем больше информации с повышенной частотой повторяемости одних и тех же событий, тем точнее прогноз, и наоборот. Поэтому информацию необходимо обрабатывать в каждом случае индивидуально.

Разумеется, чтобы получить ценную информацию необходимо наличие у сотрудников соответствующего профильного образования, аналитических навыков и умений по обработке информации. Практика показывает, что есть вопросы по поводу укомплектованности органов правопорядка аналитиками. Поэтому следует уделить внимание созданию инфраструктуры по подготовке высококвалифицированных кадров, способных аналитически мыслить, пользоваться специфическим программным обеспечением, научно обоснованными методами и средствами аналитики.

Считаем возможным рассматривать внедрение предиктивной аналитики и скоринга в качестве одного из направлений создания инновационной модели осуществления правоохранительной деятельности, при которой основу принятия решений будет составлять достоверная информация, полученная в результате выполнения сложных аналитических мероприятий, позволяющих обеспечить исключение ошибок «человеческого фактора», рационализацию труда и временных ресурсов.

Основу формирования такой модели должно составлять внедрение передовых мировых практик интеграции информационных систем, кастомизации достижений научно-технической мысли под собственные цели и задачи.

Таким образом, перед государством стоят сложные задачи по разработке и внедрению инновационных технологий, которые позволят субъектам правоохранительной деятельности быстро и качественно обрабатывать большие объемы разрозненной информации, а также обеспечивать принятие правильных решений в деле борьбы с преступностью.

Для того чтобы сфера правоохранительной деятельности стала действительно цифровой, государству необходима смена карательного уклона на упреждающий, основанный на сборе информации из различных источников, ее анализе с применением технологий 4.0, использовании полученных данных в процессе приятия решений. Практически такой подход в ближайшей перспективе может быть реализован на основе всеобщей интеграции информационных систем и ресурсов; разрешения вопросов правовой регламентации процедуры сбора и анализа информации из различных источников; четкой координации действий всех заинтересованных субъектов обеспечения безопасности общества и государства; совершенствования системы подготовки высококвалифицированных специалистов в данной сфере, повышения их квалификации; проведения фундаментальных научных исследований; внедрения передовых иностранных практик, основанных на установлении устойчивого взаимодействия с правоохранительными органами зарубежных государств.

Литература

1. Про 4 промышленных революции [Электронный ресурс].

2. Шваб К. Четвертая промышленная революция. М., 2021.

3. Батоев В. Б. «Большие данные (big data)» и предиктивная аналитика в оперативно-разыскной деятельности: проблемы использования и пути решения // Вестник Волгоградской академии МВД России. 2020. №1(52). С. 11-17.

4. Батоев В.Б. Применение искусственного интеллекта в деятельности правоохранительных органов // Вестник Академии Следственного комитета Российской Федерации. 2020. № 4(26). С. 83-87.

5. Кадильникова Л.В., Колесников В.В., Макаров И.Н., Некрасова Е.А., Широкова О.В. О формировании модели «цифрового человека» («homo digital») и конкуренции социальных групп в условиях технологической трансформации повседневной реальности: взгляд экономической теории // Российское предпринимательство. 2018. №4. Т. 19. С. 855-865.

6. Батоев В.Б. Сущность и значение предиктивной аналитики в оперативно-разыскной деятельности // Расследование преступлений: проблемы и пути их решения. 2019. №2(24). С. 125-130.

7. Соломатина А.Г. Допустимость использования искусственного интеллекта в уголовном судопроизводстве // Вестник Московского университета МВД России. 2020. №3. С. 97-99.

8. Карташов И.И., Карташов И.И. Искусственный интеллект: уголовно-правовой и процессуальный аспекты // Актуальные проблемы государства и права. 2021. Т 5. №17. С. 75-89.

9. Гаврилин А.В., Филатов А.А. Юнит искусственного интеллекта как субъект права: целесообразность и перспективы развития идеи в контексте цифрового банкинга // Теория и практика общественного развития. 2021. №11.

10. Морхат П.М. Правосубъектность искусственного интеллекта в сфере права интеллектуальной собственности: гражданско-правовые проблемы: автореф. дис.... д-ра юрид. наук. М., 2018.

11. Гордеев А.Ю. Перспективы развития и использования искусственного интеллекта и нейросетей для противодействия преступности в России (на основе зарубежного опыта) // Научный портал МВД России. 2021. №1(53). С. 123-135.

12. Батоев В.Б., Семенчук В.В. Предиктивная аналитика в оперативно-розыскной деятельности: международный и отечественный опыт проведения оперативно-розыскного мониторинга информационно-телекоммуникационных сетей и систем//Вестник Краснодарского университета МВД России. 2020. №1(47). С. 60-67.

13. Завьялов И.А. Зарубежный опыт использования искусственного интеллекта в раскрытии преступлений // Вестник Московского университета МВД России. 2021. №3. С. 228-236.

14. Осипенко А.Л. Об участии органов внутренних дел в системе обеспечения кибербезопасности Российской Федерации // Общество и право. 2018. №3(65). С. 35-42.

15. Судей в Китае обязали использовать искусственный интеллект [Электронный ресурс]. a view of economic theory // Russian Journal of Entrepreneurship. 2018. No. 4. Vol. 19. P. 855-865.

16. Batoev V.B. The essence and significance of predictive analytics in operational-investigative activities // Investigation of crimes: problems and ways to solve them. 2019. No. 2(24). P. 125-130.

17. Solomatina A.G. Permissibility of using artificial intelligence in criminal proceedings // Bulletin of the Moscow University of the Ministry of Internal Affairs of Russia. 2020. No. 3. P. 97-99.

18. Kartashov 1.1., Kartashov 1.1. Artificial intelligence: criminal law and procedural aspects // Actual problems of state and law. 2021. V. 5. N17. P. 75-89.

19. Gavrilin A.V., Filatov A.A. An artificial intelligence unit as a subject of law: the feasibility and prospects for the development of an idea in the context of digital banking // Theory and practice of social development. 2021. No. 11.

20. Morhat P.M. Legal personality of artificial intelligence in the field of intellectual property law: civil law problems: auth. abstr.... Dr of Sciences in Jurisprudence. Moscow, 2018.

21. Gordeev A.Yu. Prospects for the development and use of artificial intelligence and neural networks to combat crime in Russia (based on foreign experience) // Scientific portal of the Ministry of Internal Affairs of Russia. 2021. No. 1(53). P. 123-135.

22. Batoev V.B., Semenchuk V.V. Predictive analytics in operational search activity: international experience and domestic in conducting operational search monitoring of information and telecommunication networks and systems // Bulletin of the Krasnodar University of Russian MIA. 2020. No. 1(47). P. 60-67.

23. Zavyalov I.A. Foreign experience of using artificial intelligence in solving crimes // Bulletin of the Moscow University of the Ministry of Internal Affairs of Russia. 2021. No. 3. P. 228-236.

24. Osipenko A.L. About participation of lawenforcement agencies in the system of ensuring cyber security of the Russian Federation // Society and law. 2018. No. 3(65). P. 35-42.

25. Judges in China are required to use artificial intelligence [Web resource].

26. What is data mining? [Web resource].

27. Osipenko A.L. The prospects of use of information and analytical technologies in operational-search activity // Society and law. 2018. No. 4. P. 80-84.

28. Что такое data mining? [Электронный ресурс].

29. Осипенко А.Л. Перспективы использования информационно-аналитических технологий в оперативно-розыскной деятельности // Общество и право. 2018. №4. С. 80-84.

30. General Data Protection Regulation [Электронный ресурс]

31. X-Road [Электронный ресурс].

32. По состоянию на январь 2022 года у WeChat насчитывалось 1,2 млрд активных пользователей ежемесячно [Электронный ресурс].

33. Число активных пользователей сервисов Alibaba по всему миру за 12 месяцев, завершившихся 31 марта, составило 1,31 млрд человек, что на 28,3 млн больше, чем за календарный 2021 г. В Китае насчитывалось более 1 млрд пользователей, за рубежом - 305 млн [Электронный ресурс].

34. Более 1,2 млрд человек по всему миру (из них 900 млн в Китае) пользуются услугами платежной системы Alipay (принадлежит финтех-компании Ant Group, входящей в периметр интернет-гиганта Alibaba) [Электронный ресурс].

35. General Data Protection Regulation [Web resource].

36. X-Road [Web resource].

37. As of January 2022, WeChat had 1.2 billion monthly active users [Web resource].

38. The number of active users of Alibaba services worldwide in the 12 months ended March 31 was 1.31 billion people, which is 28.3 million more than in the calendar year 2021. There were more than 1 billion users in China, abroad - 305 million [Web resource].

39. More than 1.2 billion people around the world (of which 900 million in China) use the services of the Alipay payment system (owned by the Ant Group fintech company, which is part of the perimeter of the Internet giant Alibaba) [Web resource].

Размещено на allbest.ru