CC BY
80
Научная статья УДК 343.983:004.8
https://doi.org/10.24412/2073-0454-2022-3-286-290 NIION: 2003-0059-3/22-324 MOSURED: 77/27-003-2022-03-523
Экспертная ситуация и искусственный интеллект
Алексей Иванович Хмыз
Московский университет МВД России имени В.Я. Кикотя, Москва, Россия, xmyz.aleksej@bk.ru
Аннотация. Рассматриваются ситуации, складывающиеся при подготовке, назначении, производстве судебной экспертизы, оценке заключения эксперта; анализируются возможности искусственного интеллекта при решении идентификационных, диагностических и иных задач экспертного исследования.
Ключевые слова: экспертная ситуация, задачи экспертного исследования, искусственный интеллект
Для цитирования: Хмыз А. И. Экспертная ситуация и искусственный интеллект // Вестник Московского университета МВД России. 2022. № 3. С. 286-290. https://doi.org/10.24412/2073-0454-2022-3-286-290.
Original article
Expert situation and artificial intelligence
Alexey I. Khmyz
Moscow University of the Ministry of Internal affairs of Russia named after V.Ya. Kikot', Moscow, Russia,
xmyz.aleksej @bk.ru
Abstract. The situations that develop during the preparation, appointment, production of forensic examination, evaluation of the expert's conclusion are considered; the possibilities of artificial intelligence in solving identification, diagnostic and other tasks of expert research are analyzed.
Keywords: expert situation, tasks of expert research, artificial intelligence
For citation: Khmyz A. I. Expert situation and artificial intelligence. Bulletin of the Moscow University of the Ministry of Internal Affairs of Russia. 2022;(3):286-290. (In Russ.). https://doi.org/10.24412/2073-0454-2022-3-286-290.
Познавательный процесс зависит от многих факторов, в том числе случайного характера. Не исключение и процесс установления фактических данных с использованием специальных знаний, средств и методов в форме судебной экспертизы.
Понятие «экспертная ситуация» прочно вошло в научный оборот, однако многие ученые ассоциируют его исключительно с производством судебной экспертизы. Так, А. Р. Сысенко полагает, что экспертную ситуацию можно назвать совокупностью сложившихся обстоятельств в процессе экспертного исследования, направленной на реализацию поставленных экспертных задач [9, с. 69].
На наш взгляд, связывать экспертную ситуацию непосредственно с экспертным исследованием не совсем верно.
Несмотря на то, что в соответствии с Федеральным законом от 31 мая 2001 г. № 73-Ф3 [1] судебная экспертиза рассматривается как процессуальное действие, включающее в себя проведение исследований и дачу заключения экспертом, невозможно представить это действие без процесса подготовки, назначения, а также оценки заинтересованными субъектами заключения эксперта.
От эффективности организации и осуществления подготовительного этапа во многом зависит непосредственно круг решаемых экспертом задач, формулировка вопросов перед экспертом, выбор экспертного учреждения и т. д. Например, невозможность изъятия образцов для сравнительного исследования исключает постановку перед экспертом вопросов о том, не оставлены ли следы кем-либо из проверяемых лиц.
© Хмыз А. И., 2022
JURISPRUDENCE
Некоторые ситуации нашли прямое отражение в нормативных правовых актах, регламентирующих судебно-экспертную деятельность. Так, в ситуациях, когда возникают сомнения в правильности или обоснованности заключения эксперта, по решению суда, судьи, лица, производящего дознание, следователя, назначается повторная судебная экспертиза, производство которой поручается другому эксперту или другой комиссии экспертов (абз. 2 ст. 20 Федерального закона от 31 мая 2001 г. № 73-Ф3 «О государственной судебно-экспертной деятельности в Российской Федерации»).
При этом ситуации могут быть как благоприятными, так и неблагоприятными для решения стоящих перед экспертом задач. Например, в ситуации, когда в экспертном подразделении нет соответствующего специалиста, отсутствует необходимые технические и иные средства, отсутствует экспертная методика экспертного исследования, необходимо отказаться от производства исследования, что входит в рамки компетенции руководителя экспертного учреждения.
Рассмотренная ситуация неблагоприятная в конкретный период времени как для инициатора назначения судебной экспертизы, так и для судебного эксперта. Однако она создает предпосылки для принятия соответствующих процессуальных и иных управленческих решений, например, о направлении объектов исследования в иное экспертное подразделение, разработки и апробации экспертных методик, направленных на получение достоверных и обоснованных выводов в отношение новых объектов, представляющих интерес для органов расследования.
Ряд ученых, например, В. А. Снетков, Ф. Г. Ами-нев делят экспертные ситуации на стационарные и поисковые, и дифференцируют их наличием или отсутствием в распоряжении эксперта, наряду с исследуемым объектом, проверяемых объектов либо образцов для сравнительного исследования. В первом варианте складывается стационарная, во втором, при постановке вопросов, например, установления модели автомобиля — поисковая ситуация.
По мнению Е. Б. Мельникова, экспертные ситуации, складывающиеся в рамках расследования конкретного дела, обычно сводятся к нескольким группам задач и зависят от природы возникающего комплекса признаков, в частности при решении задач ма-териаловедческой идентификации [3, с. 217-218].
В отношение предметов материального мира, документов, живых лиц, животных, трупов либо их частей, вещественных доказательств, представленных в том числе в виде электронных носителей информации, в рамках производства судебной экспертизы могут решаться задачи, разносторонность которых обусловливает различные основания для их классификации.
Исходя из зависимости вопросов, поставленных перед экспертом, от рода и вида экспертизы выделяют общие, типичные и конкретные экспертные задачи [6, с. 288].
Одним из оснований для классификации является цель экспертного исследования. По этому основанию до сих пор не сложилось единого мнения среди ученых. Обобщая имеющиеся позиции можно выделить идентификационные, диагностические, классификационные, реконструкционные и ситуационные (в аналогичной трактовке — ситуалогические) задачи. По нашему мнению, последние четыре относятся к неидентификационным задачам.
Идентификационные — это задачи, направленные на установление тождества конкретного единичного и неповторимого объекта материального мира по следам-отображениям этого объекта. Вариантом решения этой задачи является установление факта оставления одним и тем же лицом либо объектом двух и более следов, изъятых, в том числе по разным преступлениям, без предоставления образцов для сравнительного исследования.
Диагностические — это задачи, направленные на установление, распознавание свойств и качеств исследуемых объектов. В чистом виде эти задачи решаются, как правило, в ситуациях неопределенности, когда, например, нет установочных и иных данных о лице, совершившем противоправное деяние, но имеются следы действия этого лица в момент подготовки, совершения либо сокрытия преступления.
Классификационные — это задачи, направленные на установление соответствия объекта исследования заранее заданным характеристикам и отнесение его к определенному классу, роду, виду.
Реконструкционные — это задачи, связанные с восстановлением первоначального либо иного (за период своего существования) состояния объекта.
Ситуационные — это задачи, направленные на установление обстоятельств во времени совершенного события, процесса.
Эксперт при производстве судебной экспертизы в том или ином сочетании решает указанные задачи.
Результативность решения отдельной из перечисленных выше задач иногда зависит от эффективности решения иной задачи из этого списка. Так, успешное решение диагностической задачи расширяет объемы разыскной информации, следовательно, позволяет повысить шанс установления проверяемого и, в конечном итоге, искомого объекта.
На повышение результативности любой из обозначенных задач направлено внедрение в процесс экспертного исследования передовых в конкретный период времени технических средств и технологий. Так, например, средства осуществления автоматизированного сравнения следов рук с отпечатками пальцев и ладоней рук проверяемых лиц позволяют достаточно быстро и с высокой степенью достоверности решать соответствующие идентификационные задачи. Результативность же дактилоскопических экспертиз в разы превышает другие традиционные направления.
В настоящее время на повестке дня стоят вопросы интегрирования и использования в экспертной деятельности колоссальных возможностей искусственного интеллекта.
Искусственный интеллект позволяет имитировать когнитивные функции человека и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека.
Искусственный интеллект это, прежде всего, комплекс технологических решений, включающий 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 [5].
На начальном периоде своего развития искусственный интеллект основывался на высокоуровневом «человекочитаемом» представлении задач [8, с. 44], используя при их решении логическую схему: если ^ то.
Приведенная схема легко работает на этапе подготовки и назначения судебной экспертизы. Она помогает инициатору исследования определить вид судебной экспертизы, круг решаемых вопросов исходя из обнаруженного при осмотре места происшествия, проведении иного следственного действия следа, объекта и т. д.
Однако, указанная схема не приемлема для решения более сложных задач, требующих комплексного подхода, адаптивного мышления, что является характерным для производства современной, основанной на необходимости интеграции специальных знаний судебной экспертизы.
Совершенно иным принципом построения искусственного интеллекта стало создание искусственных нейронных сетей, которые достаточно эффективно решают задачи распознавания образов, различных движений и т. д.
Искусственные нейронные сети обычно представляются как системы соединенных между собой «нейронов», которые обмениваются сообщениями друг с другом. Соединения имеют множество весов, которые могут быть настроены на основании опыта, делая нейронные сети адаптируемыми к входным данным и способными обучаться [4] — на этапе разработки математической модели и самообучаться — при сборе и накоплении опытных данных [10].
Способность обучаться и самообучаться позволяет искусственному интеллекту действовать по-разному в аналогичных ситуациях, в зависимости от ранее выполненных действий [7, с. 94], и принимать соответствующие решения. Однако, данное преимущество перед обычными компьютерными алгоритмами является и основной проблемой, так как для качественного обучения при необходимости решения новой задачи необходим довольно большой объем данных, основанных на реальных примерах решения этой задачи.
Кроме способности обучаться, нейронные сети способны к обобщению и к абстрагированию. В первом случае сеть становится нечувствительной к малым изменениям входных сигналов (шуму или вариациям входных образов) и дает правильный результат на выходе. Во втором — при предъявлении сети несколько искаженных вариантов входного образа сеть сама может создать на выходе идеальный образ, с которым она никогда не встречалась [2, с. 4].
Информационные технологии решают идентификационные задачи путем верификации и собственно идентификации.
Основой верификации является идентификатор, например, сочетание некого логина и пароля, которые при вводе подтверждаются или отвергаются системой распознавания.
JURISPRUDENCE
При идентификации система распознавания сравнивает определенные признаки вводимой информации, например, речевого сигнала, текста, иного биометрического параметра с аналогичными признаками, содержащимися в базе данных, пополняемой в процессе обучения системы.
При решении вопросов о принадлежности биометрических параметров одному и тому же лицу, например, двух и более голосовых сообщений, возможна идентификация с предварительным обучением, т. е. когда образец голоса имеется в базе данных, и идентификация без предварительного обучения. В обоих случаях система, и это, на наш взгляд, принципиальное требование к ней, должна решать вопрос однозначно, без каких-либо вероятных суждений.
Искусственный интеллект является наиболее эффективным способом решения классификационной задачи, в связи с тем, что базируясь на параллельной обработке информации, способен генерировать значительное количество моделей, сопоставляя при этом входной образ, представленный вектором признаков, с одним или несколькими предварительно определенными классами.
При производстве судебной экспертизы эксперт сталкивается с одной или несколькими неопределенностями.
Задачу устранения неопределенностей также возможно возложить на нейронные сети.
В ряде случаев при решении поставленных перед экспертом вопросов необходимо учитывать множество факторов и условий, которые составляют механизм образования тех или иных следов, например, встречный и фронтальный угол при образовании динамических следов от орудий взлома, глубина проникновения клинка при образовании повреждений на одежде и т. д.
При учете и анализе механизма следообразования также можно задействовать нейронные сети, при этом условия следообразования следует отнести к входным параметрам системы. В качестве выходной информации нейронные сети предлагают эксперту ответ на решаемый вопрос.
К одному из основных недостатков нейронных сетей относится вероятностный результат ответа на поставленный вопрос, поэтому исключать эксперта из процесса исследования, а главное, формулирования вывода, не стоит.
Моделируя работу головного мозга искусственный интеллект, также как и человек, склонен допус-
кать ошибки. Поэтому при его использовании в экспертной деятельности необходимо решить вопрос о мере ответственности эксперта в ситуации, когда система допускает такую ошибку. Каким бы совершенным не был искусственный интеллект, принцип персональной ответственности эксперта за результаты проведенного исследования отменять нет необходимости.
Таким образом, искусственный интеллект можно представить как вспомогательное средство решения задач, стоящих перед экспертом в конкретной экспертной ситуации в процессе осуществления данным субъектом экспертной деятельности.
Список источников
1. Федеральный закон от 31 мая 2001 г. № 73-Ф3 «О государственной судебно-экспертной деятельности в Российской Федерации» // СПС «Консультант-Плюс».
2. Заенцев И. В. Нейронные сети: основные модели. Воронеж, 1999.
3. Мельников Е. Б. Экспертные ситуации в идентификационных исследованиях наркотических средств и психотропных веществ. В сб.: Актуальные проблемы борьбы с преступностью: вопросы теории и практики: мат. XXIV междунар. науч.-практ. конф. Красноярск, 2021. С. 217-219.
4. Михалевич Ю. С., Ткаченко В. В. Использование сверточных нейронных сетей для распознавания автомобильных номеров. Преимущества и недостатки по сравнению с шаблонным методом // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2016. № 120 // и^://ЬИр://е^киЬаего.ги/2016/-06^112^.
5. Национальная стратегия развития искусственного интеллекта на период до 2030 года. Утверждена указом Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации» // СПС «КонсультантПлюс».
6. Новиков А. В., Слабкая Д. Н. Генезис классификации экспертных задач в судебно-экспертной деятельности // Вопросы российского и международного права. 2021. Т. 11. № 7А. С. 286-292.
7. Понкин И. В., Редькина А. И. Искусственный интеллект с точки зрения права // Вестник Российского университета дружбы народов. Серия: Юридические науки. 2018. Т. 22. № 1. С. 91-109.
8. Селиванов Е. В., Стружанцев А. И. Технологии искусственного интеллекта // Центральный научный вестник. 2018. Т. 3. № 6 (47). С. 44-47.
9. Сысенко А. Р. Понятие экспертной ситуации в криминалистической экспертизе. В сб.: Проблемы криминалистической науки, следственной и экспертной практики: сб. науч. трудов // пред. редкол. Я. М. Мазу-нин. Омск, 2021. С. 66-69.
10. Тушкина Т. М., Верещагин П. В., Ермилов Е. Е. Использование искусственных нейронных сетей в проектировании технологии изготовления пуль // Южно-Сибирский научный вестник. 2012. № 2 (2). С. 79-80.
References
1. Federal Law No. 73-FZ of May 31, 2001 «On State forensic expert activity in the Russian Federation» // SPS «ConsultantPlus».
2. Zaentsev I. V. Neural networks: basic models. Voronezh, 1999.
3. Melnikov E. B. Expert situations in identification studies of narcotic drugs and psychotropic substances. In the collection: Actual problems of combating crime: questions of theory and practice: mat. XXIV International scientific and Practical conference. Krasnoyarsk, 2021. Р. 217-219.
4. Mikhalevich Yu. S., Tkachenko V. V. Using convo-lutional neural networks for car license plate recognition. Advantages and disadvantages in comparison with the tem-
plate method // Polythematic network electronic scientific journal of the Kuban State Agrarian University. 2016. № 120 // URL ://http ://ej .kubagro.ru/2016/06/pdf/112.pdf.
5. National strategy for the development of artificial intelligence for the period up to 2030. Approved by Decree of the President of the Russian Federation No. 490 dated October 10, 2019 «On the development of artificial intelligence in the Russian Federation» // SPS «ConsultantPlus».
6. Novikov A. V., Slabkaya D. N. Genesis of classification of expert tasks in forensic expert activity // Issues of Russian and international law. 2021. Vol. 11. No. 7A. P. 286-292.
7. Ponkin I. V., Redkina A. I. Artificial intelligence from the point of view of law // Bulletin of the Peoples' Friendship University of Russia. Series: Legal Sciences. 2018. Vol. 22. No. 1. P. 91-109.
8. Selivanov E. V., Struzhantsev A. I. Artificial intelligence technologies // Central Scientific Bulletin. 2018. Vol. 3. No. 6 (47). P. 44-47.
9. Sysenko A. R. The concept of expert situation in forensic examination. In the collection: Problems of cri-minalistic science, investigative and expert practice: collection of scientific works // pre. ed. Ya. M. Mazunin. Omsk, 2021. P. 66-69.
10. Tushkina T. M., Vereshchagin P. V., Ermilov E. E. The use of artificial neural networks in the design of bullet manufacturing technology // South Siberian Scientific Bulletin. 2012. No. 2 (2). P. 79-80.
Информация об авторе
А. И. Хмыз — начальник кафедры экспертно-криминалистической деятельности учебно-научного комплекса судебной экспертизы Московского университета МВД России имени В.Я. Кикотя, кандидат юридических наук.
Information about the author
A. I. Khmyz — Head of the Department of Forensic Activity of the Educational and Scientific complex of Forensic Examination of the Moscow University of the Ministry of Internal affairs of Russia named after V.Ya. Kikot', Candidate of Legal Sciences.
Статья поступила в редакцию 01.04.2022; одобрена после рецензирования 25.05.2022; принята к публикации 06.06.2022.
The article was submitted 01.04.2022; approved after reviewing 25.05.2022; accepted for publication 06.06.2022.
