CC BY
60Применение искусственного интеллекта (нейронных сетей) в деятельности полиции
Безгачев Федор Владимирович
старший преподаватель кафедры информационно-правовых дисциплин и специальной техники Сибирского юридического института МВД России, fedos82-82@mail.ru
В статье представлены перспективные направления внедрения нейронных сетей в работу полиции в России. Автором рассмотрены основные подходы к определению понятия «искусственный интеллект». Определена сущность работы нейронной сети. В рамках настоящего исследования рассмотрены такие направления применения нейронных сетей в деятельности правоохранителей, как работа с визуальным контентом (сканирование, распознавание, анализ) и прогнозирование (выдвижение версий). В заключении статьи автором выделены ключевые риски и барьеры внедрения нейросетей в работу полиции, в частности: неподготовленность законодательной базы, неэтичность вторжения в частную жизнь граждан при сборе данных нейросетью, необходимость оцифровки существующих документов, хранящихся в различных ведомственных структурах, формирование единой базы для обучения и работы нейронной сети. Ключевые слова: искусственный интеллект, машинное обучение, нейронная сеть, полиция, правоохранительная деятельность, цифровизация
(0 сч о сч
п
Авторство термина «искусственный интеллект» принадлежит американскому исследователю Дж. Мак-карти, который употребил его на конференции в Дартмуте в 1956 г. для обозначения мыслительного процесса, реализуемого компьютерной системой по образцу мышления человека [2, с. 24]. К сегодняшнему дню - спустя 7 десятилетий - человечеству действительно удалось воплотить идею об искусственном интеллекте.
Анализ существующих дефиниций категории «искусственный интеллект» демонстрирует широкое разнообразие подходов и отсутствие единства в понимании термина. К примеру, если исходить из того, что принципиальным отличием искусственного интеллекта от компьютера является мышление, то искусственный интеллект можно определить в качестве совокупности инструментария, применяемого при решении усложненных прикладных задач на основе так называемых когнитивных технологий - технологий, воспроизводящих процесс мышления и построения умозаключений. Многие авторы в качестве приоритетного параметра искусственного интеллекта называют способность к самообучению. О. А. Дворянкин, к примеру, определяет искусственный интеллект как программу, которая по мере накопления данных сама учится их систематизировать, распознавать и анализировать, «с каждым разом совершенствуясь и выполняя поставленную задачу все лучше» [2, с. 24].
С другой стороны, искусственный интеллект можно определить не в качестве результата (программного/программно-аппаратного решения), а в качестве свойства компьютерных систем нового поколения - свойства «выполнять творческие функции, которые традиционно считаются прерогативой человека» [2, с. 24]. Схожий тезис выражают А. П. Суходолов и А. М. Бычкова, предлагая при этом использовать вместо термина «искусственный интеллект» термин «система искусственного интеллекта» (программная система, имитирующая процесс мышления) [Суходолов, с. 754]. Кроме того, искусственный интеллект может быть определен и с позиции теоретико-прикладных исследований - как «направление информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать <...> интеллектуальные задачи» [10, с. 754].
В современном научном и медийном массиве все чаще можно встретить отождествление термина «искусственный интеллект» с целым рядом смежных категорий - «Большие Данные» (Big Data), «машинное обучение», «глубинное обучение» и «нейронные сети». Безусловно, уравнивать эти термины не совсем корректно; можно сказать, что все
вышеперечисленное выступает различными режимами, формами воплощения искусственного интеллекта. Эти и другие категории оформились в единую сферу, именуемую искусственным интеллектом, и уже более 10 лет они создают совершенно новый контекст развития нашей цивилизации. Новая реальность, указывает А. Г. Карпика, уже проникла во все аспекты повседневной жизни человека, в деятельность социальных групп, компаний, организаций и органов государственной власти [5, с. 131]. Интеллектуальные технологии развиваются сегодня весьма активно; уже сегодня они помогают облегчить профессиональную деятельность различных специалистов, процессы управления частными компаниями и государственными ведомствами.
Одна из наиболее перспективных подотраслей сферы интеллектуальных технологий - разработка и имплементация нейронных сетей. Нейронная сеть представляет собой такую разновидность программы, которая способна обучаться на основе заданного информационного массива и за счет предыдущего опыта. А. Ю. Гордеев определяет нейронные сети следующим образом: самообучающаяся программа, функционирующая на основе нелинейного метода, способная находить сложные зависимости между отдельными свойствами данных [1, с. 125]. Нейронные сети являют собой результат воплощения идеи о наделении компьютеров способностью обучаться и исправлять ошибки, присущей биологическим нервным системам; фактически концепция нейронной сети заключается в построении аналога низкоуровневой структуры мозга.
Сегодня инженеры и исследователи создают мощные нейрокомпьютеры и программные нейро-пакеты для распознавания образов, текстового поиска, поиска изображений, перевода, прогнозирования, обнаружения мошенничества и решения иных задач, которые сложно решить человеку по причинам (1) колоссального объема информации, подлежащей анализу; (2) неполноты, зашумленности и противоречивости этой информации.
Следует сказать, что новые технологии уже достаточно давно используются не только во благо общества, но и в преступных целях. Деятельность множества преступных групп и индивидуальных правонарушителей постепенно переходит в режим «онлайн». Преступления все чаще совершаются посредством технологий искусственного интеллекта. В большинстве случаев виртуальное пространство «практически выводит личность правонарушителя из процесса преступных взаимодействий» [10, с. 758], что, в свою очередь, порождает ощущение безнаказанности и повышает долю нераскрытых преступлений.
В данной связи в научном массиве все чаще можно встретить термин «технотронная преступность». К. Н. Евдокимов, анализируя процессы виртуализации и интеллектуализации преступной деятельности, выработал научную теорию «анексе-ленктотичной технотронной преступности» - «преступности нового поколения, основанной на использовании 1Т-технологий, пришедшей на смену традиционной компьютерной преступности и вышедшей
из-под контроля <...> в силу своей социальной ла-тентности, технической сложности и многогранности» [4, с. 39].
Вполне логичной реакцией на переход правонарушителей в режим «онлайн» стала имплементация интеллектуального инструментария правоохранителями. А. П. Суходолов и А. М. Бычкова говорят о наличии множества образцов программных решений, основанных на нейросетях и направленных на противодействие офлайн- и онлайн-преступности и ее профилактику [10, с. 758]. В отечественной практике противодействия преступной деятельности применяются, к примеру, такие автоматизированные интеллектуальные инструменты, как система «Блок», обеспечивающая информационное криминалистическое сопровождение расследования преступлений в экономической сфере; «Маньяк», применяемая при расследовании серийных убийств; «Спрут», помогающая установить контактные связи между преступниками; «Сейф», систематизирующая данные о хищениях денежных средств из хранилищ; «Зеркало», оперирующая географическими пространственными данными [1, с. 128].
В рамках настоящего исследования мы рассмотрим два направления применения нейронных сетей в деятельности правоохранителей - работа с визуальным контентом (сканирование, распознавание, анализ) и прогнозирование (выдвижение версий).
Применение нейросетей при распознавании лиц. Распознавание лиц уже достаточно давно применяется в правоохранительной деятельности. Аналитические подразделения разведки, к примеру, используют технологии интеллектуального распознавания лиц для оказания помощи компетентным органам в установлении личности и местонахождения человека.
Без применения нейросетей работа со входящим визуальным контентом представляет собой весьма трудоемкий процесс. Кроме того, обработка графической информации вручную неизбежно приводит к ошибкам вследствие естественной усталости и других психофизических факторов. Машины, в отличие от людей, не устают и оценивают изображения объективно; они способны более точно отличать одного человека от другого на основе прецизионного анализа индивидуальных черт лица.
Технологии распознавания лиц применялись и до появления нейронных сетей: традиционные программные алгоритмы функционировали на основе сличения лиц с набором определенных характеристик - разреза глаз, цвета и расстояния между ними и проч. Нейтронные сети, в свою очередь, способны вырабатывать собственные критерии распознавания лиц, неразличимые человеком. Следует также отметить, что нейронные сети обучаются не только на изображениях анфас, но и на изображениях лица человека под разными углами, на фрагментах изображений [5, с. 133].
Помимо анализа лиц, нейронные сети могут работать в областях идентификации оружия и иных объектов, обнаруживать аварии и преступления. На сегодняшний день нейронные сети выполняют
СО
8) *
О X
а
а
8) О
т
V
(О
сч о сч
(О
функции «второй пары глаз» и работают в «сотрудничестве» с экспертами.
Конечно, в научном литературе и в реальной практике все чаще высказывается мнение о возможности заменить человека машиной. Нейросетевые технологии стремительно развиваются, что еще больше актуализирует вопрос о замене нейросете-вым анализом криминалистической портретной экспертизы, производимой человеком. Тем не менее, на сегодняшний день в зарубежной и отечественной практике имеется масса примеров ошибочного совпадения сравниваемых лиц. Нейросеть, обрабатывающая изображения, может выявлять похожие лица и вводить в заблуждение сотрудников полиции. По этой причине принято разграничивать машинную оперативную идентификацию лиц и «полноценную», выполняемую человеком, экспертную идентификацию, дополняемую дополнительными методами (дактилоскопия, личная беседа и проч.) [3, с. 65].
Тем не менее, не следует игнорировать два ключевых преимущества нейронных сетей: возможность высокоскоростной обработки изображений и способность восстанавливать изображения по фрагментам. Как известно, зачастую изображения, полученные с камер видеонаблюдения, отличаются низким разрешением, сняты в затрудненных для фиксации условиях (через оконное стекло, в автомобиле, при плохом освещении, в условиях обильных осадков). Более того, нейросеть способна анализировать изображения лиц с частично измененными элементами - в ситуациях умышленного изменения внешнего облика человека. В криминалистике весьма часто возникают ситуации, когда необходимо исследовать изображения лиц, внешность которых существенно изменилась в результате травм, хирургических вмешательств, по прошествии времени [3, с. 66]. Неоднократно доказано, что подобное восстановление машина умеет делать довольно качественно. В данной связи можно предположить постепенное нарастание «полномочий» нейросети и получение ей статуса полноценного эксперта.
В качестве показательного примера использования нейронных сетей в работе полиции можно привести «Мобильный биометрический комплекс», применяемый Управлением МВД России по Рязанской области. Комплекс представляет собой интеллектуальную систему распознавания лиц, размещаемую в транспортных полицейских фургонах. Данная технология применяется преимущественно во время массовых мероприятий. Система позволяет идентифицировать правонарушителей в режиме реального времени и отправлять на устройства сотрудников полиции уведомления с фотографией человека и краткой информацией о совершенном им правонарушении [6, с. 84].
Еще одним успешным проектом применения высоких технологий полицией можно назвать сотрудничество МВД Российской Федерации с российской компанией NTechLab в области внедрения специализированного алгоритма сервиса распознавания лиц и силуэтов FindFace. Алгоритм работы данного
программного продукта следующий: создается нейронная сеть, ей предоставляют фотографии, запускается процесс обучения, и далее нейронная сеть приступает непосредственно к выполнению своих функций. Важнейшим преимуществом данной системы является то, что она, в отличие от других аналогичных систем, работает не только с базой фотографий правонарушителей, имеющейся в распоряжении полиции, а самостоятельно обращается к ресурсам Сети и находит профили идентифицируемых лиц в социальных сетях. Как показала практика, продукт компании NTechLab является одним из лучших в мире. Система была успешно апробирована во время множества массовых общественных и спортивных мероприятий и даже применялась во время Чемпионата Мира по футболу в 2018 г. Известно, кроме того, что за 2019 г. данная нейросеть смогла идентифицировать 90 правонарушителей, зафиксированных на улицах и в метрополитене; в 2021 г. данный показатель составил около 900 [7, с. 137].
Нейросеть как инструмент прогнозирования и предупреждения преступности. Как показывает зарубежный опыт, нейросеть может быть применена в целях для ранжирования и идентификации лиц, наиболее вероятных в качестве исполнителей или жертв насилия. В США, к примеру, нейросети вычисляют вероятность совершения преступлений с применением огнестрельного оружия, руководствуясь такими критериями, как предыдущие аресты, принадлежность к преступной группировке и возраст на момент последнего ареста. «Прогностическая полиция», таким образом, позволяет предупреждать преступления и идентифицировать лиц, которые должны попасть в фокус внимания профилактических социальных служб.
В системе уголовного судопроизводства США также используется алгоритм COMPAS компании Northpointe, который определяет вероятность совершения еще одного преступления правонарушителем. Эти и другие прогностические нейронные сети работают на базисе аналогичных алгоритмов: нейросеть аккумулирует максимальное количество данных о интересующем полицию лице (локация, часто посещаемые места, активность в Сети, поведенческие паттерны и проч.), на основе чего делается предположение о рецидиве.
Прогностические способности нейронных сетей могут быть использованы в определении принадлежности лица к организованной преступной группировке или же для поиска соучастников преступления. Программный продукт Palantir, к примеру, работает с обширной базой данных, включающей архивные документы и судебные записи, водительские удостоверения, адреса, телефонные номера и сведения из соцсетей. На основе этой информации нейронная сеть определяет систему связей между людьми, что, в свою очередь, помогает полиции идентифицировать преступные сообщества [1, с. 127].
В правоохранительных структурах России, если опираться на данные открытого доступа, подобных
нейросетей в эксплуатации нет. Возможно, барьером для внедрения нейронных сетей с прогностическим функционалом является необходимость оцифровки колоссального объема бумажной информации, а также необходимость компиляции базы из разнородных данных, предоставляемых разными ведомствами. Все вышесказанное приводит нас к выводу о необходимости рассмотрения сложностей и рисков внедрения нейронных сетей в работу полиции.
Барьеры и риски применения нейросетей в деятельность полиции. Как отмечено выше, основной сложностью имплементации нейронных сетей в работу полиции является потребность в оцифровке данных и создание общестрановой базы данных. Для того, чтобы иметь основу для обучения и для работы, нейросеть должна обращаться к максимально полной базе данных, которой на данный момент в России не представлено. Предстоит работа по оцифровке и объединению информации, хранящейся в территориальных подразделениях полиции, компьютерах структур следственного комитета, судов, учреждений ФСИН, Министерства здравоохранения и прочих организаций.
Более того, требуется наладить работу всех вышеперечисленных ведомств таким образом, чтобы вся новая информация также оперативно оцифровывалась; речь идет о документах лиц, подозреваемых или обвиняемых в совершении преступлений, осуждённых; лиц, в отношении которых назначены принудительные медицинские меры [8, с. 115]. Информационный массив должен включать в себя с информацию из ведомств, занятых вопросами миграции, транспортных и таможенных органов. Учитывая территориальный размах, большую численность населения и огромное число ведомств и их подразделений в нашей стране, можно предположить что оцифровка всех данных представит собой ключевой барьер в процессе интеллектуализации и автоматизации работы полиции.
Кроме того, следует отметить риски нарастания противоречий между действующим законодательством и фактическими методами оперативной работы. Законодательный массив в идеальной ситуации должен предупреждать развитие технологий, используемых полиций. В нашей стране законодательство, напротив, отстаёт от текущей динамики интеллектуализации полицейских ведомств [9, с. 43].
Отметим также этическую дилемму, связанную со внедрением нейросетей в работу полиции. Системы видеомониторинга, распознавания и сличения лиц, которые предоставляет полиции нейросеть, явно подразумевают вторжение в частную жизнь граждан. Данный вопрос также должен получить законодательное разрешение.
Одним из риск-факторов, который может возникнуть при массовом внедрении нейросетей, является «автоматическая предвзятость», определяемая А. Г. Карпикой как «чрезмерное доверие к алгоритму», приводящее к принятию неверных решений [5, с. 134].
Таким образом, внедрение нейросетей в работу полиции представляется нам необратимой тенденцией. Нейросети могут существенно улучшить качество работы полиции, главным образом, за счет систем распознавания лиц и объектов и прогностических аналитических систем. Тем не менее, существует ряд проблем, которые требуется разрешить до момента массового внедрения нейросетей в профессиональную деятельность правоохранителей.
Литература
1. Гордеев, А. Ю. Перспективы развития и использования искусственного интеллекта и нейросе-тей для противодействия преступности в России (на основе зарубежного опыта) / А. Ю. Гордеев // Научный портал МВД России. - 2021. - №1 (53). - С. 123125.
2. Дворянкин, О. А. искусственный интеллект -будущая новейшая информационная технология Интернета / О. А. Дворянкин // EESJ. - 2021. - №104 (74). - С. 23-31.
3. Зинин, А. М. Идентификация человека по признакам внешности и методы биометрии / А. М. Зинин // Вестник Университета имени О. Е. Кутафина. -2022. - №2 (90). - С. 58-66.
4. Евдокимов, К. Н. Анекселенктотичная технотронная преступность (частная теория) / К. Н. Евдокимов // Российский судья. - 2018. - № 4. - С. 35-39.
5. Карпика, А. Г. Анализ направлений применения искусственного интеллекта в правоохранительной деятельности / А. Г. Карпика // ЮП. - 2023. - №1 (104). - С. 130-135.
6. Кетия, Т. А. Применение нейросетей в деятельности органов внутренних дел / Т. А. Кетия // Евразийская адвокатура. - 2022. - №3 (58). - С. 7176.
7. Комаров, В. В. Исследование технологий распознавания лиц для идентификации участников несанкционированных публичных мероприятий / В. В. Комаров, С. Н. Попова, В. А. Ворожейкин, Д. С. Давидов // Вестник экономической безопасности. -2022. - №6. - С. 136-141.
8. Кузьмин, И. А. Искусственные нейронные сети: перспективы использования в правоохранительной деятельности / И. А. Кузьмин // Криминалистика: вчера, сегодня, завтра. - 2018. - №4 (8). - С. 109-116.
9. Осипенко, А. Л. Оперативно-розыскная деятельность в информационном обществе: адаптация к условиям цифровой реальности / А. Л. Осипенко // Научный вестник Омской академии МВД России. -2019. - №4 (75). - С. 38-46.
10.Суходолов, А. П. Искусственный интеллект в противодействии преступности, ее прогнозировании, предупреждении и эволюции / А. П. Суходолов, А. М. Бычкова // Всероссийский криминологический журнал. - 2018. - №6. - С. 753-766.
СО
8) *
О X
а
а
8) О
т
V
Implementation of artificial intelligence (neural networks) in police
activities Bezgachev F.V.
Siberian Law Institute of the Ministry of Internal Affairs of Russia The article presents promising directions for the implementation of neural networks in the work of the police in Russia. The author considers the main approaches to the definition of the concept of artificial intelligence. The essence of the algorithm of the neural network is determined. Within the framework of this study, such areas of application of neural networks in the activities of law enforcement officers as working with visual content (scanning, recognition, analysis) and forecasting (suggestion of versions) are considered. In conclusion the author highlights the key risks and barriers of implementation of neural networks in the work of the police, in particular: the unpreparedness of the legislative framework, the unethical intrusion into the privacy of citizens during collecting data by a neural network, the need to digitize existing documents stored in various departmental departments, the formation of a single base for training and work of a neural network. Keywords: artificial intelligence, machine learning, neural network, police, law enforcement, digitalization
References
1. Gordeev, A. Yu. Prospects for the development and use of artificial
intelligence and neural networks to combat crime in Russia (based on foreign experience) / A. Yu. Gordeev // Scientific portal of the Ministry of Internal Affairs of Russia. - 2021. - No. 1 (53). - S. 123-125.
2. Dvoryankin, O. A. Artificial intelligence - the future of the latest information
technology of the Internet / O. A. Dvoryankin // EESJ. - 2021. - No. 10-4 (74). - S. 23-31.
3. Zinin, A. M. Identification of a person by signs of appearance and biometric
methods / A. M. Zinin // Bulletin of the University named after O. E. Kutafin.
- 2022. - No. 2 (90). - S. 58-66.
4. Evdokimov, K. N. Anexelenctotic technotronic crime (private theory) / K. N.
Evdokimov // Russian judge. - 2018. - No. 4. - P. 35-39.
5. Karpika, A. G. Analysis of directions for the use of artificial intelligence in law
enforcement / A. G. Karpika // YUP. - 2023. - No. 1 (104). - P. 130-135.
6. Ketiya, T. A. The use of neural networks in the activities of internal affairs
bodies / T. A. Ketiya // Eurasian Advocacy. - 2022. - No. 3 (58). - S. 71-76.
7. Komarov, V.V., Popova, S.N., Vorozheykin, V.A., and Davidov, D.S. Study of
facial recognition technologies for the identification of participants in unauthorized public events // Vestnik ekonomicheskoi bezopasnosti. -2022. - No. 6. - S. 136-141.
8. Kuzmin, I. A. Artificial neural networks: prospects for use in law enforcement
/ I. A. Kuzmin // Criminalistics: yesterday, today, tomorrow. - 2018. - No. 4 (8). - S. 109-116.
9. Osipenko, A. L. Operational-search activity in the information society:
adaptation to the conditions of digital reality / A. L. Osipenko // Scientific Bulletin of the Omsk Academy of the Ministry of Internal Affairs of Russia.
- 2019. - No. 4 (75). - P. 38-46.
10. Sukhodolov, A. P. Artificial intelligence in combating crime, its prediction, prevention and evolution / A. P. Sukhodolov, A. M. Bychkova // All-Russian journal of criminology. - 2018. - No. 6. - S. 753-766.
(0 C4 O
C4 «
