Применение искусственного интеллекта для сбора и анализа доказательств

В статье исследуются существующие подходы к вопросу применения искусственного интеллекта для сбора и анализа доказательств. Решаются задачи, связанные с определением предела и требований для использования систем искусственного интеллекта в работе следствия с доказательствами. Выявляются методологические принципы их систематизации и классификации для определения перспектив применения искусственного интеллекта для сбора и анализа доказательств.
Методы: Работа опирается на требования и принципы системного анализа, а именно: объективность, всесторонность, полнота исследования. Основной метод исследования – классификация, предполагающая охват всех объектов классификационного деления и обоснование объективных оснований для их градации на виды.
Результаты: в качестве исходной позиции отмечены общие требования для использования технологии искусственного интеллекта с целью принятия решений, существенно влияющих на жизнь людей. Доказано отличие необходимых требований, предъявляемых к системам, для сбора и анализа доказательств. Признано, что одной из ключевых проблем остается обеспечение прозрачности принимаемых интеллектуальных решений и рекомендаций. В первую очередь это касается решений, основанных на использовании машинного обучения глубоких нейронных сетей. Модели машинного обучения часто очень сложны и поэтому не поддаются непосредственной проверке человеком. Для их понимания и прозрачности необходимо предусматривать специальные средства интерпретации и анализа результатов. Особо авторы отмечают, что использовать результаты работы непрозрачных систем искусственного интеллекта для сбора и анализа доказательств надо крайне осторожно, так как система не так предсказуема, как традиционные компьютерные программы.

1. Бахтеев Д.В. Искусственный интеллект в криминалистике: состояние и перспективы использования. Российское право: образование, практика, наука. 2018;(2):43–49.

2. Бессонов А.А. Использование алгоритмов искусственного интеллекта в криминалистическом изучении преступной деятельности (на примере серийных преступлений). Вестник Университета имени О.Е. Кутафина (МГЮА). 2021;(2):45–53.

3. Васильев А.А., Ибрагимов Ж.И. Правовое регулирование робототехники и искусственного интеллекта в европейском союзе. Российско- азиатский правовой журнал. 2019;(1):50–54.

4. Васильев А.А., Печатнова Ю.В. Искусственный интеллект и право: проблемы, перспективы. Российско-азиатский правовой журнал. 2020;(2):14–18.

5. Дремлюга Р.И. Незаконный оборот наркотиков и крипторынки: угрозы и вызовы правоохранителю. Наркоконтроль. 2018;(2):33–38.

6. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2020.

7. Понкин И.В., Редькина А.И. Искусственный интеллект с точки зрения права. Вестник Российского университета дружбы народов. Серия: Юридические науки. 2018;22(1):91–109.

8. Сибилькова А.В. Искусственный интеллект на службе у следователя. Российский следователь. 2019;(3):68–70.

9. Якушев Д.И. Об определении искусственного интеллекта // В сборнике: Региональная информатика и информационная безопасность. Сборник трудов. Санкт-Петербургское общество информатики, вычислительной техники, систем связи и управления; 2016. С. 67–69.

10. AL-Marghilani A.A. Target Detection Algorithm in Crime Recognition Using Artificial Intelligence. CMCComputers, Materials & Continua. 2021;71(1):809–824.

11. Burrell J. How the Machine "Thinks": Understanding Opacity in Machine Learning Algorithms. Big Data & Society. January–June, 2016.

12. Julia Angwin, Jeff Larson, Surya Mattu and Lauren Kirchner "Machine Bias". ProPublica. May 23, 2016. https://www.propublica.org/article/machine-bias-riskassessments-in-criminal-sentencing

13. Marion Oswald, Jamie Grace, Sheena Urwin & Geoffrey C. Barnes Algorithmic risk assessment policing models: lessons from the Durham HART model and "Experimental" proportionality. Information & Communications Technology Law. 2018. Pp. 223–250. DOI: 10.1080/13600834.2018.1458455 DOI: 10.1080/13600834.2018.1458455

14. Minarcin M. Building Responsibility in AI: Transparent AI for Highly Automated Vehicle Systems. SAE Technical Papers. 2021. DOI: https://doi.org/10.4271/2021-01-0195

15. Padhy N.P. Artificial intelligence and intelligent systems 3. Oxford University Press, 2005. Pp. 23.

16. Silver D., Schrittwieser J., Simonyan K., Antonoglou I., Huang A., Guez A., Hubert T., Hassabis D. et. al. Mastering the game of Go without human knowledge. Nature. 2017;550(7676):354–359.