Россия
сотрудник с 01.01.2000 по настоящее время
Россия
ВАК 12.00.02 Конституционное право; конституционный судебный процесс; муниципальное право
ВАК 12.00.10 Международное право; Европейское право
ВАК 12.00.12 Криминалистика; судебно-экспертная деятельность; оперативно-розыскная деятельность
ВАК 12.00.14 Административное право; административный процесс
ГРНТИ 10.07 Теория государства и права
ББК 60 Общественные науки в целом
В статье рассматриваются технологии искусственного интеллекта и дополненной реальности, используемые в практике экспертно-криминалистических подразделений полиции Российской Федерации.
криминалистика, искусственный интеллект, дополненная реальность, экспертно-криминалистическая деятельность
В настоящее время государством определена стратегия цифровой трансформации общественных институтов. Не осталась в стороне и деятельность органов правопорядка. К одним из главных факторов общественных изменений относится внедрение технологий искусственного интеллекта, которые являются развивающейся областью науки, но уже находят свое применение в криминалистике.
Системы искусственного интеллекта — это компьютерные программы на основе математических алгоритмов, способные выполнять задачи, решение которых ранее было возможно только человеком [3]. В современном мире к таким задачам можно отнести: визуальное восприятие и анализ изображений, распознавание речи, когнитивное мышление, принятие решений, определение групповой принадлежности и установление тождества [13].
Машинное обучение, нейронные сети и глубокое обучение связаны друг с другом, все эти понятия входят в определение искусственного интеллекта. Так, машинное обучение – это часть искусственного интеллекта, которая позволяет компьютерной программе обучаться на основе действий или моделей, чтобы предсказать новые выходные значения. Алгоритмы глубокого обучения, которые имитируют работу человеческого мозга, известны как нейронные сети. Глубокое обучение - способность компьютера обучаться без человеческого внимания. В целом, искусственные нейронные сети - математические, вычислительные или технологические модели, которые имитируют логические и обучающие функции нейронов в человеческом мозге [8].
В настоящее время программы на основе искусственного интеллекта уже применяются Министерством внутренних дел Российской Федерации в целях распознавания в потоке лиц, которые разыскиваются либо подозреваются в совершении преступлений, также проверяется автотранспорт. Системы идентификации по биометрии осуществляют поиск данных по информационным массивам фотоснимков. В процессе разработки находятся программы, позволяющие устанавливать перспективные для расследования дела прошлых лет. Работа таких систем реализуется с использованием прогностических моделей [6]. Кроме этого, в криминалистике используются системы анализа изображений и видеозаписей [1], распознавания лиц [2], идентификации огнестрельного оружия [6], почерка [3], оценки времени, прошедшего с момента смерти, определении пола скелетных останков, 3D-реконструкции лица по черепу, анализа пятен крови [12], и другие. Уже сейчас можно сказать о том, что диагностические и идентификационные задачи с использованием искусственных нейронных сетей решаются с большей точностью и с большей скоростью.
Рассмотрим указанные задачи более подробно.
Распознавание образов
Распознавание образов - процесс автоматического машинного распознавания, который классифицируется в зависимости от процедуры обучения, используемой для генерации выходного значения.
Экспертам-криминалистам в процессе производства экспертиз и исследований приходится анализировать большое количество исходных данных, применяя, в том числе, методы математической статистики в целях выявления общих признаков и установления тождества. Системы искусственного интеллекта на основе глубокого обучения (Deep learning) в наши дни активно используются для решения задач компьютерного зрения и распознавания образов, поскольку они не требуют контроля со стороны человека [2]. Глубокое обучение автоматически изучает признаки и структуры при достаточном количестве входных обучающих данных. Преимущества таких моделей делают их пригодными для решения различных криминалистических задач, например, в системах дактилоскопической идентификации. Автоматизированные дактилоскопические комплексы на основе искусственного интеллекта могут существенно сократить количество сравнений и сопоставлений с высокой точностью [3].
Алгоритмы, разработанные для анализа входных данных, могут обучаться сложным задачам [8], и используются, например для распознавания лиц в режиме реального времени. Современные системы искусственного интеллекта способны сопоставлять лица, идентифицировать оружие, сравнивать голоса и фиксировать факт какого-либо события, например, аварии или преступления [1].
Искусственный интеллект в почерковедении
Системы на основе распознавания образов уже применяются в почерковедческой экспертизе в целях сравнения подписей или почерка. Некоторые алгоритмы распознавания образов и нейросетевые модели помогают экспертам определять пол пишущего [12].
Трехмерное моделирование и виртуальная реальность
в криминалистике
Применение цифровых 3D-технологий и искусственного интеллекта может быть использовано для проведения экспертных экспериментов. Так, рассматриваемые системы способны автоматически создавать трехмерные графические модели и анимации, например, при реконструкции событий преступлений. Моделирование 3D-объектов и людей на основе измерений и фотографий, а также анимация уже используются для решения подобных задач, например, для реконструкции убийства [14].
Оценка психологического состояния человека
и антропометрические исследования
Искусственные нейронные сети уже способны с высокой точностью разделить состояние стресса и ложь [12].
Также созданы программные системы на основе искусственного интеллекта, которые предлагают автоматический подход к определению пола по следам босых ног [11] и реконструкции лица по черепу [12].
Определение времени наступления смерти и проведение экспертных экспериментов на основе анализа крови
Кровь, взятая из бедренной вены, может быть проанализирована с применением алгоритмов искусственного интеллекта, на предмет количества лактатдегидрогеназы (LDH), аспартатаминотрансферазы (AST), триглицеридов и холестерина. Эти данные с уровнем pH крови можно интерпретировать для оценки времени наступления смерти [12].
Существующие криминалистические методики позволяют анализировать размеры, форму и распределение пятен крови для определения механизмов следообразования на месте преступления. Обработка изображений и компьютерное зрение с обучением искусственного интеллекта могут быть успешно использованы для автоматической классификации пятен крови с учетом эвристической классификации [12].
Использование технологии дополненной реальности в целях визуализации
криминалистических объектов и обучении криминалистике
Дополненная реальность (augmented reality, AR) — это технология, дополняющая физический мир, визуализируемый на экране мобильных устройств (планшетов, смартфонов, компьютеров) виртуальными объектами. В отличие от виртуальной реальности (virtual reality) дополненная реальность лишь накладывает отдельные элементы на изображение, передаваемое на экран с камеры мобильного устройства [15].
Технологии дополненной реальности показали свою эффективность и применяются в военных целях, логистике, авиационной и автомобильной промышленности, машиностроении, туризме, прессе, музейном деле, торговле, бизнесе и других отраслях.
Наши эксперименты показали, что дополненную реальность можно успешно использовать для изучения трехмерных моделей криминалистических объектов (например, трасологических следов, оружия, орудий взлома, и других), а также в целях обучения криминалистике.
Для просмотра интерактивных материалов необходимо установить на мобильное устройство с камерой (телефон или планшет) программное обеспечение, интерпретирующее данные дополненной реальности. Также для работы с дополненной реальностью необходим специальный «маркер» - распечатанное на принтере уникальное изображение, к которому привязывается виртуальный трехмерный объект. После наведении на изображение «маркера» камеры мобильного телефона или планшета, на экране этого устройства демонстрируется объект или видеозапись. При перемещении пользователя изображение также смещается. Для анализа окружающей обстановки и положения мобильного устройства в пространстве используются камера и гироскоп.
Нами была подготовлена интерактивная лекция с элементами дополненной реальности по учебной дисциплине «Медико-криминалистические и биологические методы исследования в судебной экспертизе».
В лекцию включено 9 «маркеров» дополненной реальности с видеосюжетами (Изображение 1):
Изображение 1. Видеосюжеты, включенные в лекцию с маркерами дополненной реальности.
Каждый из видеосюжетов, включенных в содержание изучаемой лекции, наглядно демонстрирует методы и приемы работы со следами биологического происхождения при их обнаружении, фиксации и изъятии. Это позволяет улучшить восприятие и запоминание информации курсантами и слушателями. Обучающие видеоролики были засняты нами самостоятельно.
Удобство использования данного формата изучения заключается в том, что просматривать элементы можно как с электронного формата лекции, так и с печатного (Изображение 2):
Изображение 2. Пример воспроизведения элементов дополненной реальности на кране мобильного телефона с изображения на экране компьютера.
Изучать материал и просматривать элементы дополненной реальности возможно в электронном формате, например, с экрана компьютера. Также возможно работать и с распечатанным экземпляром лекции, например, с учебником, наведя камеру телефона на соответствующий маркер под картинкой. Алгоритм воспринимает как цветное, так и на черно-белое изображение (Изображение 3).
Изображение 3. Пример воспроизведения элементов дополненной реальности на кране мобильного телефона с печатного экземпляра лекции.
Интерактивные объекты дополненной реальности могут быть как видео сюжетами, так и 3-D моделями, позволяющими рассмотреть предмет с разных сторон, изменяя положение мобильного устройства в пространстве.
Технология дополненной реальности апробирована при проведении занятий с курсантами Института судебной экспертизы и слушателями факультета подготовки иностранных специалистов Московского университета МВД России имени В.Я. Кикотя. Рассматриваемый метод показал свою эффективность при обучении в дистанционной форме, например, в условиях, когда ряд слушателей находились за пределами России и имели возможность проходить обучение только в дистанционном режиме.
Полагаем, рассмотренные технологии дополненной реальности (AR) могут быть использованы для решения разных задач образовательной сферы. Возможность взаимодействовать с виртуальными объектами делает процесс обучения более увлекательным и эффективным [5].
Рассмотренные области применения систем искусственного интеллекта, дополненной реальности в криминалистике и уголовном процессе представляют научный интерес, но, безусловно, требуют дальнейшей апробации экспертами и специалистами.
По нашему мнению, первостепенная роль человека, а не машины, в правоохранительной деятельности неоспорима. Перечисленные технологические решения должны расширять возможности экспертного восприятия, облегчать выполнение рутинных задач, которые решаются в процессе расследования и производства криминалистических экспертиз.
1. Абросимов М.А., Бровко А.В. Разработка программно-аппаратного комплекса для интеллектуального анализа сложных изображений // Математические методы в технике и технологиях - ММТТ. 2014. № 13 (70). С. 18-19.
2. Андреева Е.А., Беляев А.К., Еремин Ю.М., Царькова Е.Г. Методы биометрической идентификации на основе применения нейросетевых технологий // Информационные технологии в УИС. 2019. № 3. С. 2-10.
3. Винтер М.Е. Искусственный интеллект в криминалистической науке // Цивилизация знаний: российские реалии. Цивилизационная роль права в условиях смены научно-технологической парадигмы (стратегическая панель). Сборник трудов XXII Международной научно-практической конференции. Москва, 2021. С. 127-134.
4. Искусственный интеллект на службе в полиции. Электронный ресурс: https://news.rambler.ru/internet/48715031/?utm_content=news_media&utm_medium=read_more&utm_source=copylink (дата обращения: 25.11.2022 г.).
5. Кирьянов А.Е., Йылмаз Р. М., Маслов Д.В., Масюк Н.Н., Воробьев Б.А. Технологии дополненной реальности в сфере образования // Инновации №5/2020. Электронный ресурс. https://maginnov.ru/ru/zhurnal/arhiv/2020/innovacii-n-5-2020/tehnologii-dopolnennoj-realnosti-v-sfere-obrazovaniya (дата обращения 25.11.2022).
6. Луценко Е.В., Швец С.В., Бандык Д.К. Решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом аск-анализа // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2016. № 117. С. 838-872.
7. Стукалин И.В. Некоторые аспекты использования искусственного интеллекта при производстве криминалистических экспертиз // Направления и перспективы развития образования в военных институтах войск национальной гвардии Российской Федерации. Сборник научных статей XII Межвузовской научно-практической конференции с международным участием. Под общей редакцией В.В. Косухина. 2020. С. 222-226.
8. Терехина Е.А., Селюкова Г.П. Об искусственном интеллекте // Актуальные вопросы науки и хозяйства: новые вызовы и решения. Сборник материалов LV Студенческой научно-практической конференции. 2021. С. 581-584.
9. Трущенков И.В. Использование технологий искусственного интеллекта в криминалистике и судебной экспертизе // Интеграция и дифференциация знаний в судебно-экспертной деятельности. Сборник материалов по итогам Всероссийского круглого стола. Москва, 2021. С. 160-162.
10. Юдин А.В., Самб Р. Различные типы обработки изображений с помощью искусственного интеллекта // Общество - наука - инновации. сборник статей Международной научно-практической конференции. Уфа, 2021. С. 7-17.
11. Budka M, Bennett MR, Reynolds SC, Barefoot S, Reel S, Reidy S, et al. (2021) Sexing white 2D footprints using convolutional neural networks. PLoS ONE 16(8): e0255630. https://doi.org/10.1371/journal.pone.0255630.
12. Ekta B Jadhav, Mahipal Singh Sankhla, Rajeev Kumar. Artificial Intelligence: Advancing Automation in Forensic Science & Criminal Investigation. August 2020, Seybold Report 15(8):2064-2075 ISSN NO: 1533-9211.
13. Hoelz, B. W., Ralha, C. G., & Geeverghese, R. (2009, March). Artificial intelligence applied to computer forensics. In Proceedings of the 2009 ACM symposium on Applied Computing (pp. 883-888).
14. Trushchenkov I., Bulgakov V., Yarmak K., Trushchenkova I., Bulgakova E. Using virtual reality systems for crime scene reconstruction // Communications in Computer and Information Science. 2021. Т. 1448 CCIS. С. 325-335.
15. Wojciechowski R, Cellary W. Evaluation of learners’ attitude toward learning in ARIES augmented reality environments. Computers and Education. #68. 2013. P. 570-585.
