Введение: нейронные сети все чаще используются в правоохранительных органах Российской Федерации и других государств для решения таких задач, как прогнозный анализ, распознавание образов и некоторых других. Несмотря на то, что подобные системы имеют ряд преимуществ по сравнению с традиционными подходами, существует ряд проблем, связанных с их использованием. В статье рассматриваются возможные негативные последствия применения нейронных сетей в деятельности полиции - предвзятость, обеспечение конфиденциальности, точность, интерпретируемость полученных результатов, а также некоторые юридические и этические проблемы.

Материалы и методы: из множества вариантов применения технологии нейронных сетей на первом этапе были отобраны те, которые применимы в правоохранительной деятельности. На последующих этапах анализировались направления использования нейронных сетей для проведения полицейских расследований и конкретные примеры их практического использования.

Результаты исследования: проведена классификация направлений использования нейронных сетей в правоохранительной деятельности, выделены особенности их применения в полиции России и других стран, сформулированы проблемы использования подобных систем с технической, правовой и этической сторон, предложены пути их решения.

Выводы и заключения: нейронные сети применяются в различных областях человеческой деятельности, значительно повышая точность и эффективность решения многих задач. Расследование преступлений - одна из тех областей, где в последние годы все чаще используются нейронные сети - компьютерные алгоритмы, созданные по образцу человеческого мозга, которые могут учиться распознавать закономерности и строить прогноз на основе входных данных.

Использование нейронных сетей правоохранительными органами влечет за собой несомненное повышение эффективности их деятельности, но вместе с этим создает ряд технических, юридических и этических проблем. Их решение является важной задачей, поскольку правоохранительным органам важно постоянно адаптировать методики применения сетей по мере их разработки и внедрения в практику с целью повышения прозрачности, интерпретируемости, точности и конфиденциальности систем, в состав которых включены нейронные сети.

Ключевые слова: нейронная сеть, идентификация личности, следствие, интерпретируемость, качество данных, правоохранительная деятельность.

Для цитирования: Карпика А. Г. Проблемы использования нейронных сетей в правоохранительной деятельности / А. Г. Карпика // Юристъ-Правоведъ : науч.-теоретич. и информац.-методич. журн. Ростов-на-Дону. 2023. № 3(106). - C. 107-113.

Original paper

PROBLEMS OF THE USE OF NEURAL NETWORKS IN LAW ENFORCEMENT ACTIVITIES

Karpika Anatoly Grigorievich

Rostov Law Institute of the Ministry of Internal Affairs of Russia, Rostov-on-Don, Russian Federation

Introduction: neural networks are increasingly used in law enforcement agencies of the Russian Federation and other states to solve such problems as predictive analysis, pattern recognition, and some others. Despite the fact that such systems have a number of advantages over traditional approaches, there are a number of problems associated with their use. The article discusses the possible negative consequences of the use of neural networks in police activities, such as bias, confidentiality, accuracy, interpretability of the results, as well as some legal and ethical problems.

Materials and methods: from the many options for using neural network technology, at the first stage, those that are applicable in law enforcement were selected. At subsequent stages, directions for using neural networks for police investigations and specific examples of their practical use were analyzed.

Results of the study: a classification of areas for the use of neural networks in law enforcement was carried out, the features of their use in the police of Russia and other countries were highlighted, the problems of using such systems from the technical, legal and ethical sides were formulated, and ways to solve them were proposed.

Findings and conclusions: neural networks are used in various areas of human activity, significantly increasing the accuracy and efficiency of solving many problems. Crime investigation is one area where neural networks have been increasingly used in recent years - computer algorithms modeled after the human brain that can learn to recognize patterns and make predictions based on input data.

The use of neural networks by law enforcement agencies entails an undoubted increase in the efficiency of their activities, but at the same time creates a number of technical, legal and ethical problems. Solving these problems is an important task, since it is important for law enforcement agencies to constantly adapt the methods of using networks as they are developed and implemented in practice in order to increase the transparency, interpretability, accuracy and confidentiality of systems that include neural networks.

Keywords: neural network, personal identification, investigation, interpretability, data quality, law enforcement.

For citations: Karpika A. G. Problems of the use of neural networks in law enforcement activities / A. G. Karpika // Yurist-Pravoved: scientific-theoretical and informational-methodical journal. Rostov-on-Don. 2023. № 3(106). - Pp. 107-113.

Применение нейронных сетей в различных областях человеческой деятельности значительно повысило точность и эффективность решения многих задач. Одной из таких областей является деятельность полиции в области проведения расследований, в которой в последнее время использование нейронных сетей становится все более популярным. Нейронные сети - компьютерные алгоритмы, созданные по образцу человеческого мозга, способные научиться распознавать закономерности и строить прогнозы на основе имеющихся входных данных. В этой статье мы обсудим преимущества и акцентируем внимание на проблемах использования нейронных сетей в деятельности полиции.

Виды нейронных сетей

Существует несколько типов нейронных сетей, которые можно использовать в деятельности полиции. Сверточные нейронные сети - тип нейронной сети, который обычно используется для задач распознавания изображений. Они работают, применяя фильтры к входному изображению для извлечения функций, которые затем используются для классификации изображения. В случае идентификации подозреваемых этот вид сетей можно использовать для анализа видеозаписей с камер видеонаблюдения и выявления потенциальных подозреваемых по их внешнему виду.

Рекуррентные нейронные сети - тип нейронной сети, который обычно используется для последовательных данных, таких как текст или речь. Они работают, обрабатывая входные данные по одному элементу за раз, сохраняя память о предыдущих входах. В случае идентификации подозреваемых их можно использовать для анализа свидетельских показаний или других текстовых доказательств для выявления потенциальных подозреваемых.

Сиамские нейронные сети - тип нейронной сети, который используется для решения задач на сходство изображений или текста. Они работают, сравнивая два входа и определяя, насколько они похожи. В случае анализа отпечатков пальцев они могут быть использованы для установления причастности подозреваемого в преступлении.

Генеративно-состязательные сети используются для создания реалистичных изображений или других данных. Они работают, обучая две сети: сеть-генератор, которая создает новые данные, и сеть-дискриминатор, которая пытается различать реальные и сгенерированные данные. В случае идентификации подозреваемого подобные сети можно использовать для создания изображений того, как может выглядеть подозреваемый, на основе описаний свидетелей, которые затем можно использовать для помощи в идентификации.

Направления применения нейронных сетей в полиции

Обозначим основные направления внедрения нейронных сетей (НС) в деятельность правоохранительных органов, одни из которых уже практически используются, другие же находятся на этапе апробации.

В полицейских расследованиях выявление закономерностей и аномалий в данных может дать ценную информацию, которая поможет следователям раскрывать преступления. Традиционные методы распознавания образов часто основаны на человеческом анализе, который может занимать много времени и сопровождаться систематическими ошибками. Применение НС позволяет быстро анализировать большие объемы данных и выявлять закономерности с высокой точностью. Так, к одному из наиболее многообещающих практических направлений применения НС в правоохранительной деятельности относится выявление организованных преступных групп в формате распределенных преступных сетей.

Анализируя данные преступной деятельности, такие как записи телефонных разговоров, финансовые транзакции и активность в социальных сетях, НС может выявлять закономерности, которые свидетельствуют о существовании преступной сети. Это объективно может помочь следователям выявить ключевых игроков в сети и сконцентрировать свою деятельность на их нейтрализации.

НС также можно использовать для обнаружения аномалий в данных, что также может помочь следователям выявить возможную преступную деятельность. Например, анализируя записи с камер видеонаблюдения, сети могут выявлять подозрительное поведение. Например, ситуацию, когда объект наблюдения якобы бесцельно перемещается у здания в течение длительного периода времени. Это может помочь выявить возможную преступную деятельность и предотвратить совершение преступлений. Наконец, НС можно использовать для выявления ключевых свидетелей в расследованиях. Анализируя данные, приведенные в свидетельских показаниях, НС способна выявлять закономерности, которые предполагают, что свидетель может иметь важную информацию, связанную с преступлением. Это может помочь следователям сосредоточить свои усилия на допросе ключевых свидетелей и поиске более веских доказательств.

НС также может быть использована при анализе улик, связанных с преступлением. Так, анализируя закономерности в данных, связанных с ДНК, отпечатками пальцев и другими типами вещественных доказательств, НС способна помочь выявить потенциальные совпадения с подозреваемыми или другими лицами, связанными с преступлением.

Кроме того, НС используются для анализа текстовых данных, таких как электронные письма, текстовые телефонные сообщения и сообщения в социальных сетях на наличие доказательств преступной деятельности или общения между подозреваемыми. Подобный анализ вполне способен помочь правоохранительным органам выявлять потенциальные угрозы и предотвращать преступную деятельность.

Анализ ряда источников позволил определить наиболее активно решаемые посредством НС практические задачи правоохранительных органов [1; 2; 3].

Анализ отпечатков пальцев относится к наиболее распространенным методам, используемым в полицейских расследованиях для выявления подозреваемых. С помощью НС анализ отпечатков пальцев проводится быстрее и точнее, чем когда-либо. В связи с тем, что нейронную сеть можно обучить на больших наборах данных отпечатков пальцев, можно быть уверенным в том, что НС распознает и выявит совпадения с достаточной степенью точности. Это может помочь следователям быстрее выявить подозреваемых и возбудить против них дело. Приведем следующие примеры.

Федеральная полиция Австралии использует систему на основе нейронной сети под названием «Технология автоматизированного поиска отпечатков пальцев» (FAST) для анализа данных отпечатков пальцев и выявления совпадений.

Департамент полиции Москвы, Российский федеральный центр судебной экспертизы, Санкт-Петербургская судебно-медицинская лаборатория, Красноярская лаборатория судебной экспертизы, Московская центральная лаборатория судебной экспертизы используют систему на основе нейронной сети для анализа данных отпечатков пальцев и выявления совпадений. Система является частью более крупной базы данных отпечатков пальцев, которая содержит более 3,5 млн записей. Система используется для раскрытия преступлений и выявления подозреваемых.

Идентификация подозреваемого

НС возможно использовать для анализа поведения подозреваемых и выявления закономерностей в их действиях. Анализируя данные о предыдущих преступлениях, таких как записи с камер видеонаблюдения или отчеты свидетелей, нейронные сети могут выявлять закономерности в поведении подозреваемых и помогать следователям сузить область поиска. Это может быть особенно полезно в случаях, когда имеется ограниченное количество вещественных доказательств или свидетельских показаний.

Задача идентификации является комплексной задачей, в которую (в зависимости от контекста преступления) может входить распознавание лиц, транспортных средств, голоса, поведения и др.

НС можно обучить распознавать лица на изображениях или видеозаписях, а затем сравнивать эти лица с базой данных известных подозреваемых для выявления потенциальных совпадений. Так, анализируя записи с камер видеонаблюдения или изображения из социальных сетей, НС способна идентифицировать людей и сопоставить их с известными подозреваемыми. Этим же путем НС можно использовать для распознавания голоса, что может помочь в выявлении подозреваемых на основе записанных телефонных звонков или других аудиозаписей. Анализируя уникальные характеристики голоса человека, нейронные сети могут помочь выявить потенциальных подозреваемых.

Это может быть особенно полезно в случаях, когда имеется ограниченное количество вещественных доказательств или свидетельских показаний.

НС также можно использовать для распознавания и идентификации транспортных средств, причастных к преступлениям. Это можно сделать путем анализа изображений или видеозаписей транспортного средства и сравнения их с базой данных известных транспортных средств или их характеристик.

Распознавание поведения

Помимо выявления подозреваемых на основе физических характеристик нейронные сети также можно использовать для анализа поведенческих моделей для выявления потенциальных подозреваемых. Например, нейронную сеть можно использовать для анализа видеозаписей с места преступления, чтобы определить модели движения или поведения, которые могут помочь идентифицировать подозреваемого.

Имеются примеры эффективного использования нейронных сетей в этой сфере. Лондонская столичная полицейская служба использует технологию распознавания лиц для идентификации подозреваемых в режиме реального времени во время массовых мероприятий и в оживленных местах. Система сопоставляет лица на видеозаписи с базой данных известных подозреваемых и предупреждает офицеров, если совпадение найдено.

Китайская полиция уже несколько лет использует технологию распознавания лиц для наблюдения за гражданами. В 2018 г. китайская полиция использовала технологию распознавания лиц для идентификации и ареста подозреваемого на концерте в Наньчане.

Московский метрополитен использует технологию распознавания лиц для идентификации людей в своей сети. Система была внедрена для предотвращения терроризма и выявления лиц, находящихся в списке наблюдения.

Департаменты полиции Санкт-Петербурга и Владивостока внедрили технологию распознавания лиц в пилотную программу для выявления подозреваемых в режиме реального времени. Система использует камеры с программным обеспечением для распознавания лиц, чтобы сопоставлять людей с базой данных известных подозреваемых.

В Москве имеется сеть из более чем 200 000 камер видеонаблюдения, которые используют технологию распознавания лиц для идентификации людей. Система используется для обнаружения преступников и предотвращения терактов [4].

Анализ ДНК

Относится к мощным инструментам полицейских расследований. К сожалению, анализ доказательств на основе образцов ДНК может занять много времени. С помощью НС анализ ДНК можно выполнить быстрее и точнее в связи с тем, что НС так же, как и в примере с распознаванием образов, можно обучить на больших наборах данных, что также позволяет им распознавать закономерности и выявлять совпадения с высокой степенью точности. Вот некоторые примеры.

Комбинированная система индексов ДНК (CODIS) - национальная база данных ДНК, используемая правоохранительными органами США. CODIS использует НС для анализа образцов ДНК и выявления совпадений между людьми и местами преступлений.

Нидерландский институт судебной медицины использует систему на основе нейронной сети под названием Bonaparte для анализа данных ДНК и выявления совпадений.

Российская федеральная база данных ДНК, Московская центральная лаборатория судебной экспертизы, Санкт-Петербургская и Красноярская лаборатория судебной экспертизы так же используют систему на основе НС для анализа образцов ДНК и выявления совпадений. Система используется для раскрытия преступлений и выявления подозреваемых [5].

Предиктивная (прогнозная) аналитика

Сравнительно новая область в правоохранительных органах. Она используется для выявления закономерностей и прогнозирования преступной деятельности. НС, как один из видов алгоритма машинного обучения, стала мощным инструментом прогнозной аналитики в правоохранительной деятельности.

Традиционные методы работы полиции основаны на ответных мерах, реагирующих на преступления после того, как они совершены и зафиксированы. В противовес этому подходу предиктивная аналитика позволяет принимать упреждающие меры для предотвращения совершения преступлений.

Анализируя большие объемы данных, НС способна выявлять закономерности и делать прогнозы относительно потенциально возможной преступной деятельности. Это может помочь правоохранительным органам более эффективно распределять ресурсы и принимать упреждающие меры для предотвращения преступлений.

НС можно обучать на ретроспективных данных о преступлениях, с целью выявления ею закономерностей и тенденций. После обучения сеть можно использовать для прогнозирования вероятности будущей преступной деятельности в конкретных областях. Например, отделы полиции смогут использовать обученную НС для прогнозирования вероятности кражи со взломом или угона автомобиля в определенном районе. Выявляя зоны повышенного риска, полиция сможет более эффективно распределять ресурсы и принимать упреждающие меры для предотвращения преступлений.

Например, полицейское управление Лос-Анджелеса использует предиктивную полицейскую программу под названием PredPol, которая снижает уровень преступности в неблагополучных районах.

Департамент полиции Чикаго также использует программу предиктивной аналитики, которая включает в себя систему на основе нейронной сети, прогнозирующей наиболее вероятные сценарии преступлений и места, в которых они могут произойти. Система анализирует данные о статистике преступности, а также такие факторы, как погода, время суток, активность в социальных сетях, чтобы определить места повышенного риска преступной деятельности.

Департамент полиции Нью-Йорка использует программу прогнозной аналитики под названием Domain Awareness System (DAS), которая включает в себя систему на основе НС для выявления потенциальных угроз общественной безопасности. Система анализирует данные из различных источников, включая камеры видеонаблюдения, считыватели номерных знаков и социальные сети, для выявления подозрительного поведения и оповещения правоохранительных органов.

Лондонская столичная полиция использует программу прогнозной аналитики под названием «Инструмент оценки риска вреда» (HART), которая также включает систему на основе НС. Система анализирует данные о предыдущих правонарушениях и другие соответствующие факторы, такие как возраст и пол, для оценки риска, представляемого отдельным лицом.

Проблемы внедрения НС в правоохранительную деятельность

Нейронные сети относятся к системам искусственного интеллекта, предназначенным для распознавания закономерностей в данных. Несмотря на очевидные преимущества, которые они предоставляют сотруднику правоохранительных органов, такие как повышенная точность и эффективность, целесообразно выделить ряд проблем, связанных с их использованием.

1. Предвзятость. Одной из основных проблем НС является предвзятость. Подобные системы настолько беспристрастны, насколько объективны данные, используемые для их обучения. Если данные, используемые для обучения нейронной сети, смещены в какую-либо сторону (возраст, пол, социальная группа), то сеть может давать смещенные в этом же направлении результаты. Это может привести к ошибкам и пристрастному отношению к определенным группам, или отдельными лицами, расовым или этническим меньшинствам.

2. Конфиденциальность. Использование НС для целей наблюдения вызывает сомнения в конфиденциальности данных. Например, технология распознавания лиц может использоваться для незаконного ее использования против лиц или групп людей, что может привести к нарушению законного права на неприкосновенность частной жизни.

3. Точность. НС достаточно точны, но не безошибочны. Ошибки могут возникать из-за множества факторов, таких как данные низкого качества, неполные данные или изменения в среде. В некоторых случаях точность нейронных сетей может быть завышена, что приводит к ложным срабатываниям или ложным отрицательным результатам.

4. Интерпретируемость. Алгоритмы и методы НС сложно интерпретировать простым понятным способом, что затрудняет понимание того, как сеть достигает своих результатов. Это может затруднить разъяснение следователями своих выводов в суде или общественности. Отсутствие интерпретируемости также может привести к недоверию к этим системам.

5. Правовые и этические проблемы. Использование НС в полицейском расследовании вызывает ряд юридических и этических проблем. Например, использование прогнозной аналитики для выявления потенциальных преступников до того, как они совершат преступление, может рассматриваться как нарушение правовой процедуры. Кроме того, использование этих систем может быть непропорционально нацелено на определенные группы, такие как маргинальные группы, или лица с низким доходом.

Таким образом, использование нейронных сетей правоохранительными органами предоставляет ряд преимуществ сотрудникам полиции, но также создает ряд технических, правовых и этических проблем. Их решение может стать темой отдельного исследования, т. к. в интересах правоохранительной деятельности важно тщательно исследовать все выявляемые в процессе эксплуатации НС проблемы, продолжать работать над их решением по мере разработки и внедрения систем в полицейскую практику. Возможные решения могут включать в себя как повышение прозрачности и интерпретируемости этих систем, так и использование разнообразных и непредвзятых данных для их обучения.

Список источников

1. Чулдечева А. Справедливое предсказание с несоизмеримым влиянием: исследование предвзятости в инструментах предсказания рецидивизма. URL: https://www.liebertpub.com/doi/ 10.1089/big.2016.0047/ (дата обращения: 03.05.2023).

2. Корбетт-Дэвис С., Пирсон Э., Феллер А., Гоэль С., Хук А. Алгоритм принятия решений и цена справедливости. URL: http://www.antoniocaseUa.eu/nume/Corbett-Davies_2017.pdf/ (дата обращения: 03.05.2023).

3. Фридлер С.А., Невилл С., Шайдеггер С.Е., Венкатасубраманян С. Безудержные петли обратной связи в предиктивной полиции. URL: http://proceedings.mlr.press/v81/ensign18a/ ensign18a.pdf/ (дата обращения: 03.05.2023).

4. Текущее положение дел по распознаванию лиц и камерам наблюдений в Москве и мире. URL: https://habr.com/ru/post/553448/ (дата обращения: 03.05.2023).

5. Мингазов С. МВД планирует использовать искусственный интеллект для поиска преступников и составления «фоторобота» по ДНК. URL: https://www.forbes.ru/newsroom/tehnologii/ 413837-mvd-planiruet-ispolzovat-iskusstvennyy-intellekt-dlya-poiska-prestupnikov/ (дата обращения: 03.05.2023).

References

1. Chuldecheva A. Fair Prediction with Disproportionate Impact: A Study of Bias in Recidivism Prediction Instruments. URL:https://www.liebertpub.com/doi/10.1089/big.2016.0047 / (date of access: 03.05.2023).

2. Corbett-Davis S., Pearson E., Feller A., Goel S., Hook A. Decision algorithm and the price of equity. URL:http://www.antoniocasella.eu/nume/Corbett-Davies_2017.pdf / (date of access: 03.05.2023).

3. Friedler S.A., Neville S., Scheidegger S.E., Venkatasubramanian S. Rampant Feedback Loops in Predictive Policing. URL:http://proceedings.mlr.press/v81/ensign18a/ensign18a.pdf / (date of access: 03.05.2023).

4. The current state of affairs in face recognition and surveillance cameras in Moscow and the world. URL:https://habr.com/ru/post/553448/ (date of access: 03.05.2023).

5. Mingazov S. The Ministry of Internal Affairs plans to use artificial intelligence to search for criminals and compile a DNA «identikit». URL:https://www.forbes.ru/newsroom/tehnologii/413837-mvd-planiru-et-ispolzovat-iskusstvennyy-intellekt-dlya-poiska-prestupnikov / (date of access: 03.05.2023).

ИНФОРМАЦИЯ ОБ АВТОРЕ

Карпика Анатолий Григорьевич,кандидат технических наук, доцент, доцент кафедры информационного обеспечения органов внутренних дел. Ростовский юридический институт МВД России. 344015, Российская Федерация, г. Ростов-на-Дону, ул. Еременко, 83.

INFORMATION ABOUT THE AUTHOR

Karpika Anatoly Grigorievich,PhD in Technology, Associate Professor, Associate Professor of the Department of Information Sciences. Rostov Law Institute of the Ministry of Internal Affairs of Russia. 83, Eremenko St., Rostov-on-Don 344015 Russian Federation.