К вопросу о возможностях искусственного интеллекта в противодействии преступности

• РОМАНОВА Оксана ЛеонидовнаСтарший преподаватель кафедры криминалистики Санкт-Петербургского университета МВД России, подполковник полицииmail@law-books.ru
• СОЛДАТОВ Николай Федоровичначальник кафедры тактико-специальной подготовки Волгодонского филиала Ростовского юридического института МВД России, полковник полицииSoldatov.Nik.@gmail.com
• ЧЕЧЕНОВ Амур Муаедовичпреподаватель кафедры специальных дисциплин Северо-Кавказского института повышения квалификации (филиал) Краснодарского университета МВД Россииmail@law-books.ru

Автор в своей работе проводит исследование проблем растущей криминальной среды и возможности искусственного интеллекта как средство противодействия преступности различными методами моделирования, прогнозирования, анализа, распознания, эффективность использования нейроновых сетей и релевантных факторов.

Ключевые слова: искусственный интеллект, преступность, противодействие, информационные технологии, верификация, распознание, анализ, информационная сеть, прогнозирование, дипфейк, ресурс

Вусловиях растущей сложности криминальной среды правоохранительные органы активно ищут инновационные методы борьбы с преступностью. Искусственный интеллект (далее – ИИ) представляет собой мощный инструмент, способный существенно повысить эффективность полицейской работы, в частности, через прогнозирование преступлений и оптимизацию распределения ресурсов.

Возможности ИИ в анализе больших объемов данных позволяют выявлять скрытые закономерности преступной активности и прогнозировать потенциальные места и время совершения правонарушений.

Существует несколько подходов к такому прогнозированию.

Первым методом является – анализ прецедентов, он основан на изучении данных о прошлых преступлениях: время, место, его тип, социально-демографические характеристики района и другие релевантные факторы. Алгоритмы машинного обучения, например нейронные сети, обрабатывают эту информацию для построения прогностических моделей.

Примерами подобных систем служит PredPol (США, Великобритания), представляющая полицейским патрулям карты зон повышенного риска, и отечественная система «Криминалист», анализирующая данные из различных баз данных и открытых источников [1].

Одним из ключевых преимуществ данного подхода является его относительная простота в реализации и интерпретации результатов. Однако он может быть менее эффективен в динамично меняющихся условиях, когда исторические данные не полностью отражают текущую ситуацию.

Следующим из подходов выделяют – многофакторное моделирование.

Данный метод расширяет анализ прецедентов, интегрируя информацию из различных источников, включая социальные сети, новостные ленты, данные с камер видеонаблюдения и даже метеорологические прогнозы.

Комплексный анализ позволяет учитывать динамику обстановки и факторы, косвенно влияющие на криминогенную ситуацию.

Так, например, аналитическая платформа CEG (США) использует до 50 параметров риска для прогнозирования всплесков преступности [2, с.760].

Ключевыми моментами здесь являются эффективная предобработка данных для обеспечения их совместимости и качества, а также применение методов ансамблевого обучения, объединяющих результаты работы нескольких моделей машинного обучения.

Сложность этого подхода заключается в необходимости интеграции и обработки данных из различных источников, что требует значительных вычислительных ресурсов и специализированного программного обеспечения, при этом многофакторное моделирование позволяет получить более точные и полные прогнозы, учитывая широкий спектр факторов.

Также выделяют – распознавание образов и поведенческий анализ. Нейронные сети могут обучаться распознанию подозрительных образов и анализу поведения людей на основе данных с камер видеонаблюдения, что способствует превентивному реагированию на потенциальные угрозы. Подобные системы уже используются в Японии для предотвращения краж в магазинах [1]. Системы распознавания лиц также применяются для идентификации преступников. Анализ видеопотока в реальном времени открывает новые возможности для предотвращения преступлений, связанных с агрессивным поведением.

Важным этическим аспектом применения технологий распознания лиц является необходимость соблюдения баланса между безопасностью и правом частной жизни человека. Необходимо разработать четкие регламенты использования таких систем и обеспечивать защиту персональных данных.

Одним из методов поведенческого анализа является оценка риска рецидива. Системы, подобные COMPAS (США), оценивают вероятность повторного совершения преступлений осужденными. Анализируя множество факторов, данная информация может быть полезной для принятия решения об условно-досрочном освобождении [2, с.761].

При этом важно помнить, что такие системы, предоставляя дополнительную информацию для принятия обоснованного решения, не должны заменять судебное решение. Критика систем типа COMPAS часто связана с вопросами алгоритмического дискриминации и непрозрачности работы.

Обнаружение критических событий – также является одним из подходов прогнозирования. 7 Такие системы как ShotSpotter (США), используют акустические датчики для мгновенного определения места выстрелов, ускоряя реагирование полиции [1].

Развиваются такие системы, анализирующие звуковую картину города, для выделения аномалий, которые могут свидетельствовать о совершении преступления.

ИИ также позволяет оптимизировать расстановку сил и средств, направляя патрули в зоны повышенного риска, что минимизирует время реагирования на преступления.

ИИ может помогать в планировании следственных действий и анализе работы следователей.

Так, например, ИИ может анализировать данные о преступлениях, выявлять связи между ними и предлагать оптимальные стратегии расследования.

Эти технологии могут существенно сократить время реагирования на возможные события в мире и повысить эффективность работы правоохранительных органов. В то же время необходимо учитывать возможность ложных срабатываний и обеспечивать надежную верификацию полученной информации.

Внедрение ИИ в правоохранительную деятельность поднимает этические вопросы, в частности, проблему алгоритмической дискриминации.

Системы ИИ могут воспроизводить и усиливать существующие предубеждения, содержащиеся в данных, поэтому критически важна тщательная проверка алгоритмов на предмет дискриминационных паттернов, а также обеспечение безопасности и конфиденциальности данных.

Применение методов объяснимого ИИ (XAI) способствует прозрачности работы систем и дает возможность оспорить автоматизированные решения [3].

Перспективными являются направления, связанные с развитием компьютерного зрения для анализа видео с камер наблюдения, усовершенствование методов анализа естественного языка для обработки текстовой информации из различных источников, а также создание виртуальных помощников для сотрудников полиции.

Виртуальные помощники, основанные на ИИ, могут предоставлять полицейским доступ к необходимой информации в режиме реального времени, помогать в анализе данных и принятии решений.

Дальнейшее развитие ИИ, совместно с разработкой эффективных механизмов контроля за этическими аспектами и безопасностью данных, имеет огромный потенциал для повышения эффективности работы правоохранительных органов и обеспечения общественной безопасности.

Важно помнить, что ИИ – это всего лишь инструмент, и его эффективность зависит от того, как он используется.

Необходимо инвестировать в обучение сотрудников полиции работе с новыми технологиями и развивать междисциплинарное сотрудничество между специалистами в области ИИ и правоохранительными органами.

В России также активно развиваются технологии ИИ для правоохранительных органов. МВД планирует внедрение систем, основанных на ИИ, для прогнозирования чрезвычайных ситуаций и выявления поддельных видеозаписей.

В частности, разрабатываются системы «Конъюнктура» для прогнозирования негативных происшествий и моделирования сценариев реагирования, и «Клон» для выявления поддельных видео (дипфейков).

Планируется обучение этих систем на специализированных наборах данных, подготовленных МВД. Для реализации этих проектов будут созданы новые подразделения в НПО «Специальная техника и связь МВД России» и Главном информационно-аналитическом центре (ГИАЦ) [4].

Несмотря на то, что аналоги систем «Клон» и «Конъюнктура» существуют за рубежом, российские разработки ориентированы на учет специфики отечественной криминальной среды и законодательства, что позволяет создать более эффективные инструменты для борьбы с преступностью в России.

В заключении отметим, что внедрение ИИ в правоохранительную систему России сталкивается с рядом вызовов, включая необходимость обеспечения, безопасности данных, предотвращение алгоритмической дискриминации и необходимость адаптации технологий к российской специфике.

Однако, потенциальные выгоды от использования ИИ для повышения эффективности работы полиции и обеспечения общественной безопасности огромны.

Успешная реализация текущих и будущих проектов в области ИИ может существенно укрепить потенциал российских правоохранительных органов в борьбе с преступностью.

Список литературы

1. Светунькова А. Нейронное дело: как ИИ помогает в борьбе с преступностью [Электронный ресурс] // Известия. 10 сентября 2023. URL: https:// iz.ru/1569903/alena-svetunkova/neironnoe-delo-kakii-pomogaet-v-borbe-s-prestupnostiu (дата обращения: 14.04.2025).
2. Суходолов А. П., Бычкова А. М. Искусственный интеллект в противодействии преступности, ее прогнозировании, предупреждении и эволюции // Всероссийский криминологический журнал. 2018. Т. 12, № 6. C. 753–766. – DOI 10.17150/2500-4255.2018.12(6).753-766. – EDN YYSTVR.
3. Объяснимый искусственный интеллект: будущее без ошибок [Электронный ресурс] // SBER AI. 29 октября 2024. URL: https://ai.sber.ru/ post/obyasnimyj-iskusstvennyj-intellekt:- budushchee-bez-oshibok (дата обращения: 14.04.2025).
4. Искусственный интеллект выходит на борьбу с преступностью в России. Правонарушителей будут искать хитрые нейросети лиц [Электронный ресурс] // CNews. 11 января 2024. URL: https://www.cnews.ru/news/top/2024-01-11_ iskusstvennyj_intellekt (дата обращения: 14.04.2025). Spisok literatury:
5. Svetun`kova A. Nejronnoe delo: kak II pomogaet v bor`be s prestupnost`yu [E`lektronny`j resurs] // Izvestiya. 10 sentyabrya 2023. URL: https://iz. ru/1569903/alena-svetunkova/neironnoe-delo-kak-ii-pomogaet-v-borbe-s-prestupnostiu (data obrashheniya: 14.04.2025).
6. Suxodolov A. P., By`chkova A. M. Iskusstvenny `j intellekt v protivodejstvii prestupnosti, ee prognozirovanii, preduprezhdenii i e`volyucii // Vserossijskij kriminologicheskij zhurnal. 2018. T. 12, № 6. C. 753–766. – DOI 10.17150/2500- 4255.2018.12(6).753-766. – EDN YYSTVR.
7. Ob``yasnimy`j iskusstvenny`j intellekt: budushhee bez oshibok [E`lektronny`j resurs] // SBER AI. 29 oktyabrya 2024. URL: https://ai.sber.ru/post/ obyasnimyj-iskusstvennyj-intellekt:-budushchee-bez-oshibok (data obrashheniya: 14.04.2025).
8. Iskusstvenny`j intellekt vy`xodit na bor`bu s prestupnost`yu v Rossii. Pravonarushitelej budut iskat` xitry`e nejroseti licz [E`lektronny`j resurs] // CNews. 11 yanvarya 2024. URL: https://www.cnews. ru/news/top/2024-01-11_iskusstvennyj_intellekt (data obrashheniya: 14.04.2025). 7

Скачать