Интеграция нейросетевых решений в следственную деятельность: тактические и экспертные аспекты

Современные информационные и нейросетевые технологии стремительно проникают во все сферы социальной жизни и в различные методы машинного обучения. Правоохранительная деятельность — не исключение. В последнее время увеличилась нагрузка на следственные органы, усложнились способы совершения преступлений, значительно возрос объем цифровых данных, которые, в совокупности, требуют создания инструментов, способных осуществлять прогнозирование, выявлять скрытые закономерности и обрабатывать большие массивы информации.

Практика зарубежных правоохранительных органов показывает, что они уже применяют различные нейросетевые решения: системы прогнозирования преступлений (PredPol), биометрическая идентификация (Clearview AI), анализ видеопотоков (Rekognition) [1, с. 58]. В практике правоохранительных органов нашей страны также уже внедряются системы электронного документооборота, различные инструменты анализа экспертно-криминалистических данных и криминалистические учеты нового поколения. Но интеграция ИИ в деятельность предварительного расследования порождает различные теоретические и практические проблемы, которые связаны с комплексом вопросов. Заменит ли нейросеть следователя или эксперта, или она будет только их помощником? Как оценивать достоверность доказательств согласно уголовно-процессуального кодекса, если алгоритмы делают вероятностные выводы? Каковы тактические риски при состязательности сторон, если система или инструмент, выдавший результат, непрозрачна и логика его работы скрыта?

Следовательно, необходимо проанализировать различные аспекты интеграции нейросетевых решений в следственную и экспертную деятельность, выявить проблемы их использования и сформулировать предложения по возможному их преодолению.

В контексте следственной деятельности, под нейросетевыми решениями понимается использование различных программно-аппаратных комплексов, работа которых основана на искусственных нейронных сетях, которые способны обрабатывать криминалистически значимую информацию, поддерживать принятие определенных решений, автоматизировать отдельные рутинные операции и экспертные исследования.

Современные технологии работы с информацией, к которым в первую очередь относятся алгоритмы искусственного интеллекта и обработки больших данных, открыли новые горизонты для решения задач во многих сферах жизнедеятельности, в том числе и в расследовании преступлений. Управлением научно-исследовательской деятельности (Научно-исследовательским институтом криминалистики) Главного управления криминалистики (Криминалистического центра) Следственного комитета РФ проводятся исследования, направленные на изучение возможностей этих методов в установлении обстоятельств совершенных преступлений и причастных к ним лиц [2].

В правоохранительной деятельности и цифровой криминалистике применяемые цифровые инструменты можно классифицировать в зависимости от функционального использования:

предиктивные системы используются для построения прогнозов на основе исторических данных (месте, времени, поведенческих паттернах, типе прошлых преступлений), которые выявляют закономерности на основе алгоритмов машинного обучения. Такими примерами могут служить: система PredPol (на основе пространственно-временных закономерностей прогнозирует места преступлений) или Dejaview (оценивает поведенческие факторы, анализируя видео с камер наблюдения в реальном времени). Указанные системы могут «подсветить» точки, где с высокой долей вероятности может произойти новое преступление или оценить вероятность рецидива у конкретного лица [3].

аналитические платформы (работа с Big Data) помогают в разборе и обработке больших и неоднородных массивов информации, анализируя социальные сети, данные мобильных операторов, записи с камер видеонаблюдения, финансовые транзакции и др. Задачей данных платформ является сетевой и кластерный анализ, поиск аномалий, неочевидных связей между событиями, участниками и цифровыми следами [4, с. 227].

системы распознавания образов специализируются на идентификации личности по биометрическим (голосу, отпечаткам пальцев и др.) и иным визуальным данным (анализ следов орудий преступлений, почерка) [5].

генеративные модели способны создавать новый контент или реконструировать полученную информацию. Например, они могут генерировать черновики процессуальных документов на основе шаблонов и введенные данных, что экономит время следователя по их составлению; моделировать криминалистические версии, которые затем проверяются следователем; реконструировать события по набору следов, данных экспертиз и показаний участников процесса.

Правовая неопределенность по использованию ИИ в уголовно-процессуальной деятельности создается отсутствием в действующем уголовно-процессуальном кодексе (УПК РФ [12]) прямых норм, регулирующих его использование. В ст. 6 УПК РФ указывается на обеспечение прав и законных интересов участников процесса, а в ст. 74 УПК РФ доказательства определяются через свойства их относимости, допустимости и достоверности, что требует возможности проверки выводов, полученных, в том числе, с помощью нейросетевых технологий. В данном случае проблемой являются результаты работы нейросети, так как они не являются доказательствами сами по себе. Они, конечно, могут рассматриваться как иные документы (ст. 84 УПК РФ), если представлены в виде распечатки или справки; как заключение эксперта (ст. 80 УПК РФ), если в рамках экспертного исследования использовались нейросети или вещественное доказательство (ст. 81 УПК РФ), если речь идет о цифровом носителе информации. Но в данных случаях также необходимо указание на человека (следователя, эксперта), который впоследствии будет нести персональную ответственность за сделанные выводы. А.А. Кульпин указывает на риски, связанные с передачей алгоритмам функций оценки доказательств и недопустимость использования ИИ‑агентов для принятия процессуальных решений вместо следователя [6, с. 212]. М. А. Малина, в свою очередь, подчёркивает, что нейросеть способна оперировать только формализованными, математически представленными данными и не обладает нравственными качествами, необходимыми правоприменителю [7, с. 156].

Традиционная тактика расследования основана на интуиции, опыте и дедуктивном методе. Нейросети позволяют дополнить этот арсенал: анализ аналогичных дел — выявление типичных сценариев, мотивов, способов сокрытия следов; построение вероятностных моделей — оценка вероятности той или иной версии на основе имеющихся данных; выявление аномалий — обнаружение противоречий в показаниях, несоответствий в документах.

Примером может служить система на основе графовых нейронных сетей, которая способна построить граф связей между подозреваемыми, свидетелями, транспортными средствами и местами событий, что позволяет следователю увидеть скрытые корреляции. В данном случае существует тактический риск: чрезмерное доверие к алгоритму может привести к «туннельному зрению» — игнорированию версий, не укладывающихся в модель. Исследование Х. Киуру и соавторов экспериментально показало, что консультация с большой языковой моделью может увеличивать объём поиска информации, однако не приводит к явному улучшению точности выводов, а в ряде случаев может усиливать предвзятость подтверждения [8, с. 49]. Поэтому ИИ должен использоваться как инструмент поддержки, а не замены следователя.

Также нейросети могут оптимизировать производство отдельных следственных действий: допрос — анализ невербальных реакций (мимика, микровыражения, голосовые модуляции) с помощью компьютерного зрения и аудиоанализа. Однако это порождает этические и процессуальные вопросы: допустимо ли использовать «детектор лжи» на основе ИИ без согласия допрашиваемого? При обыске и выемке — автоматизированный поиск объектов по заданным признакам в цифровых массивах (например, поиск запрещенного контента на носителях). В рамках осмотра места происшествия — использование дронов с ИИ для 3D‑реконструкции, автоматического обнаружения следов (кровь, отпечатки, гильзы).

Объем цифровых данных растет экспоненциально. Нейросети на сегодняшний день уже позволяют: классифицировать файлы по степени криминалистической значимости; восстанавливать удаленные данные; декодировать зашифрованные сообщения (при наличии ключей или уязвимостей); анализировать метаданные для установления хронологии событий. Проблемой в данном случае могут служить алгоритмы, которые обучены, например, на данных, полученных с нарушением прав человека (например, из утечек), что ставит вопрос о пригодности таких доказательств в цифровую эпоху.

Экспертные аспекты применения нейросетей также различны, происходит автоматизация традиционных видов экспертиз. Почерковедческая экспертиза. Нейросети (CNN, Siamese networks) демонстрируют точность выше 90% при идентификации исполнителя рукописи. Однако они не заменяют эксперта, а лишь сужают круг подозреваемых. Дактилоскопия. Алгоритмы сопоставления отпечатков (AFIS) давно используются, но современные нейросети позволяют работать с частичными и деформированными следами, что облегчает и ускоряет процесс идентификации личности. Фоноскопическая экспертиза. Нейросети обеспечивают шумоочистку, идентификацию диктора, выявление монтажа. Однако генеративные модели (Deepfake) создают новые вызовы: аудиозапись может быть синтезирована, и экспертиза должна это выявлять. Баллистика. Автоматическое сопоставление следов на пулях и гильзах с использованием 3D‑сканирования и нейросетей повышает скорость и точность идентификации [9, с. 5].

С введением нейросетевых технологий в экспертной деятельности начали появляться и новые виды экспертиз, которые невозможны без ИИ: экспертиза алгоритмов — оценка корректности работы нейросети, выявление предвзятости; экспертиза цифрового алиби — анализ данных геолокации, биометрии, активности в сетях; экспертиза Deepfake — установление факта синтеза изображения, видео, аудио [10, с. 86].

В связи с распространением нейросетевых технологий, возникает и проблема верификации выводов нейросети. Ключевой экспертный вызов — «непрозрачность» глубоких нейросетей (black box problem). Эксперт не всегда может объяснить, почему алгоритм пришел к тому или иному выводу. В суде это порождает сомнения в достоверности. Путями возможных решений могут являться: использование интерпретируемых моделей (XAI — Explainable AI), которые раскрывают логику принятия решения ИИ; обязательное сопровождение выводов ИИ заключением эксперта-человека; разработка стандартов тестирования и валидации нейросетей для судебных целей [11, с. 17]. Следовательно, существуют проблемы и риски интеграции нейросетей в следственную деятельность, так как нейросети обучаются на исторических данных, которые могут содержать предубеждения (расовые, гендерные, социальные). Это приводит к дискриминационным решениям: например, система прогнозирования преступлений может направлять патрули преимущественно в районы проживания этнических меньшинств, что имеет правовое последствие - нарушение принципа равенства перед законом (ст. 19 Конституции РФ).

Также существует вероятность ошибок и ложных срабатываний, так как даже точные алгоритмы могут дать ложноположительные результаты. В следственной практике это может привести к необоснованному подозрению, задержанию, а в худшем случае — к судебной ошибке. Например: система распознавания лиц ошибочно идентифицировала человека как подозреваемого, что привело к его задержанию на несколько суток. Отсутствие же законодательной регламентации порождает следующие вопросы: кто несет ответственность за ошибку ИИ: разработчик, оператор, следователь или судья? Как защищать права обвиняемого, если он не может допросить алгоритм? Является ли нейросеть «специалистом» в смысле ст. 58 УПК РФ?

Существуют и этические дилеммы. Использование ИИ для прогнозирования поведения, скрытого наблюдения, анализа биометрии без согласия — все это вторгается в частную жизнь. Баланс между эффективностью расследования и правами человека требует тонкой настройки.

Исходя из вышеизложенного, необходимо определить направления совершенствования интеграции нейросетей в уголовно-процессуальную деятельность. Для этого назрел вопрос принятия федерального закона «Об использовании систем искусственного интеллекта в правоохранительной деятельности», который бы установил: правовой статус ИИ‑систем; требования к сертификации и валидации; порядок процессуального закрепления результатов использования нейросетей; ответственность за ошибки и злоупотребления. Также нужна разработка криминалистических рекомендаций по использованию нейросетей, в которых будут указаны типовые алгоритмы применения ИИ при производстве следственных действий; методики оценки достоверности выводов нейросети и гарантии прав участников процесса и предложены варианты протоколов фиксации хода и результатов работы ИИ. Обучение сотрудников для работы с нейросетями требует обладания ими следующих компетенций: основ машинного обучения; критической оценки выводов ИИ; правовых аспектов использования цифровых технологий.

Интеграция нейросетевых решений в следственную деятельность — объективный процесс, обусловленный цифровизацией общества и усложнением преступности. Нейросети способны повысить эффективность расследования, автоматизировать рутинные операции, выявить скрытые связи и закономерности. Однако их использование порождает комплекс тактических, экспертных, правовых и этических проблем. Ключевой вывод -нейросеть не должна заменять следователя или эксперта. Она должна оставаться вспомогательным инструментом, выводы которого подлежат обязательной верификации человеком. Только в этом случае возможно соблюдение баланса между эффективностью правосудия и защитой прав личности.