Нейросети в судебной экспертологии и экспертной практике: проблемы и перспективы

В статье с позиций теории цифровизации судебно-экспертной деятельности как частной теории судебной экспертологии рассматриваются перспективы внедрения нейронных сетей в судебную экспертизу и возникающие при этом актуальные проблемы. Автор отмечает изменения в методологии и технологиях разработки экспертных методик в связи с внедрением алгоритмов искусственного интеллекта — нейронных сетей. Обозначены сферы применения нейронных сетей для решения разнообразных задач науки и практической деятельности. На конкретных примерах продемонстрированы возможности использования алгоритмов контролируемого обучения нейросетей в судебно-экспертной практике. Дан подробный анализ причин, по которым использование нейронных сетей в судебной экспертизе может привести к ошибочным заключениям. Особое внимание уделено галлюцинациям нейронных сетей глубокого обучения на больших языковых моделях. Существует опасность, что эксперт, всецело полагаясь на нейросеть, может сделать неправильный вывод, поскольку самообучаемые генеративные нейросети не дают объяснения, почему приняли то или иное решение. Для разработки методик решения типичных экспертных задач на основе нейросетей предлагается создание баз данных (Dataset) для анализа и машинного обучения по различным объектам судебной экспертизы. Для хранения Dataset необходимо организовать репозитории, которые могут содержать наборы данных по родам (видам) судебных экспертиз. Dataset и репозитории обеспечат контроль качества данных и верификацию моделей. В статье обоснована необходимость новых компетенций специалиста Data Scientist, который формирует инструменты для решения судебно-экспертных задач при внедрении нейросетей и других алгоритмов искусственного интеллекта в судебную экспертологию, а также работающего с ним в контакте инженера по машинному обучению.

1. Аверьянова Т. В. Судебная экспертиза : курс общей теории. — М. : Норма, 2006. — 480 с.

2. Бахтеев Д. В. Особенности распознавания подлога подписи человеком как первичные критерии для разработки системы искусственного интеллекта // Сибирское юридическое обозрение. — 2020. — № 17 (4). — С. 514—522.

3. Бахтизин А. Р. , Брагин А. В. , Макаров В. Л. Большие языковые модели четвертого поколения как новый инструмент в научной работе // Искусственные общества. — 2023. — T. 18. — Вып. 1. — URL: https://artsoc.jes.su/s207751800025046-9-1 (дата обращения: 02.01.2024).

4. Россинская Е. Р. Концепция частной теории цифровизации судебно-экспертной деятельности // Вестник экономической безопасности. — 2022. — № 5. — С. 173—176.

5. Россинская Е. Р., Галяшина Е. И., Зинин А. М. Теория судебной экспертизы (Судебная экспертология) : учебник / под ред. Е. Р. Россинской. — М. : Норма ; Инфра-М, 2020. — 268 с.

6. Теория информационно-компьютерного обеспечения криминалистической деятельности : монография / под ред. Е. Р. Россинской. — М. : Проспект, 2022. — 256 с.

7. Федоренко В. А., Сорокина К. О., Гиверц П. В. Классификация изображений следов бойков по экземплярам оружия с помощью полносвязной нейронной сети // Известия Саратовского университета. — Новая серия. — Серия : Экономика. Управление. Право. — 2022. — Т. 22. — Вып. 2. — С. 184—190.

8. Чеснокова Е. В., Усов А. И., Омельянюк Г. Г., Никулина М. В. Искусственный интеллект в судебной экспертологии // Теория и практика судебной экспертизы. — 2023. — Т. 18. — № 3. — С. 60—77.

9. Giverts P., Sorokina K., Fedorenko V. Examination of the possibility to use Siamese networks for the comparison of firing marks // Journal of Forensic Sciences. — 2022 Nov. — 67(6). — Р. 2416-2424. — DOI: 10.1111/1556-4029.15143.

10. Humberto Ferreira, Pedro Ruivo, Carolina Reisb. How do data scientists and managers influence machine learning value creation // Procedia Computer Science. — 2021. — Vol. 181. — P. 757—764.

11. Minseok Yoon, Seung-Hun Nam, In-Jae Yu, Wonhyuk Ahn, Myung-Joon Kwon, Heung-Kyu Lee. Framerate up-conversion detection based on convolutional neural network for learning spatiotemporal features // Forensic Science International. — Vol. 340. — Nov. 2022. — 111442.

12. Pre-trained models for natural language processing: A survey / Qiu X. [et al.] // Science China Technological Sciences. — 2020. — Vol. 63. — № 10.

13. Samuel Henrique Silva, Mazal Bethany, Alexis Megan Votto, Ian Henry Scarff, Nicole Beebe, Peyman Najafirad. Deepfake forensics analysis: An explainable hierarchical ensemble of weakly supervised models // Forensic Science International: Synergy. — 2022. — Vol. 4. —100217.

14. Sonam Bhardwaj, Mayank Dave. Enhanced neural network-based attack investigation framework for network forensics: Identification, detection, and analysis of the attack // Computers & Security. — Vol. 135. — December 2023. — 103521.

15. Wei Liu, Zhiqiang Dun. D-Fi: Domain adversarial neural network based CSI fingerprint indoor localization // Journal of Information and Intelligence. — Vol. 1. — Is. 2. — July 2023. — P. 104—114.

16. Wuyang Shan, Yaohua Yi, Ronggang Huang, Yong Xie. Robust contrast enhancement forensics based on convolutional neural networks // Signal Processing: Image Communication. — Vol. 71. — February 2019. — P. 138—146.

17. Yuxi Xie, C. T. Wu, Boyuan Li, Xuan Hu, Shaofan Li. Computer Methods in Applied Mechanics and Engineering. A feed-forwarded neural network-based variational Bayesian learning approach for forensic analysis of traffic accident // Computer Methods in Applied Mechanics and Engineering. — Vol. 397. — 1 July 2022. — 115148.

18. Yuxue Zhang, Yunfeng Yan, Guorui Feng. Feature compensation network based on non-uniform quantization of channels for digital image global manipulation forensics // Signal Processing: Image Communication. — Vol. 107. — September 2022. — 116795.