В статье изложены возможности применения систем искусственного интеллекта, используемых при выполнении ряда заданий, возникающих в процессе осуществления правоохранительной деятельности, а также за ее пределами. Приведены примеры решения задач идентификации, предсказания, выявления, которые успешно решаются с помощью указанных систем. На основе рассмотрения принципов построения и функционирования нейронной сети, составляющей основу искусственного интеллекта, как абстрактной модели, создаваемой для решения определенной задачи, раскрыты возможности нейронных сетей в целом, и тем самым продемонстрированы особенности работы с ними. Описаны порядок и принципы работы сверточных нейронных сетей и на их примере обозначены результаты, которые могут быть достигнуты в ходе проведения судебных почерковедческих и технико-криминалистических экспертиз документов, а также исследований, проводимых в рамках осуществления судебно-экспертной деятельности, в частности определения признаков технической подделки документов (монтажа, подчистки, дописки, дорисовки), установления фактов исполнения нескольких подписей либо рукописных записей одним либо разными исполнителями, установления первоначального содержания записей, фрагменты которых были частично утрачены или искажены. Раскрыты перспективы и значение сверточных нейронных сетей, применение которых в процессе производства экспертных исследований позволяет повысить научную обоснованность и объективность выводов судебной экспертизы и, тем самым, создает предпосылки для повышения ее роли в части доказывания фактов, имеющих значение.
1. Джонс М.Т. Программирование искусственного интеллекта в приложениях / Пер. с англ. А.И. Осипова. М.: ДМК Пресс, 2011. 312 с.
2. Бессонов А.А. Искусственный интеллект и математическая статистика в криминалистическом изучении преступлений: монография. М.: Проспект, 2021. 816 с.
3. Бахтеев Д.В. Искусственный интеллект в следственной деятельности: задачи и проблемы // Российский следователь. 2020. № 9. С. 3–9. https://doi.org/10.18572/1812-3783-2020-9-3-6
4. Бессонов А.А. Использование алгоритмов искусственного интеллекта в криминали- стическом изучении преступной деятельности (на примере серийных преступлений) // Вестник Университета имени О.Е. Кутафина. 2021. № 2 (78). С. 45–53. https://doi.org/10.17803/2311-5998.2021.78.2.045-053
5. Earl B.H. Artificial intelligence. New York: Academic Press, 1975. 559 p.
6. Бахтеев Д.В. Искусственный интеллект в криминалистике: состояние и перспективы использования // Российское право: образование, практика, наука. 2018. № 2 (104). С. 43–49.
7. Бахтеев Д.В. Компьютерное зрение и распознавание образов в криминалистике // Российское право: образование, практика, наука. 2019. № 3 (111). С. 66–74. https://doi.org/10.34076/2410-2709-2019-3-66-74
8. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.
9. Buduma N., Lacascio N. Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms. O’Reilly Media, 2017. 298 p.
10. Lake B.M., Salakhutdinov R., Tenenbaum J.B. Human-Level Concept Learning through Probabilistic Program Induction // Science. 2015. Vol. 350. Iss: 6266. P. 1332–1338. https://doi.org/10.1126/science.aab3050
11. Fjodor Van Veen. The Neural Network Zoo // The Asimov Institute. 14.09.2016. https://www.asimovinstitute.org/neural-network-zoo/
12. Rosenblatt F. The Perceptron: a Probabilistic Model for Information Storage and Organization in the Brain // Psychological Review. 1958. Vol. 65. No. 6. P. 386–408. https://doi.org/10.1037/h0042519
13. Elman J.L. Finding Structure in Time // Cognitive Science. 1990. Vol. 14. No. 2. P. 179–211. https://doi.org/10.1207/s15516709cog1402_1
14. Lecun Y., Bottou L., Bengio Y., Haffner P. Gradient-Based Learning Applied to Document Recognition // Proceedings of the IEEE. 1998. Vol. 86. No. 11. P. 2278–2324. https://doi.org/10.1109/5.726791
15. Дикий Д.И., Артемьева В.Д. Исследование применимости искусственных нейронных сетей для верификации пользователей по динамике почерка // Научно-технический вестник информационных технологий, механики и оптики. 2017. Т. 17. № 4. С. 677–684. https://doi.org/10.17586/2226-1494-2017-17-4-677-684
16. Chollet F., Allaire J.J. Deep Learning with R. Manning Publications, 2018. 360 p.
