Настоящий робокоп: как используют ИИ для раскрытия преступлений

Работа полицейских требует умения видеть неочевидные закономерности и сопоставлять разнородные доказательства. Но человек-следователь не всегда может отследить логику действий преступника или распознать его почерк. В таких ситуациях ему могут помочь цифровые инструменты в целом и искусственный интеллект (ИИ) в частности.

Разбираем, как ИИ-инструменты используются при расследовании преступлений в мире.

Зачем полицейским искусственный интеллект

90% данных в мире неструктурированы, и без технологий обработки больших данных проанализировать их невозможно. ИИ может объединить структурированные и неструктурированные данные из внутренних и внешних источников и применить к ним различные инструменты анализа, среди которых прогностическая аналитика, распознавание лиц, машинное обучение и аналитика когнитивных данных.

Поэтому ИИ-решения очень полезны для полицейских и детективов, чтобы лучше прочитать «почерк» преступников в огромном количестве собранных неструктурированных данных — видео, изображениях, электронных доказательствах и т. п. И это не мечты о будущем, а реальность: например, на сегодня у 70% полицейских участков мира есть доступ к той или иной форме инструментов распознавания лиц.

Вот как они используют искусственный интеллект в своей работе.

Анализ места преступления

Преступники всегда оставляют следы на месте преступления или недалеко от него. Задача полицейских — найти их и объединить в одну систему, которая приблизит к раскрытию преступления. ИИ может помочь в поиске закономерностей и совпадений в этих данных.

Например, исследователи из Университета Леона (Испания) научили нейронные сети выявлять доказательства, оставленные на месте преступления. Следователи для начала делают детальную фотосъемку всего вокруг, а затем передают эти данные нейросети, которая их анализирует.

Как именно это работает:

• Сначала нейросеть обучили на основе данных о предыдущих преступлениях, чтобы ИИ-инструменты могли создать определенные паттерны поведения злоумышленников. Кроме того, ей предлагали возможные шаблоны, которые преступники используют в разных ситуациях.
• Получив этот набор данных для анализа, нейросеть научилась не только помогать в определении преступника, но и сопоставлять несколько преступлений. Таким образом, например, можно раскрыть серию грабежей в определенном районе, совершенных одним преступником.

Другая задача, которую может решить нейросеть, — анализ отдельных фотографий и доказательств и поиск неочевидных повторяющихся элементов в них. Например, нейросеть может научиться не просто видеть следы обуви, но и анализировать, какую именно обувь носил преступник, определить производителя либо модель кроссовок или туфель по характерным признакам — деталям дизайна или отпечаткам следов.

Вот еще один пример — если сфотографирована какая-то вещь или оружие с места преступления, ИИ-инструменты могут проверить официальную базу данных и выяснить, использовалась ли эта вещь или оружие при прошлых нарушениях закона. Это может быть опосредованным доказательством того, что предыдущее преступление было совершено тем же человеком, или, по крайней мере, поможет обратить внимание на определенный круг подозреваемых.

Идентификация подозреваемых

Пожалуй, самое эффективное направление использования искусственного интеллекта в уголовных расследованиях, которое уже сравнительно давно и активно используется, — это идентификация (узнавание) преступников. Для этого применяют инструменты распознавания лиц.

Задача распознавания образов в целом и распознавания лиц в частности — это фундаментальные задачи теории интеллектуальных систем, над решением которых ученые работают давно с разным уровнем успешности.

Самая известная область использования этой технологии — современные OCR-системы (optical character recognition — системы оптического распознавания символов), которые уже давно успешно могут идентифицировать текст на изображении (отчасти даже рукописный) и преобразовать его в текстовый документ.

Человек вручную (или даже целый полицейский участок) никогда не сможет просмотреть и проанализировать большое количество снимков или видеофрагментов, сравнить их с оригиналом и сделать правильные выводы. Зато системы распознавания умеют делать это с большой точностью. Этот показатель может достигать 99,7%, а Facebook DeepFace может определить, принадлежат ли два сфотографированных лица одному человеку, с точностью 97%.

Кроме того, автоматизированные инструменты умеют анализировать контент, который недоступен в так называемом «открытом вебе» — уже существуют инструменты анализа лиц, работающих с контентом глубинного (deep) веба и темного сегмента сети (dark web).

Системы распознавания лиц в большинстве не столь эффективны, если изображение человека недостаточно четкое, хотя многие умеют достаточно точно «узнавать» людей на видео или фото. Примером эффективного инструмента распознавания, используемого полициями разных стран мира, является разработка компании ClearView AI.

Технологии распознавания лиц активно используются правоохранительными органами во всем мире — не только по фото подозреваемого, но и для анализа видеопотока.

Известный пример эффективности подобных систем — история о том, как репортер BBC провел эксперимент и проверил, действительно ли эти инструменты так успешны. Его интересовало, насколько быстро его идентифицируют используемые в Китае системы распознавания. Для его обнаружения полиции понадобилось 7 минут — с момента попадания его фото в базу данных до задержания.

У современных систем распознавания, использующих машинное обучение, есть гораздо больше возможностей. К примеру, они могут анализировать не только изображения лица, но и одежду, структуру скелета, походку и телодвижения, поэтому такой анализ активно используется в прогностической деятельности специалистов по безопасности и тех, кто занимается борьбой с терроризмом.

К примеру, комплексный анализ поведения может выявить в толпе людей с аномальным или подозрительным поведением — тех, кто склонен к воровству, готовит террористический акт или планирует участие в массовых беспорядках. 

Использование возможностей полицейских баз данных

И у полиции, и у других правоохранительных органов есть базы данных с информацией о прошлых подозреваемых. Но эти базы данных не используются в полной мере: сотрудники полиции физически не имеют возможности вручную просматривать данные о старых преступлениях и пытаться установить взаимосвязи между ними. Хотя на самом деле эти связи и подсказки могут помочь в расследовании новых преступлений, при этом такие данные часто скрыты настолько глубоко, что их невозможно обнаружить невооруженным глазом.

Благодаря машинному обучению все это меняется. Анализ огромных баз данных, которыми владеет полиция, благодаря ИИ-инструментам вышел на новый уровень не только в попытке понять, какая информация есть в этих базах, но и в том, как ее можно использовать для борьбы с новыми преступлениями.

Профилактика преступлений и оперативная реакция на критические события

Инструменты искусственного интеллекта значительно упрощают и другие задачи правоохранителей, в том числе помогают более оперативно реагировать на критические ситуации. К примеру, полиция может быстро отреагировать на совершение преступления, допустим, случай стрельбы в городе: датчики в местах скопления людей могут оперативно сообщить дежурным полицейским о совершении преступления еще до того, как об этом сигнализируют свидетели.

Более того, такие датчики в сочетании с камерами с распознаванием лиц смогут отследить перемещения подозреваемого в большом городе и помочь определить наиболее вероятное местонахождение стрелка.

Проблемы предубеждений и нарушения прав человека

Искусственный интеллект пока не зрелая технология — ИИ-инструменты только внедряются в разные сферы жизни, а специалисты учатся их использовать не только эффективно, но и законно. Уголовное правосудие, и прежде всего правоохранительные органы, должны рассматривать использование искусственного интеллекта не только в свете фундаментальных принципов прав человека, таких как конфиденциальность и недискриминация, но и с пониманием того, что алгоритмы искусственного интеллекта отчасти бывают предвзятыми.

Набор данных, используемых для обучения и работы алгоритмов искусственного интеллекта, является результатом деятельности человека. А это значит, что они уже содержат предубеждения человека, которые затем отображаются в работе AI-инструментов.

К примеру, при использовании искусственного интеллекта в работе полиции бывают ситуации, когда правоохранительные органы чаще останавливают и обыскивают лишь определенные группы людей, считая их более склонными к совершению преступлений.

Например, в начале 2023 года полиция арестовала Рендала Рида как виновного в воровстве сумок. Темнокожего мужчину обвинили в преступлении на основе подсказки системы распознавания лиц, несмотря на то, что он в это время находился в другом городе. Мужчине пришлось провести ночь в камере.

Другой пример — арест афроамериканки Бриши Борден, которую обвинили в краже на $800 и посадили в тюрьму из-за того, что она взяла детский велосипед, немного проехала на нем и бросила. Арестованный белый мужчина Вернон Пратер, несмотря на то, что у него «в арсенале» было вооруженное нападение, обошелся предупреждением.

Искусственному интеллекту, как и любой новой технологии, нужно время на исправление ошибок и предвзятостей, поиск проблемных мест в их использовании. Но это не уменьшает те невероятные возможности, которые правоохранители и следователи получают при грамотном использовании ИИ-решений.