Первым этапом автоматизации процессов судебно-экспертного исследования можно условно считать середину 1960-х годов, когда в криминалистической литературе появились и приобрели ощутимый размах, давая первые результаты, работы, связанные с применением кибернетики в криминалистической экспертизе. Некоторые ученые сформулировали в качестве цели своих изысканий автоматизацию идентификационной процедуры. Так, Г.М. Собко писал: «Задача формализации идентификационного исследования почерка является одной из проблемных задач в судебном почерковедении. Нами сделана попытка статистически подойти к решению этой задачи и предложить в общей форме методику возможной алгоритмизации идентификационного процесса». Описав далее эту методику, он заключает: «Вводя каталоги 1 и 2 (каталоги признаков почерка, — Е.Р.) в память ЭВМ и снабдив ее программой распознавания признаков, которые содержатся в каталогах, можно достичь автоматизации идентификационной процедуры»[396]. Об автоматизации отдельных видов криминалистической экспертизы писали ряд авторов. Р.С. Рашитов[397] рассматривал условия автоматизации дактилоскопической идентификации. Н.С. Полевой и Л.Г. Эджубов описывали автоматизацию идентификационной процедуры при судебно-баллистической экспертизе[398].

К тому же времени относится начало дискуссии о способности машины вытеснить или заменить эксперта-человека. Эта дискуссия широко велась тогда в различных областях знания, как теоретических, так и прикладных, и криминалистика, разумеется, не явилась исключением. Хотя никто из известных криминалистов не утверждал, что ЭВМ вытесняет или способна вытеснить, заменить эксперта-человека, однако ни одна работа по вопросам применения кибернетики в криминалистике и судебной экспертизе не обходилась без настойчивых утверждений, что разработанный метод или предлагаемая методика использования ЭВМ ни в коей мере не заменит эксперта. Так, А.Р. Шляхов писал: «Применение принципов кибернетики и электронно-вычислительной техники ни в коей мере не поведет к замене эксперта автоматом… Оценка результатов, полученных при помощи ЭВМ, будет проводиться и контролироваться экспертом»[399]. Р.М. Ланцман формулировал эту мысль более развернуто: «Разумеется, кибернетический метод исследования ни в какой степени не подменяет собой эксперта-почерковеда, который лишь получает еще один более совершенный метод исследования. Ответы машины сами по себе… не имеют самостоятельного доказательственного значения. Средством доказывания является заключение эксперта. Однако теперь уже в отличие от возможности поверить глазам, опыту, интуиции, детальным разметкам эксперта, судебно-следственный орган имеет возможность объективно оценить обработанную машиной информацию»[400].

Дальнейшее развитие информационных технологий, создание систем гибридного интеллекта показало, что как единое целое проблема противопоставления человека и ЭВМ является надуманной и распадается на многочисленные подчиненные проблемы. Лидирующее положение эксперта в первую очередь связано с его неформальным знанием. Уже тогда большинством криминалистов было отмечено, что в контексте общей теории принятия решений при рассмотрении интерактивной деятельности человека и ЭВМ принятие конкретного решения и его оценка является прерогативой человека, несущего ответственность за это конкретное решение и его последствия. Кроме того, принимая решение, человек не всегда может в явном виде эксплицировать, выделить и формализовать мотивы, по которым он это [401]. На долю же компьютера остается техническая поддержка принимаемых решений, формирование и оценка множества альтернатив, отбраковка заведомо непригодных решений (например, по соображениям недостаточности ресурсов или заведомо низким критериальным оценкам) и тому подобные рутинные операции.

Таким образом, итогом дискуссии явился вывод, что человек и системы искусственного интеллекта должны не взаимно исключать, но взаимно дополнять друг друга. Человек ставит глобальную цель, формулирует проблемы и варианты решения, определяет общие направления действий с помощью компьютерных систем, а интеллектуальные системы позволяют исключить или сократить до минимума субъективные ошибки человека, облегчить выполнение рутинных, нетворческих операций.

Второй этап информатизации судебной экспертизы пришелся на 90-е годы XX в., когда интеграция новых информационных технологий стала развиваться по нескольким магистральным направлениям. Возникшие при этом специфические проблемы носили прежде всего технологический характер и не могли быть решены на данном этапе из-за недостаточного развития средств вычислительной техники. Компьютерные средства стали использоваться для автоматизации сбора и обработки экспериментальных данных, получаемых в ходе физико-химических, почвоведческих, биологических и других исследований методами хроматографии, масс-спектрометрии, ультрафиолетовой, инфракрасной спектроскопии, рентгеноспектрального, рентгеноструктурного, атомного спектрального и других видов анализа[402]. Такое оборудование в большинстве случаев представляло собой измерительно-вычислительные комплексы, смонтированные на базе приборов и персонального компьютера (ПК), что позволяло не только освободить эксперта от утомительной рутинной работы, сократить время анализов, повысить их точность и достоверность, что особенно необходимо в количественных исследованиях, но и расширить возможности методов. Если раньше результаты экспериментальных анализов фиксировались самописцами на диаграммной ленте, то теперь вся информация поступала непосредственно в ПК, далее происходил обсчет спектрограммы, определение координат пиков, вычисление их площадей, разделение пиков, которые наложились друг на друга, и пр. Для анализа использовались так называемые внутренние технологические банки данных, которые содержали либо наборы специфических физико-химических параметров, характеризующих вещества и материалы, либо спектрограммы объектов, записанные на магнитных носителях[403].

Одним из условий интенсификации процесса экспертного исследования, повышения его результативности являлось своевременное и полное обеспечение эксперта необходимой справочной информацией, поэтому вторым направлением внедрения компьютерных технологий в экспертную деятельность было информационное обеспечение экспертных исследований, под которым понимали создание банков данных и автоматизированных информационно-поисковых систем (АИПС) по конкретным объектам экспертизы, функционировавших, в основном, на базе ПК и использовавших возможности компьютера по накоплению, обработке и выдаче в соответствии с запросами больших массивов информации[404]. Помимо этого направления, Л.Г. Эджубов выделял еще одно, также связанное с информационным обеспечением судебной экспертизы, посвященное информационному обеспечению различного рода управленческой, научной, дидактической деятельности[405]. Были созданы и функционировали АИПС и базы данных по конкретным объектам судебных экспертиз[406]. Названные АИПС могли работать отдельно и совместно с измерительно-вычислительными комплексами. Широкое применение в экспертной практике нашли банки данных, имеющиеся в смежных областях науки и техники, адаптированные для решения задач судебной экспертизы, например библиотеки 5000 ИК-спектров, рентгенометрических данных и многие другие.

Третьим направлением стала разработка систем анализа изображений, для осуществления диагностических и идентификационных исследований: почерковедческих, дактилоскопических, трасологических, баллистических, портретных. Однако реализация этого направление представляла наиболее сложную задачу в силу недостаточно высокого уровня компьютерного обеспечения. Некоторые из разработанных в 1990-е годы систем («Папилон» и др.) в усовершенствованном виде используются и в настоящее время.

Четвертым направлением использования информационных компьютерных технологий в экспертизах и исследованиях были программные комплексы либо отдельные программы выполнения вспомогательных расчетов по известным формулам и алгоритмам, которые необходимы, в первую очередь, в инженерно-технических экспертизах, например для моделирования условий пожара или взрыва, в автотехнических, электротехнических, технологических экспертизах. В качестве примера использования расчетных систем в электротехнической экспертизе можно указать систему «РАДИАНТ», позволяющую осуществлять математическое моделирование аварийных режимов в электрических цепях[407].

Пятым направлением информатизации и компьютеризации экспертиз и исследований являлась разработка систем гибридного интеллекта — специализированных систем поддержки принятия решений, включающих, помимо четырех указанных выше позиций, еще и подготовку самого экспертного заключения. При посредстве систем такого рода эксперт получал возможность правильно описать, классифицировать и исследовать представленные на экспертизу вещественные доказательства, определить стратегию производства экспертизы, грамотно провести необходимые исследования в соответствии с рекомендованными методиками, подготовить и сформулировать экспертное заключение, например «ЭВРИКА» (экспертиза и выдача результатов исследования кабелей) — автоматизированное рабочее место эксперта для выполнения экспертиз и исследований кабельных изделий со следами оплавления, интерактивные системы гибридного интеллекта, такие как «КОРТИК» — в экспертизе холодного оружия, «БАЛЭКС» — в баллистике, «НАРКОЭКС» — в исследовании наркотических веществ и многие другие[408].

С началом 2000-х годов начался третий этап информатизации и компьютеризации судебно-экспертной деятельности. Информационные технологии законодатель определяет «как процессы, методы поиска, сбора, хранения, обработки, предоставления, распространения информации и способы осуществления таких процессов и методов»[409].

Как показано выше, в судебно-экспертной деятельности информационные технологии применяются уже более 50 лет и нашли свое отражение в судебной экспертологии, как информационное обеспечение судебно-экспертной деятельности, входящее в раздел «Организационное обеспечении судебно-экспертной деятельности»[410]. В качестве одних из основных закономерностей организационного обеспечения судебно-экспертной деятельности выделяются «закономерности информационного обеспечения судебно-экспертной деятельности, информатизации и компьютеризации судебной экспертизы, включающие закономерности активного использования информационных технологий (процессов, методов поиска, сбора, хранения, обработки, представления, распространения информации), и создания и совершенствования информационных систем судебно-экспертного назначения и информационно-телекоммуникационных сетей специального назначения»[411].

До недавнего времени в судебной экспертологии рассматривалось одно направление развития информационно-компьютерного обеспечения судебно-экспертной деятельности, которое включало:

— использование универсальных аппаратных средств и универсального программного обеспечения;

— разработку компьютерных систем анализа изображений;

— создание баз данных и АИПС по конкретным объектам экспертизы, в том числе криминалистических и справочно-вспомогательных учетов;

— автоматизацию сбора и обработки экспериментальных данных (измерительно-вычислительные комплексы);

— создание программных комплексов либо отдельных программ выполнения вспомогательных расчетов по известным формулам и алгоритмам;

— создание гибридных человеко-машинных систем и программных комплексов автоматизированного решения экспертных задач[412].

Следствием цифровизации в судебно-экспертной деятельности явилось новое актуальное направление развития IT-технологий, которое связано с новыми объектами экспертного исследования, что было обусловлено процессом замены традиционных аналоговых способов отображения объектов судебных экспертиз (следов, фотоснимков, звукозаписей и пр.) электронными, представленными в цифровом виде — цифровыми следами.

Цифровые следы стали в последние годы объектами исследования во многих родах (видах) судебных экспертиз. В первую очередь, это класс судебных компьютерно-технических экспертиз, включающий, как известно, роды:

— судебная аппаратно-компьютерная экспертиза — исследование технических (аппаратных) средств компьютерной системы;

— судебная программно-компьютерная экспертиза — исследование программного обеспечения;

— судебная информационно-компьютерная экспертиза (данных);

— судебная компьютерно-сетевая экспертиза, которая основывается, прежде всего, на функциональном предназначении компьютерных средств, реализующих какую-либо сетевую информационную технологию[413].

Другими примерами являются фоноскопическая[414] и фототехническая[415] судебные экспертизы, где помимо решения идентификационных задач, связанных с исследованием цифровых аудио и видео следов, необходимо разрешать диагностические задачи, связанные с целостностью объекта, наличием или отсутствием монтажа и внесения иных изменений путем использования компьютерных технологий. Эти судебные экспертизы не могли бы развиваться, если бы судебные эксперты, их осуществляющие, не приобрели дополнительные компетенции.

Но в настоящее время практически любая судебная экспертиза, например дактилоскопическая, видеотехническая, портретная, судебно-бухгалтерская, финансово-экономическая, судебно-техническая экспертиза документов и др., в качестве своих объектов может иметь цифровые следы, что породило целый ряд теоретических, правовых и организационных проблем, оказало существенное влияние на методологию и методики экспертного исследования, компетенцию судебных экспертов.

Технологиям выявления, фиксации, изъятия и сохранения следов в криминалистике, как было указано выше, посвящено учение «Криминалистическое исследование компьютерных средств и систем», которое является частью теории информационно-компьютерного обеспечения криминалистической деятельности, где обоснована криминалистическая дефиниция цифровых следов, описаны их виды и способы собрания[416]. Но следует заметить, что, несмотря на важность вышеуказанного учения для криминалистической науки и практики, проблемы судебно-экспертного исследования цифровых следов не относятся к его предмету.

Цифровые следы в настоящее время уже являются одними из самых распространенных объектов для многих родов и видов судебных экспертиз, в судебной экспертологии, поэтому для их судебно-экспертного исследования разработана новая частная теория (учение) экспертологии — теории цифровизации судебно-экспертной деятельности.

Предмет теории цифровизации судебно-экспертной деятельности составляют закономерности судебно-экспертного исследования цифровых следов, образующихся вследствие возникновения, движения, и преобразования компьютерной информации, имеющей доказательственное или розыскное значение в уголовном, гражданском, административном судопроизводстве.

Объекты теории цифровизации судебно-экспертной деятельности — цифровые следы, компьютерные средства и системы как носители розыскной и доказательственной криминалистически значимой информации, а также технологии их судебно-экспертного исследования.

Цифровой след как новый объект судебной экспертизы можно определить как криминалистически значимую компьютерную информацию о каких-либо событиях или действиях, отраженную в материальной среде, в процессе возникновения, обработки, хранения и передачи этой информации и подвергающуюся исследованию с использованием специальных знаний в различных родах и видах судебных экспертиз. Цифровые следы непосредственно нельзя изъять и приобщить к материалам дела, поскольку они неотделимы от носителя, на котором находятся, поэтому объектами судебно-экспертного исследования в различных родах судебных экспертиз являются и носители цифровых следов: устройства, предназначенные для записи и хранения информации.

Актуальной задачей является определение места новой теории цифровизации судебно-экспертной деятельности в судебной экспертологии.

Судебная экспертология включает положения, как справедливые в равной степени для большинства элементов судебно-экспертной деятельности, так и отражающие отдельные элементы предмета судебной экспертологии как науки, неразрывно связанные между собой. Первые положения охватываются судебной экспертологией в целом, вторые — образуют систему частных судебно-экспертных теорий и учений, являясь содержанием структуры общей теории судебной экспертологии. Поскольку частная теория является подсистемой общей, то ее предметом является какой-то элемент, сторона предмета общей теории, т. е. определенные закономерности из числа тех, которые изучает общая теория судебной экспертологии. К началу XXI в. традиционно в общей теории экспертологии (ранее в общей теории судебной экспертизы, — Е.Р.) выделились четыре частные теории, положения которых в равной степени распространяются как на процесс экспертного исследования в целом, так и на экспертные исследования отдельных родов экспертиз[417]. Это частные теории: теория экспертной идентификации; теория экспертной диагностики; теория экспертного прогнозирования; теория экспертной профилактики.

Теория экспертной идентификации включает в себя общие принципы, методологические рекомендации и критерии для выделения из множества материальных объектов определенного лица или предмета, связанных с изучаемым событием. Теория экспертной диагностики содержит общие принципы, методологические рекомендации и условия установления определенных свойств и состояний объектов, выявления динамики событий, причин явлений и процессов[418].

Развивающаяся в последние годы теория экспертного прогнозирования основывается на перманентных изменениях в социально-экологической системе вообще и в преступной деятельности в частности, обусловливающих возникновение новых объектов и задач экспертного исследования, а отсюда появление новых родов и видов экспертиз, новых экспертных технологий. Кроме того, в условиях интеграции и дифференциации научного знания актуальными являются исследования прогностического характера, направленные на выявление новых возможностей экспертизы вещественных доказательств.

Предметом теории экспертной профилактики являются принципы и закономерности функционировании системы экспертной профилактической деятельности в предупреждении преступлений, а также при выявлении и предупреждении экспертных ошибок, как в процессе экспертных исследований, так и при оценке и использовании результатов судебных экспертиз в процессе судопроизводства[419].

Теория цифровизации судебно-экспертной деятельности также может быть отнесена к этому ряду частных теорий, поскольку содержит общие принципы, методологию и условия исследования цифровых следов и их носителей, а также технологии их судебно-экспертного исследования. Предлагаемая нами система теории цифровизации судебно-экспертной деятельности представлена на рис. 1. Перейдем далее к ее описанию.

К общим положениям теории цифровизации судебно-экспертной деятельности относятся ее предмет, объекты и задачи. Поскольку предмет и объекты теории определены выше, рассмотрим задачи теории цифровизации судебно-экспертной деятельности. К ним относятся:

— изучение объективных закономерностей судебно-экспертного исследования цифровых следов, образующихся вследствие возникновения, движения, и преобразования компьютерной информации, имеющей доказательственное или розыскное значение;

— установление направлений и прогнозирование технологических возможностей собирания и экспертного исследования цифровых следов и их носителей;

— анализ и определение общих направлений развития алгоритмизации и цифровизации методов и методик судебно-экспертного исследования;

— исследование перспектив внедрения алгоритмов машинного обучения (нейросетей) в судебно-экспертную деятельность;

— анализ и решение дидактических проблем новых компетенций в судебной экспертологии, связанных с глобальной цифровизацией.

Рис. 1. Система цифровизации судебно-экспертной деятельности

Современная теория цифровизации судебно-экспертной деятельности включает два направления: информационно-компьютерное обеспечение судебно-экспертной деятельности, как методологическую и технологическую основу использования IT-технологий в экспертных исследованиях любых объектов судебной экспертизы и судебно-экспертное исследование цифровых следов[420].

Рассмотрим эти направления подробнее. Начнем со второй составляющей, связанной с цифровыми следами.

Цифровые следы могут быть представлены на экспертизу в различных формах:

— на отдельных носителях (например, на жестком магнитном диске (HDD), флеш-накопителе и др.);

— непосредственно в компьютерных системах и сетях, в мобильных коммуникаторах, планшетах, серверах, облачных хранилищах;

— в виде электронных документах;

— отображаемые в цифровом виде с помощью различных программных продуктов, например изображения на экране монитора подписей, дактилоскопических отпечатков, скриншотов переписки в социальных сетях и мессенджерах;

— на бумажных носителях — отображаемые образы цифровых следов, например распечатки скриншотов, электронных документов и др.

Видами цифровых следов являются: дампы оперативной памяти и дампы трафиков; файлы и их обрывки; программные продукты; текстовые и графические документы; файлы мультимедиа; базы данных; отчеты и журналы приложений и пр. Цифровые следы содержат криминалистически значимую компьютерную информацию в виде изображений лиц; видео- и аудиозаписей; фотоизображений; звучащей речи; текстовых, графических банковских и иных экономических документов[421].

Общими задачами судебных экспертиз, назначаемых при изучении цифровых следов, в первую очередь, являются задачи судебных компьютерно-технических экспертиз, предмет которых составляют факты и обстоятельства, связанные с закономерностями разработки и эксплуатации компьютерных средств и систем, обеспечивающих реализацию информационных технологий, исследуемые и устанавливаемые в уголовном, гражданском, административном судопроизводстве с использованием специальных знаний в области программирования и алгоритмизации, электроники, электротехники, информационных систем и процессов, радиотехники и связи, вычислительной техники и автоматизации[422].

Цифровые следы являются объектами и других родов (видов) судебных экспертиз, например в фоноскопической, автороведческой, лингвистической, почерковедческой, фототехнической, видеотехнической, портретной, судебно-бухгалтерской, финансово-экономической, судебно-технической экспертизе документов и др. Это оказало существенное влияние на методологию и методики экспертного исследования, компетенцию судебных экспертов. В зависимости от рода (вида) экспертиз цифровые следы имеют свою специфику, которая должна найти отражение в частных теориях этих родов (видов) экспертиз

Во многих родах судебных экспертиз на первоначальной стадии исследования эксперт выявляет следы, обнаружение которых невозможно без использования инструментальных методов, что особенно актуально для цифровых следов, которые могут быть выявлены при проведении судебно-экспертного исследования. Но теперь для эффективной работы с цифровыми следами эксперты должны обладать глубокими знаниями в области IT-технологий. Для целого ряда судебных экспертиз подобная трансформация квалификации давно произошла, поскольку, например, в фоноскопической, видеотехнической и фототехнической экспертизах объекты уже более 20 лет предоставляются в цифровом виде. В этих экспертизах используются комплексные экспертные методики и, соответственно, эксперты владеют комплексом компетенций. Однако стоит отметить, что все вышесказанное относится к ситуациям, когда объекты представлены в цифровом виде на отдельных носителях информации. Если же такие цифровые следы находятся, например, на сервере, то для их извлечения требуются специальные знания в области судебной компьютерно-технической экспертизы.

Для многих «традиционных» экспертиз также возникла потребность в использовании компьютерных технологий. Рассмотрим эту ситуацию на примере судебной бухгалтерской экспертизы, когда эксперт должен обнаружить и самостоятельно изъять из компьютерной системы документы бухгалтерской отчетности, фактически являющиеся цифровыми следами. Но работа с цифровыми следами не входит в компетенцию эксперта-экономиста. Поэтому сначала эксперт компьютерно-технической экспертизы должен установить, получены ли массивы бухгалтерской информации с помощью легитимной версии бухгалтерской программы или привнесены в компьютер как-то иначе, и корректно скопировать необходимые документы на внешний носитель. Эксперт судебно-бухгалтерской экспертизы, даже если он владеет необходимыми технологиями, что весьма проблематично, не имеет права ими воспользоваться, поскольку пока это находится вне пределов его компетенции по экспертной специальности.

В результате цифровой трансформации во всех отраслях экономики сформировался новый инновационный вид судебных экономических экспертиз — судебная экспертиза операций с цифровыми финансовыми активами, которые осуществляются исключительно в сети «Интернет» и носят транснациональный характер. Специфика экспертных исследования здесь такова, что требует от эксперта не только экономических специальных знаний, но и знаний в области IT-технологий. При этом в судебной экспертизе операций с криптоактивами все объекты представляют собой цифровые следы[423]. Очевидно, что для производства подобных экспертиз необходимо расширение компетенции судебных экспертов в соответствии с требованиями комплексной методики.

Важно отметить, что при любом исследовании объектов, являющихся цифровыми следами, судебный эксперт должен иметь представление о технологиях изъятия криминалистически значимой информации в такой форме, уметь оценивать легитимность, пригодность и достаточность этих объектов для проведения судебной экспертизы и получения обоснованного вывода. Необходимость экспертного исследования цифровых следов обусловливает существенные модификации методик экспертного исследования и новый этап развитие экспертных технологий.

Перейдем далее к рассмотрению информационно-технологического раздела теории цифровизации судебно-экспертной деятельности, формирование которого, хотя он тогда именовался автоматизацией, началось, как мы отмечали выше, в 70-е годы прошлого века. Задачами автоматизации были разработка баз данных и АИПС по конкретным объектам экспертизы, создание измерительно-вычислительных комплексов (включающих аналитическое оборудования, атласы спектров, рентгенограмм и других данных для автоматической обработки результатов исследований) и программ выполнения вспомогательных расчетов по известным формулам и алгоритмам[424].

Развитие компьютерных технологий в конце 80-х — 90-е годы прошлого века способствовало разработке баз знаний для формирования автономных экспертных систем судебно-экспертного назначения. Экспертная система — это программный комплекс для ЭВМ, способный накапливать и обобщать знания и эмпирический опыт эксперта в какой-либо предметной области, а затем работать в качестве советчика при рядовом специалисте. При этом качество решений, рекомендуемых экспертной системой, сопоставимо с качеством решений экспертов[425]. Эти программные комплексы использовали метод экспертных оценок признаков объектов судебных экспертиз для осуществления поддержки принятия решений — совокупности процедур, обеспечивающих лицо, принимающее решение, необходимой информацией и рекомендациями[426].

В XXI в. на смену экспертным системам, описывающим алгоритм действий по выбору решения в зависимости от конкретных условий, пришли методы искусственного интеллекта, направленные на создание принципиально новых научно-технических продуктов для автономного решения различных задач, анализа данных; автоматического машинного обучения; алгоритмов принятия решений и прогнозирования событий или тенденций. Благодаря развитию программно-аппаратных комплексов, включая использование графических процессоров и распределенных архитектур вычислительных систем, появилась возможность аккумулировать большие массивы данных (англ. — Big Data), собранных автоматическим способом, и позволяющих устанавливать новые закономерности и знания, которые невозможно было получить из локальных фрагментов данных.

Одними из наиболее распространенных алгоритмов искусственного интеллекта являются нейронные сети, которые в настоящее время широко применяются для решения самых разнообразных задач: распознавания образов; анализа больших объемов данных; прогнозирования различных тенденций; обучения и оптимизация других алгоритмов, процессов и систем[427].

Использование нейросетей вызвало значительный рост цифровых следов как продуктов их работы. Нейросетевые технологии используются в противоправной деятельности для создания ботов для фишинг-атак и манипуляций через фейковый контент. Контент, созданный нейросетями, все сложнее отличить от подлинного, когда с использованием технологий астротурфинга генерируются фальшивые отзывы о товарах с маркетплейсов, фотографии никогда не существовавших людей, дипфейки точно имитирующие живых лиц; для совершения вымогательств создаются «call-центры» на основе ботов с озвученными видеоизображениями конкретных людей.

Вышеперечисленные и многие другие цифровые следы работы нейросетей исследуются различными родами судебных экспертиз, где неоценимую помощь также могут оказать нейронные сети. Поэтому нейросети уже начали применять в судебной экспертизе, что обусловлено общедоступностью алгоритмов машинного обучения и лавинообразным нарастанием разработки все новых. Пока, как показывают наши исследования[428], используются нейросети контролируемого обучения, причем валидация осуществляется с применением традиционно определенных признаков, выявленных вручную. Производство судебных экспертиз — это практическая деятельность, целями которой является получение доказательственной информации, поэтому нейросети и другие технологии искусственного интеллекта как новый инструментарий в судебно-экспертную деятельность надо внедрять с осторожностью после глубокой теоретической подготовки и всесторонней апробации.

При производстве судебных экспертиз возможны ошибки гносеологического и деятельностного характера, поэтому рассмотрим прогнозирование экспертных ошибок при внедрении нейросетей в судебно-экспертную деятельность. Согласно учению судебной экспертологии об экспертном прогнозировании гносеологической основой прогноза служит философская категория причинности, а логической основой — экстраполяция знаний. Процесс экстраполяции использования нейросетей в судебной экспертизе в прогнозных целях включает:

— исходные данные для прогнозирования — знание о прошлом или настоящем процесса экспертного исследования;

— основание для прогнозирования, т. е. знания о необходимых или вероятных направлениях развития экспертных технологий;

— процесс переноса знаний об использовании нейросетей из других сфер деятельности, получение прогноза, т. е. вероятного вывода в будущем;

— оценка прогноза с точки зрения как его достоверности, так и содержания, т. е. той ситуации, которая может возникнуть в судебной экспертизе, если прогноз осуществится;

— реализация прогноза, т. е. формирование системы рекомендаций, обеспечивающих преодоления негативных последствий применения нейросетей в экспертной деятельности.

При создании экспертных методик на основе нейросетей необходимо учитывать модельный риск — риск возникновения нежелательных последствий из-за ошибок процессов разработки и применения алгоритмов, используемых в принятии решений. Источники модельного риска в судебно-экспертной деятельности, связанные с неактуальностью и недостатком данных, их предвзятостью, некорректностью и предвзятостью моделей, неверной интерпретацией результатов, отображены на рис. 2[429].

Рис. 2. Источники модельного риска в судебно-экспертной деятельности

Создание экспертных методик на основе нейросетей необходимо начать с определения способов сбора данных. Выше уже было отмечено, что пока в судебно-экспертной деятельности следует использовать алгоритмы обучения с учителем (контролируемого обучения).

Обучение с учителем — это подход к машинному обучению, основанный на использовании наборов размеченных данных, например признаков на пулях и гильзах в баллистической экспертизе[430]. Эти наборы данных применяются для классификации данных или точного прогнозирования результатов. Используя размеченные входы и выходы, модель может сопоставлять входные данные и полученные результаты на точность и постепенно обучаться.

Обучение с учителем может быть двух типов: классификация и регрессия. В задачах классификации используется алгоритм точного распределения тестовых данных по категориям. Распространенными алгоритмами классификации являются метод опорных векторов, деревья решений и случайный лес[431]. Другой тип метода контролируемого обучения — регрессия, когда используется алгоритм, способный прогнозировать ответ из неограниченного числового множества, например есть данные о посещениях занятий и итоговых оценках студентов, и на основании этих данных требуется спрогнозировать посещаемость по итоговым оценкам.

Для разработки экспертных методик на основе нейросетей необходимо создание баз данных — датасетов (англ. — Dataset), которые представляют собой собранные, аннотированные и подготовленные данные по родам и видам судебных экспертиз (признаков), используемые для тренировки и тестирования моделей машинного обучения. Каждый образец представляет собой входные признаки и соответствующий им выходной или целевой признак. Первым шагом в создании датасета является сбор данных, затем аннотация данных — процесс разметки данных с метками, которые указывают на интересующие признаки. Например, для задачи классификации в баллистической экспертизе аннотация может включать в себя присвоение меток к следам нарезов на пуле. Далее идет фильтрация данных, которая дает возможность удалить выбросы, неполные данные или повторы и позволяет избежать переобучения модели. Последним этапом является проверка качества датасета, которая включает анализ сбалансированности, проверку правильности аннотаций и другие метрики. В итоге датасет готов к использованию и может быть размещен в репозитории данных об объектах различных родов судебных экспертиз.

Источниками данных для судебно-экспертных датасетов, которые еще предстоит разработать, являются существующие экспертные методики, многочисленная научная литература по судебной экспертологии. В качестве источников можно применить и существующие экспертно-криминалистические учеты, которые ведутся на федеральном и региональном уровнях в ЭКЦ МВД России и ЭКЦ МВД, ГУВД, УВД субъектов РФ[432].

Источниками данных могут быть и справочно-информационные фонды (СИФ), которые формируются и ведутся в государственных судебно-экспертных учреждениях (СЭУ) и представляют собой натурные коллекции объектов и описания предметов, материалов, веществ, следы которых чаще всего обнаруживаются на местах происшествий. СИФы построены применительно к конкретным родам экспертиз, объектам или методам экспертного исследования и, как правило, являются АИПС.

Главной проблемой всех этих возможных исходных данных является разобщенность, поскольку они сосредоточены в рамках различных ведомств, осуществляющих судебно-экспертную деятельность, недостаточно структурированы и, зачастую, не содержат нужных сведений по современным объектам и методам экспертных исследований. Многие судебно-экспертные методики, разработанные в разных ведомствах, часто противоречат друг другу. Статьи с описанием новых экспертных методик публикуются в ведомственных изданиях, что затрудняет ознакомление с ними. К тому же, поскольку эти методики связаны с исследованием вещественных доказательств по уголовным делам, они имеют ограничения по доступу.

Все это пока не дает возможности говорить о создании единых датасетов и репозиториев по родам и видам экспертиз как хранилищ, содержащих собранные, аннотированные данные, поскольку их формирование требует, в первую очередь, согласования методических подходов различных ведомств к исследованию объектов судебных экспертиз. Тем не менее задачу необходимо хотя бы поставить и наметить направление ее решения в общероссийском масштабе, поскольку негосударственные судебно-экспертные организации и частные судебные эксперты уже начали при производстве экспертиз бесконтрольно использовать нейросети. Опасность заключается в невозможности в этих случаях проверять обоснованность выводов, поскольку правоприменители в достаточной степени не владеют специальными знаниями и, как показывает практика, слишком доверяют тем экспертным заключениям, где много математических выкладок и формул.

Выше уже упоминалось об изменениях компетенций судебных экспертов в связи с трансформациями методологии и технологий судебно-экспертных исследований. Внедрение искусственного интеллекта и нейросетей в судебно-экспертную деятельность обусловливает необходимость появления новых компетенций в судебной экспертологии, которые рассмотрим в русле решения задач машинного обучения.

1. Подготовка данных включает определение того, какие типы данных есть, и проверку их качества. Данные могут быть представлены в виде таблиц, необработанных текстов, изображений или даже графов. С каждым из этих типов данных хорошо работают разные модели машинного обучения. Как и в других отраслях науки, внедрение нейросетей и других алгоритмов искусственного интеллекта обусловливает появление в судебной экспертологии аналитика данных (англ. — Data Analyst) — специалиста, который описывает данные, выявляет в них тренды, анализирует полученные результаты для понимания влияния разных признаков друг на друга. Данные хранятся в датасетах, и аналитики должны уметь с помощью языка запросов извлекать их, отбирать релевантные экспертные признаки, как правило, только самые актуальные. На практике предлагается оставить 20–30 самых подходящих[433]. Этот этап нужен, когда используются нейросети, обучаемые с учителем. В дальнейшем, если будут применяться глубокие нейронные сети, они могут сами извлекать признаки из неструктурированных данных: текстов, фотографий, аудио и видеоизображений.

Аналитик экспертных данных должен обладать знаниями судебной экспертологии и иметь опыт экспертной работы, широкий кругозор и высокий уровень компетенции в данном роде (виде) судебной экспертизы (свойства и признаки объектов, методики и методические подходы экспертных исследований и пр.). Если он не имеет естественнонаучного или инженерного образования, то должен пройти профессиональную переподготовку по математике, теории вероятностей и математической статистике. Аналитики используют Python[434] для анализа, тестирования гипотез, проведения A/B-тестов. Знание IT-инструментов ограничивается Python и SQL[435].

2. Задача инженера экспертных данных (англ. — Data Engineer) структурировать данных в хранилище данные, следить за их целостностью и качеством, контролировать доступы к данным. Он владеет современными технологиями и подходами в области обработки данных, анализирует данные, строит модели и тестирует их. В проектах по экспертному прогнозированию и прогнозной аналитике он может осуществлять содействие в поиске данных. Инженер данных должен разбираться в судебно-экспертных технологиях и знать теоретические и прикладные основы экспертологии.

3. Инженер машинного обучения (англ. — Machine Learning Engineer) обучает модель на данных, оценивает ее качество, проверяет, насколько она эффективна и соответствует заданным результатам (ML-метрикам), устраняет ошибки. Если точность модели падает, инженер выявляет причины и переобучает алгоритм, адаптируя его под изменения данных. Инженер по машинному обучению должен быть специалистом в области IT-технологий, т. е. обладать знаниями алгоритмов машинного обучения, математической статистики, теории вероятности, а также иметь опыт работы в области машинного обучения, разработки программного обеспечения, обработки данных или смежных областях.

В заключении необходимо отметить, что использование нейросетей и других алгоритмов искусственного интеллекта в судебно-экспертных исследованиях открывает совершенно новые перспективы получения криминалистически значимой доказательственной и ориентирующей информации. Но поскольку предвидятся серьезные риски широкого применения подобного инструментария, процесс его создания должен осуществляться на государственном уровне. Полагаем, что необходимо поддерживать разработчиков отдельных датасетов и нейросетей обучения с учителем по родам экспертиз в СЭУ различных ведомств и выносить результаты работы не только на научные конференции, но и докладывать и обсуждать них на заседаниях Правительственной комиссии по координации судебно-экспертной деятельности в Российской Федерации[436] и Технического комитета по стандартизации «Судебная экспертиза»[437].