Правосудие в современной России. Том 2 - Екатерина Владимировна Михайлова
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
