ИСКУССТВЕННЫЙ ИНТЕЛЕКТ В ТРАСОЛОГИИ

Статья подготовлена на основе материалов выпускной квалификационной работы автора «Применение автоматизированных систем для трасологического исследования следов обуви», выполненной на кафедре судебной экспертизы юридического факультета ННГУ им. Н.И. Лобачевского под научным руководством канд. юрид. наук, доцента Лушина Е.А.

АННОТАЦИЯ

Трасология как традиционная область криминалистической экспертизы переживает период цифровой трансформации, обусловленной внедрением технологий искусственного интеллекта. В статье анализируются современные возможности применения нейросетевых систем, алгоритмов машинного обучения и компьютерного зрения для автоматизации сравнительного исследования материальных следов преступлений. Рассматриваются практические примеры использования ИИ в дактилоскопической, трасологической и транспортно-трасологической экспертизах, оценивается их эффективность и выявляются основные проблемы интеграции этих технологий в экспертную деятельность. Обосновывается необходимость создания репрезентативных баз данных, стандартизации процессов цифровой фиксации следов и разработки нормативного регулирования применения ИИ-систем. Показано, что искусственный интеллект не заменяет эксперта-трасолога, а выступает вспомогательным инструментом повышения объективности и воспроизводимости исследований. Результаты научной статьи аппробированны в научной работе.

ABSTRACT

Traceology as a traditional area of forensic examination is undergoing a period of digital transformation driven by the introduction of artificial intelligence technologies. The article analyzes modern possibilities of using neural network systems, machine learning algorithms and computer vision to automate comparative study of material traces of crimes. Practical examples of AI use in fingerprint, trace and transport-trace examinations are considered, their effectiveness is evaluated and main problems of integrating these technologies into expert activities are identified. The need to create representative databases, standardize processes of digital recording of traces and develop regulatory framework for AI systems application is substantiated. It is shown that artificial intelligence does not replace a trace expert but acts as an auxiliary tool to increase objectivity and reproducibility of research.

Ключевые слова: трасология, искусственный интеллект, нейросетевые технологии, машинное обучение, автоматизация экспертизы, цифровые следы, трасологическая идентификация.

Keywords: traceology, artificial intelligence, neural network technologies, machine learning, expertise automation, digital traces, tracological identification.

Традиционная трасология основывается на визуальном сравнении следов, обнаруженных на месте происшествия, с образцами, полученными от проверяемых объектов. Этот подход требует высокой квалификации эксперта, значительных временных затрат и нередко приводит к субъективности выводов. Обработка даже одного следа обуви методом ручного исследования может занять несколько часов, что при массовом характере преступлений делает традиционные методы малоэффективными [3, с. 267]. Ситуация осложняется тем, что количество объектов, изымаемых с мест преступлений, неуклонно растет. За последние пять лет трасологические экспертизы уверенно удерживают второе место по числу проведенных исследований в системе МВД России, однако количество идентификационных заключений, непосредственно способствующих раскрытию преступлений, снижается.

Переход к автоматизированным методам в трасологии начался с разработки информационно-поисковых систем, позволяющих оцифровывать, хранить и автоматически сопоставлять изображения следов [8]. Ряд отечественных программных комплексов, включая систему «Арсенал», ориентирован на создание экспертных баз данных, где каждая запись включает изображение следа, сведения об обстоятельствах его обнаружения, тип поверхности, параметры протектора и другие характеристики, что обеспечивает поиск по совокупности признаков и формирование списка наиболее близких объектов.

Применение 3D-технологий в трасологических исследованиях открывает новые возможности для детальной фиксации объемных следов [4, с. 6]. С помощью ручных сканеров получают цифровые трехмерные модели следов обуви, что позволяет не только повысить качество иллюстративного материала, но и сохранить следы от неблагоприятных воздействий, которые имеют место при традиционных способах фиксации – изготовлении гипсовых слепков, реплик, оттисков. Полученная цифровая трехмерная модель изучается в специальной программе, где эксперт проводит различные измерения. Для иллюстрации решения идентификационной задачи наряду со сканированием представленного на исследование следа в лабораторных условиях сканируются экспериментальные следы. Цифровая модель следа назначается эталоном, и автоматизированно происходит сравнение с цифровой моделью экспериментального следа, результатом чего является цветовая картина отклонений – совпадающие поверхности выделяются зеленым цветом, максимальные отклонения – красным и синим.

Алгоритмы машинного обучения и нейросетевого анализа в трасологической экспертизе

Искусственный интеллект в расследовании преступлений используется для автоматизированного анализа, распознавания закономерностей и прогнозирования возможных связей между участниками противоправных действий [1, с. 11]. Нейросетевые методы, комбинированные методы, структурные методы и кластерный анализ позволяют реализовать способы автоидентификации объектов трасологических учетов. Комплексное использование этих технологий решает ключевую задачу совершенствования организации ведения трасологических учетов [2, с. 14].

Коммерческие системы автоматического сопоставления следов обуви, основанные на алгоритмах машинного обучения и глубоких нейронных сетях, оперируют базами, насчитывающими десятки тысяч цифровых изображений подошв, обеспечивают автоматический отбор наиболее похожих образцов и сокращают время экспертного поиска.

Отечественные исследования подтверждают перспективность применения нейросетей. Студентами инженерного Колумбийского университета в 2024 году произведено исследование посредством искусственного интеллекта, опровергающее устоявшееся утверждение об уникальности отпечатков пальцев на одной руке человека. Вопреки традиционного анализа отпечатков на основе папиллярных узоров разработанный ИИ обращает внимание на иной маркер – углы, кривизну завитков и петель в центре отпечатка пальца. Авторами исследования было внесено 60 000 отпечатков пальцев из базы данных правительства США в систему «deep contrastive network» с задачей найти отпечатки, принадлежащие одному человеку. Результат определения для одной пары составил 77% и значительно повышался применительно к нескольким парам [9, с. 43].

В 2024 году Следственным комитетом РФ был принят Приказ № 62 «О порядке работы с цифровыми доказательствами», где впервые отдельно упоминается возможность применения автоматизированных средств анализа цифровой информации. Документ устанавливает, что результаты машинной обработки не могут подменять выводы эксперта, но могут использоваться для выявления значимых закономерностей и предварительной сортировки данных [1, с. 28]. По данным МВД РФ, в 2024 году с помощью систем анализа цифровых следов было раскрыто около 63% преступлений, связанных с мошенничеством в интернете, а время обработки цифровых материалов сократилось в среднем на 40%.

Дефицит репрезентативных баз данных является одной из ключевых проблем. Для обучения нейросетей требуются тысячи размеченных изображений следов с известными характеристиками следообразующих объектов. В России такие базы либо отсутствуют, либо имеют ограниченный объем и не покрывают всего многообразия реальных следов [7]. Создание национальной базы данных трасологических объектов с едиными требованиями к качеству изображений, разрешению, освещению, углу съемки – первоочередная задача для успешной интеграции ИИ-технологий.

Впрочем, проблема не сводится только к объему данных. Недостаточная изученность механизма следообразования существенно осложняет разработку алгоритмов. Если с твердыми следовоспринимающими объектами (плитка, линолеум, пластиковый подоконник), на которых образуются поверхностные следы, особенности следового контакта возможно воспроизвести при экспертном эксперименте, то с объектами меньшей твердости это затруднительно. Определить и проанализировать свойства следовоспринимающих объектов, на которых образуются объемные следы обуви, ввиду их большого разнообразия, изменчивости и необходимости использования данных из других областей знаний (физика, метеорология) эксперту самостоятельно невозможно [6].

Вопросы процессуального статуса результатов, полученных с применением ИИ, остаются открытыми. В соответствии со статьей 74 Уголовно-процессуального кодекса Российской Федерации (в редакции 2025 года), доказательствами по уголовному делу признаются любые фактические данные, полученные в установленном законом порядке [1, с. 42]. Это означает, что результаты анализа, проведенного с применением ИИ, могут быть признаны доказательствами только при условии документирования всех этапов их получения и возможности последующей экспертной проверки. Необходимо обеспечить прозрачность алгоритмов, использование технологий объяснимого искусственного интеллекта (XAI-систем), обеспечивающих создание систем, способных объяснять свои действия и принимать решения понятным для человека образом [5, с. 13].

Систематическое проведение валидационных исследований с использованием реальных и модельных данных представляется необходимым условием безопасной интеграции ИИ в экспертную деятельность. Требуется проверять точность и устойчивость алгоритмов на независимых выборках следов, включая сложные случаи – частичные, смазанные, с помехами, а также вырабатывать методику интерпретации полученных вероятностных оценок для нужд судебной экспертизы [7].

Нормативное закрепление условий использования ИИ-систем в экспертизе позволит снять часть опасений участников процесса и обеспечить предсказуемость судебной практики. Разработка положений, определяющих требования к программным средствам, порядок их сертификации, тестирования и документирования, необходима для формирования правовой основы применения интеллектуальных систем [7].

Повышение квалификации экспертов – еще одно важное направление. Согласно методическим рекомендациям МВД РФ 2024 года, специалисты, работающие с цифровыми доказательствами, должны владеть навыками идентификации цифровых следов, понимать принципы работы алгоритмов анализа и уметь интерпретировать результаты автоматической обработки данных [1, с. 5]. Интеграция курсов по основам машинного обучения и компьютерного зрения в программы подготовки экспертов-криминалистов становится насущной потребностью.

Дистанционный доступ к базе данных трасологических учетов может быть реализован за счет использования клиент-серверной сетевой архитектуры [2, с. 18]. Такое решение позволит специалисту, находящемуся на месте происшествия, осуществить выгрузку изображения следа в базу данных и дальнейшую автоматическую проверку по имеющемуся массиву непосредственно через аппаратно-программный комплекс. Это существенно сократит время от момента обнаружения следа до получения предварительных результатов сопоставления и ускорит раскрытие преступлений по горячим следам.

Заключение

Интеграция искусственного интеллекта в трасологию представляет собой закономерный этап развития криминалистической науки, обусловленный ростом массива исследуемых следов, ограниченностью человеческих ресурсов и необходимостью повышения объективности экспертных выводов. Практическое применение нейросетевых технологий в дактилоскопических системах продемонстрировало их высокую эффективность – сокращение временных затрат, снижение влияния субъективного фактора, возможность выявления скрытых связей между преступлениями.

В отечественных условиях уровень автоматизации трасологических экспертиз остается невысоким, что связано с комплексом нерешенных проблем. Отсутствие репрезентативных баз данных, единых стандартов цифровой фиксации, полноценной валидации алгоритмов и нормативного регулирования применения ИИ-систем препятствует широкому внедрению технологий. Анализ экспертной практики свидетельствует о том, что информационные технологии нередко сводятся к использованию графических редакторов, тогда как полноценные информационно-поисковые системы с элементами машинного обучения внедрены эпизодически.

Перспективы развития связаны с дальнейшей цифровизацией процессов исследования, применением технологий объяснимого искусственного интеллекта, 3D-моделированием и созданием коллаборативных интеллектуальных решений, способствующих взаимодействию человека с техникой. Использование технологий ИИ в целях поиска, анализа и интерпретации следов представляет собой переход к новой парадигме криминалистического мышления, основанной на цифровом моделировании и интеллектуальном анализе данных.

Список литературы:

1. Быстров А.П. Роль искусственного интеллекта в анализе цифровых следов при расследовании преступлений // Вестник криминалистики. 2024. № 2. С. 20–32. URL: https://cyberleninka.ru/article/n/rol-iskusstvennogo-intellekta-v-analize-tsifrovyh-sledov-pri-rassledovanii-prestupleniy (дата обращения: 08.01.2025).
2. Зайцева Е.А. Цифровизация трасологической информации как один из ресурсов раскрытия преступлений по горячим следам // Вестник криминалистики. 2023. № 3. С. 12–19. URL: https://cyberleninka.ru/article/n/tsifrovizatsiya-trasologicheskoy-informatsii-kak-odin-iz-resursov-raskrytiya-prestupleniy-po-goryachim-sledam (дата обращения: 08.01.2025).
3. Коваленко А.В., Остафиив Б.Л., Стахив Н.В. Использование 3D-технологий при проведении судебных трасологических экспертиз // Вестник Луганского учебно-научного института имени Э.О. Дидоренко. 2023. № 4. С. 267–278. URL: https://luhbulletin.dnuvs.ukr.education/index.php/main/article/view/161 (дата обращения: 08.01.2025).
4. Майлис Н.П. Инновационные технологии, способствующие развитию цифровой трасологии // Теория и практика судебной экспертизы. 2025. Т. 20. № 1. С. 6–10. URL: https://www.tipse.ru/jour/article/view/862/741 (дата обращения: 08.01.2025).
5. Николаева Т.Г. Оптимизация процесса поиска, анализа и интерпретации цифровых доказательств с использованием алгоритмов искусственного интеллекта // Юридическая наука и практика. 2024. № 2. С. 10–18. URL: https://cyberleninka.ru/article/n/optimizatsiya-protsessa-poiska-analiza-i-interpretatsii-tsifrovyh-dokazatelstv-s-ispolzovaniem-algoritmov-iskusstvennogo-intellekta (дата обращения: 08.01.2025).
6. Смирнов М.В. Перспективы совершенствования трасологических исследований следов обуви // Экспертная практика. 2023. № 4. С. 45–52. URL: https://cyberleninka.ru/article/n/perspektivy-sovershenstvovaniya-trasologicheskih-issledovaniy-sledov-obuvi (дата обращения: 08.01.2025).
7. Соколов А.Д. Искусственный интеллект в трасологии: автоматический сравнительный анализ следов обуви и шин // Молодой ученый. 2025. № 8. С. 124–129. URL: https://moluch.ru/archive/622/136271 (дата обращения: 08.01.2025).
8. Федорова И.С. Использование современных информационных технологий в производстве трасологических экспертиз и исследований // Вестник Московского университета МВД России. 2023. № 3. С. 88–93. URL: https://cyberleninka.ru/article/n/ispolzovanie-sovremennyh-informatsionnyh-tehnologiy-v-proizvodstve-trasologicheskih-ekspertiz-i-issledovaniy (дата обращения: 08.01.2025).
9. Чернова Л.И. Применение искусственного интеллекта в исследовании материальных следов преступлений // Криминалистика и судебная экспертиза. 2024. № 5. С. 40–47. URL: https://cyberleninka.ru/article/n/primenenie-iskusstvennogo-intellekta-v-issledovanii-materialnyh-sledov-prestupleniy/pdf (дата обращения: 08.01.2025).