Статья опубликована в рамках: Научного журнала «Студенческий» № 31(369)
Рубрика журнала: Безопасность жизнедеятельности
Скачать книгу(-и): Скачать книгу
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ РУКОВОДИТЕЛЕМ СУДЕБНО-ЭКСПЕРТНОГО УЧРЕЖДЕНИЯ НА ОСНОВЕ ЗАДАЧИ О НАЗНАЧЕНИЯХ И РЕТРОСПЕКТИВНОЙ ИНФОРМАЦИИ
INTELLIGENT DECISION SUPPORT SYSTEM FOR THE HEAD OF A FORENSIC EXPERT INSTITUTION BASED ON THE ASSIGNMENT PROBLEM AND RETROSPECTIVE INFORMATION
Аннотация
В работе исследуется возможность разработки интеллектуальной системы, предназначенной для поддержки принятия решений руководителем судебно-экспертного учреждения ФПС. В основе системы лежит математическая модель задачи о назначениях. Авторы предлагают формализовать распределение заданий для судебных экспертов, принимая во внимание их профессиональную компетентность, ограничения по нагрузке, срочность экспертиз, а также правовые запреты. Акцент сделан на применении ретроспективных данных о работе учреждения, что дает возможность перейти от статической оптимизации к адаптивному управлению с обратной связью.
Abstract
The paper explores the feasibility of developing an intelligent decision support system for the head of a forensic expert institution within the Federal Fire Service. The system is based on a mathematical model of the assignment problem. The authors propose a formalization of the distribution of forensic expert tasks, considering the professional competence of experts, workload limitations, the urgency of examinations, and legal restrictions. Particular emphasis is placed on utilizing retrospective data on the institution's performance, enabling a shift from a static optimization model to an adaptive control system with feedback.
Ключевые слова: судебно-экспертное учреждение; интеллектуальная система; задача о назначениях; поддержка принятия решений; ретроспективная информация; адаптивное управление; искусственный интеллект.
Keywords: forensic institution; intelligent system; assignment problem; decision support; retrospective information; adaptive management; artificial intelligence.
Введение
Судебно-экспертные структуры ФПС являются важным звеном системы МЧС России. Сегодня их работа связана с увеличением числа и усложнением экспертных поручений, недостатком кадров и сжатыми процессуальными сроками. Причинами этого выступают ежегодный рост ущерба в расчете на один пожар [1], необходимость привлекать специалистов высокой квалификации в области пожарной безопасности при невысоком уровне оплаты труда, а также требования уголовно-процессуального закона к продолжительности расследования.
В подобных обстоятельствах возрастает значимость задачи повышения обоснованности и результативности управленческих решений, принимаемых руководителем. Привычные способы распределения экспертных поручений, опирающиеся главным образом на опыт и интуицию, не дают формальной оценки альтернатив и осложняют анализ эффективности управления.
В соответствии со ст. 14 Федерального закона от 31 мая 2001 г. № 73-ФЗ «О государственной судебно-экспертной деятельности в Российской Федерации» руководитель государственного судебно-экспертного учреждения устанавливает, возможно ли выполнить экспертизу в учреждении; решает, кому поручить ее — конкретному специалисту или комиссии; планирует загрузку оборудования; следит за соблюдением сроков с учетом дат, назначенных судом; оценивает полноту и качество исследований, не нарушая независимость эксперта.
Многие из этих решений имеют формализуемый характер и могут быть описаны методами теории управления и исследования операций [2].
Судебно-экспертное учреждение можно представить как иерархическую организационную систему, включающую:
- экспертный состав с разной квалификацией, специализацией и стажем;
- поток заданий (постановлений или определений), различающихся предметной областью, сложностью и сроками;
- ограниченные ресурсы (лаборатории, оборудование, информационное обеспечение, время);
- нормативно-правовые рамки (процессуальные сроки, независимость и компетентность эксперта).
Один из перспективных путей — интеллектуальные системы поддержки принятия решений, опирающиеся на математические модели оптимального распределения ресурсов [3]. В данной работе в качестве такой модели выступает задача о назначениях, адаптированная к деятельности судебно-экспертного учреждения ФПС.
Постановка задачи управления судебно-экспертным учреждением
Пусть имеется судебно-экспертное учреждение, где определено множество экспертов (сотрудников и работников, чьи служебные обязанности включают производство судебных экспертиз и исследований) и множество заданий (постановлений или определений о назначении судебных экспертиз от дознавателей ГПН, следователей МВД, СК России, а также исследований). Каждое задание описывается вопросами, вынесенными на разрешение, трудоемкостью и сроком. Каждый эксперт имеет свой уровень компетентности и предел допустимой загрузки.
Обозначим множество экспертов как
и множество судебно-экспертных заданий
Руководитель должен так распределить задания между экспертами, чтобы качество работы учреждения было наилучшим при соблюдении организационных и правовых ограничений. Иными словами, требуется максимизировать качество заключений при соблюдении сроков и рациональном расходовании ресурсов.
Математическая модель задачи о назначениях
Введем бинарные переменные
Целевая функция модели имеет вид:
где: коэффициенты характеризуют ожидаемое качество выполнения задания экспертом .
Модель дополняется системой ограничений, которые учитывают допустимую загрузку экспертов, необходимость назначения каждого задания и наличие правовых запретов на отдельные назначения:
Система ограничений включает
- условие уникальности назначения экспертизы;
- ограничение допустимой загрузки эксперта с учетом трудоемкости задания и максимальной нагрузки;
- ограничения правового и организационного характера, связанные с конфликтом интересов и отсутствием допуска к самостоятельному производству судебных экспертиз.
Учет ретроспективной информации в принятии управленческих решений
Существенным развитием модели становится использование ретроспективных сведений о работе учреждения и отдельных экспертов. Под такими сведениями понимаются данные о ранее выполненных экспертизах, фактических сроках, качестве заключений, а также показатели загрузки и результативности экспертов.
Формально каждому эксперту ei сопоставляется вектор ретроспективных показателей
,
который включает, например, среднее время выполнения экспертиз, долю экспертиз, выполненных с нарушением сроков, и показатели качества экспертных заключений.
В этом случае коэффициенты полезности определяются как функция текущих характеристик эксперта и задания, а также ретроспективных показателей:
где — уровень компетентности эксперта, — трудоемкость задания, — коэффициент срочности.
Преимущества и ограничения применения
Основные преимущества ИИ-руководителя:
- уменьшение субъективности при распределении заданий;
- повышение эффективности использования кадровых ресурсов;
- возможность быстрого пересчета решений при изменении входных условий;
- накопление и анализ управленческой статистики.
- Ограничения обусловлены:
- неполной формализуемостью некоторых управленческих факторов (психологические аспекты, неявные риски);
- необходимостью строгого соблюдения принципов независимости и персональной ответственности эксперта;
- требованиями к защите информации и персональных данных.
Благодаря ретроспективной информации удается перейти от статической модели распределения к адаптивной системе управления с обратной связью. Результаты ранее принятых решений используются для настройки параметров модели, что повышает устойчивость и обоснованность следующих решений руководителя.
Интеллектуальная система поддержки принятия решений руководителя
На основе предложенной модели строится интеллектуальная система поддержки принятия решений. Она собирает и анализирует информацию, рассчитывает оптимальное распределение заданий и выдает руководителю интерпретируемые рекомендации [4].
Принципиально, что система не подменяет управленческую функцию руководителя, а служит инструментом поддержки, повышающим воспроизводимость и обоснованность решений.
Сравнительная оценка эффективности
Сопоставление предложенного подхода с традиционными методами управления показывает, что формализованная модель задачи о назначениях с учетом ретроспективной информации обеспечивает более равномерную загрузку экспертов, снижает риск нарушения сроков и повышает интегральный показатель качества управления.
При коллегиальном проведении экспертиз модель расширяется до многократной задачи о назначениях или задачи с дополнительными связующими ограничениями. Рассматриваемая модель относится к целочисленным задачам линейного программирования. В базовой постановке она решается за полиномиальное время венгерским алгоритмом, а при дополнительных ограничениях — методами ветвей и границ или эвристиками.
Архитектура и алгоритмическая реализация ИИ-руководителя
Предлагаемая архитектура ИИ-руководителя включает:
- модуль сбора данных, накапливающий сведения о делах, экспертах и ресурсах;
- модуль формализации, переводящий входные данные в параметры оптимизационной модели;
- оптимизационный модуль, реализующий алгоритмы решения задачи о назначениях (в том числе венгерский алгоритм и его модификации);
- модуль объяснимости, формирующий обоснование решения для руководства и контрольных органов;
- интерфейс принятия решений, позволяющий руководителю утверждать, корректировать или отклонять предложения ИИ.
В этой концепции ИИ не заменяет руководителя полностью, а выступает цифровым управленческим агентом, обеспечивающим обоснованность и воспроизводимость решений [5].
Преимущества и ограничения применения
К основным преимуществам ИИ-руководителя относятся:
- снижение субъективности при распределении заданий;
- повышение эффективности использования кадровых ресурсов;
- возможность быстрого перерасчета решений при изменении входных условий;
- накопление и анализ управленческой статистики.
Эти положения подтверждаются научными публикациями: обзорные исследования отмечают, что ИИ-технологии обеспечивают высокую точность, стабильность результатов и сокращение времени реакции, а интеллектуализация систем поддержки принятия решений позволяет учитывать многопараметрические зависимости, недоступные для одновременного анализа руководителем, и сокращать время принятия решений.
Ограничения связаны с:
- неполной формализуемостью некоторых управленческих факторов (психологические аспекты, неявные риски);
- необходимостью строгого соблюдения принципов независимости и персональной ответственности эксперта;
- требованиями к защите информации и персональных данных.
Литература конкретизирует эти ограничения: необходимы качественные обучающие данные, значительны затраты на внедрение и сопровождение, сохраняются проблемы интерпретируемости решений («черный ящик»), риски чрезмерного доверия к результатам ИИ, «галлюцинаций» нейросетей, предвзятости алгоритмов и нарушения приватности. Правовая неопределенность связана с отсутствием у ИИ статуса субъекта права: ответственность за последствия его работы несет физическое или юридическое лицо.
Правовые и этические аспекты
С точки зрения права ИИ-руководитель не может рассматриваться как самостоятельный субъект управления. Юридическая ответственность за принимаемые решения должна оставаться за должностным лицом. Поэтому ИИ целесообразно использовать как систему поддержки принятия решений, а не как автономного управленца. Этически значимым является обеспечение прозрачности алгоритмов и недопущение дискриминационных практик при распределении экспертных заданий.
Эти положения подтверждаются научными публикациями. Существующее процессуальное законодательство Российской Федерации не адаптировано к специфике ИИ как инструмента эксперта, что создает риски для достоверности доказательств и легитимности судебных решений; обосновывается необходимость разработки специальных федеральных стандартов и внесения изменений в процессуальные кодексы, которые закрепят статус ИИ-инструментов, процедуру валидации алгоритмов и критерии оценки заключения судебного эксперта. Судебная практика показывает, что использование искусственного интеллекта не освобождает от ответственности за достоверность представленной информации: в деле № А27-7831/2025 суд квалифицировал ссылки на несуществующую практику как предоставление заведомо ложных сведений и наложил штраф 50 000 рублей. Для судебной экспертизы этот вопрос особенно чувствителен, поскольку экспертное заключение — процессуально значимое доказательство, и любая ошибка может поставить под сомнение результаты исследования.
Литература конкретизирует и этические ограничения. Ключевой проблемой остается «черный ящик» — непрозрачность алгоритмов, препятствующая полной юридической оценке результатов и несовместимая с требованиями процессуального права о проверяемости и воспроизводимости экспертных заключений. Рассматривается риск замещения эксперта алгоритмическими решениями и связанное с этим снижение качества судебных выводов и утрата профессиональной автономии. Правовая неопределенность связана с отсутствием у ИИ статуса субъекта правоотношений: пока речь идет о так называемом слабом ИИ, ответственность за его действия в зависимости от обстоятельств может нести или разработчик, или владелец системы. Этически значимым остается обеспечение транспарентности алгоритмов и недопущение дискриминационных практик.
Заключение
В статье предложен подход к созданию интеллектуальной системы поддержки принятия решений руководителя судебно-экспертного учреждения федеральной противопожарной службы на основе задачи о назначениях. Учет ретроспективной информации позволяет рассматривать управление учреждением как адаптивный процесс с обратной связью, что соответствует современным требованиям и определяет научную и практическую значимость полученных результатов.
Проведённое исследование позволяет сформулировать следующие выводы.
1. Показана принципиальная возможность формализации процесса распределения судебно-экспертных заданий в виде задачи о назначениях, учитывающей профессиональную компетентность экспертов, допустимую загрузку, срочность экспертиз и правовые ограничения.
2. Установлено, что применение оптимизационной модели создаёт основу для повышения обоснованности управленческих решений, снижения субъективности и обеспечения воспроизводимости процедуры назначения экспертов.
3. Обосновано, что включение ретроспективных показателей деятельности учреждения и отдельных экспертов переводит модель из статической в адаптивную, позволяя корректировать параметры распределения с учётом фактических результатов ранее выполненных экспертиз.
4. Предложена концептуальная архитектура ИИ-руководителя, включающая модули сбора данных, формализации, оптимизации, объяснимости и интерфейс принятия решений. Такая структура обеспечивает не только расчёт оптимального распределения, но и интерпретацию полученных рекомендаций для руководителя и контрольных органов.
5. Подчёркнуто, что интеллектуальная система не подменяет руководителя и не является самостоятельным субъектом управления. Юридическая ответственность за принимаемые решения сохраняется за должностным лицом, а ИИ выполняет роль цифрового управленческого агента.
6. Показано, что использование предложенного подхода способствует более равномерной загрузке экспертов, снижению рисков нарушения процессуальных сроков и повышению интегрального показателя качества управления судебно-экспертным учреждением.
7. Определены ограничения применения модели, связанные с неполной формализуемостью отдельных управленческих факторов, необходимостью соблюдения принципа независимости эксперта, а также требованиями к защите информации и персональных данных.
8. Обозначены перспективы дальнейших исследований: интеграция системы с ведомственными информационными ресурсами, развитие методов объяснимого искусственного интеллекта, уточнение функций полезности и критериев качества экспертной деятельности, а также экспериментальная апробация модели в реальных условиях судебно-экспертных учреждений ФПС.
9. Научная значимость работы состоит в развитии методов исследования операций и теории управления применительно к судебно-экспертной деятельности, а практическая ценность — в создании методической основы для разработки систем поддержки принятия решений в учреждениях федеральной противопожарной службы.
Таким образом, предложенный подход может рассматриваться как инструмент совершенствования управленческой деятельности, обеспечивающий баланс между формализованными оптимизационными процедурами и сохранением ответственности, независимости и профессионального усмотрения эксперта.
Список литературы
1. В.С. Гончаренко, Т.А. Чечетина, В.И. Сибирко. Пожары и пожарная безопасность в 2023 году: информационно-аналитический сборник. – Балашиха: ФГБУ ВНИИПО МЧС России, 2024. – 110 с.
2. С.А. Назаров, В.В. Плешаков, И.А. Степанова. Расследование и экспертиза пожаров: Учебное пособие. – Москва: Издательство Юрайт, 2024. – 289 с.
3. Плешаков, В.В. Применение теории игр в судебном разбирательстве по делам о пожарах / В.В. Плешаков, Р.Г. Санакоев, Е.А. Матюшина // Культура и безопасность. – 2024. – № 1. – С. 77–85. – DOI: 10.25257/KB.2024.1.77–85.
4. Вентцель, Е.С. Исследование операций: задачи, принципы, методология: учеб. пособие для студентов вузов, обучающихся по направлению «Математика. Компьютер. науки» / Е.С. Вентцель; Е.С. Вентцель. – 4-е изд., стер. (Высшее образование). – EDN OTBHAP. – Москва: Дрофа, 2006.
5. Топольский Н.Г., Вилисов В.Я. Методы, модели и алгоритмы в системах безопасности: монография. – Москва: РИОР, 2021. – 475 с.
6. Referents.
7. V.S. Goncharenko, T.A. Chechetina, V.I. Sibirko [et al.]. Fires and Fire Safety in 2023: Information and Analytical Collection. – Balashikha: FGBU VNIIPO EMERCOM of Russia, 2024. – 110 P.
8. S.A. Nazarov, V.V. Pleshakov, I.A. Stepanova [et al.]. Investigation and expertise of fires: A textbook. – Moscow: Yurait Publishing House, 2024. – 289 P.
9. Pleshakov, V.V. Application of Game Theory in Court Proceedings on Fire Cases / V.V. Pleshakov, R.G. Sanakoev, E.A. Matyushina // Culture and Security. – 2024. – № 1. – P. 77–85. – DOI: 10.25257/KB.2024.1.77–85.
10. Ventzel, E.S. Operations research: tasks, principles, methodology: textbook. a manual for university students studying in the field of Mathematics. Computer. sciences« / E.S. Ventzel; E.S. Ventzel. – 4th ed., ster. (Higher education). – EDN OTBHAP. – Moscow: Bustard Publ., 2006.
11. Topolsky, N.G., Vilisov, V.Ya. Methods, Models, and Algorithms in Security Systems: A Monograph. – Moscow: RIOR, 2021. – 475 P.