ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ В ЦИФРОВОЙ КРИМИНАЛИСТИКЕ: АКТУАЛЬНЫЕ ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ

ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ В ЦИФРОВОЙ КРИМИНАЛИСТИКЕ: АКТУАЛЬНЫЕ ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ

Жумакулов Баходир Сунатуллаевич

Ташкентский университет информационных технологий

В современных условиях стремительного развития информационных технологий цифровая криминалистика приобретает всё большее значение в деятельности правоохранительных органов. Расследование киберпреступлений, мошенничества в цифровой среде, незаконного оборота данных и других правонарушений в информационном пространстве требует применения передовых инструментов анализа. В этом контексте технологии машинного обучения (Machine Learning, ML) открывают принципиально новые возможности для автоматизации криминалистических экспертиз и повышения их эффективности.

Целью настоящей работы является анализ актуальных направлений применения ML-технологий в цифровой криминалистике, выявление правовых и технических проблем, а также обозначение перспектив их развития в условиях Узбекистана.

Основные направления применения машинного обучения в цифровой криминалистике

Машинное обучение находит применение в нескольких ключевых областях криминалистической деятельности. Во-первых, это анализ вредоносного программного обеспечения: алгоритмы классификации позволяют идентифицировать новые разновидности малвэра, ранее не встречавшегося в базах сигнатур, на основе поведенческих паттернов и структурных признаков исполняемых файлов [1]. Точность детектирования при использовании ансамблевых методов достигает 97–99%, что значительно превышает возможности классического сигнатурного анализа.

Во-вторых, технологии компьютерного зрения применяются для анализа криминального контента: автоматического выявления изображений и видеозаписей незаконного характера в ходе расследований, связанных с распространением запрещённых материалов. Нейронные сети типа CNN (Convolutional Neural Network) обеспечивают обработку больших объёмов мультимедийных данных, изъятых в ходе следственных действий, в сжатые сроки [2].

В-третьих, NLP-методы (Natural Language Processing) применяются для анализа текстовых коммуникаций: переписки подозреваемых в мессенджерах, форумах даркнета и социальных сетях. Алгоритмы тематического моделирования и классификации тональности позволяют выявлять криминальные сговоры, угрозы и факты мошенничества среди миллионов сообщений.

Правовые и этические проблемы

Внедрение ML-инструментов в криминалистическую практику сопряжено с рядом серьёзных правовых вопросов. Прежде всего, встаёт проблема доказательственной силы заключений, сформированных с применением алгоритмов: суды требуют обоснования методологии, верификации модели и подтверждения её надёжности. Законодательство Республики Узбекистан в области судебной экспертизы на сегодняшний день не содержит специальных норм, регулирующих допустимость AI-генерированных заключений в качестве доказательств.

Не менее острой является проблема предвзятости алгоритмов (algorithmic bias): ML-модели, обученные на исторических данных правоохранительных органов, могут воспроизводить системные дискриминационные паттерны, что ставит под угрозу принцип равенства граждан перед законом [3]. Это требует обязательного аудита применяемых моделей на предмет дискриминационных эффектов.

Наконец, существенное значение имеют вопросы защиты персональных данных: обработка биометрических и поведенческих данных в криминалистических целях должна осуществляться в строгом соответствии с законодательством о персональных данных и при наличии надлежащих процессуальных оснований [4].

Перспективы и рекомендации

С учётом изложенного представляется целесообразным: разработать стандарты верификации и сертификации ML-инструментов для криминалистических экспертиз; включить в Закон Республики Узбекистан «О судебно-экспертной деятельности» нормы о допустимости AI-ассистированных заключений; создать специализированные программы подготовки криминалистов-аналитиков в области искусственного интеллекта на базе профильных вузов системы МВД; обеспечить международное сотрудничество в сфере обмена данными о киберугрозах для повышения качества обучающих датасетов [5].

Реализация данных мер позволит правоохранительным органам Узбекистана эффективно использовать потенциал машинного обучения при соблюдении принципов законности, объективности и уважения прав граждан.

Список литературы

1. Raff E., Barker J. et al. Malware Detection by Eating a Whole EXE // AAAI Workshop on Artificial Intelligence for Cyber Security. 2020.

2. Goodfellow I., Bengio Y., Courville A. Deep Learning. — MIT Press, 2021.

3. Chouldechova A. Fair Prediction with Disparate Impact: A Study of Bias in Recidivism Prediction Instruments // Big Data. 2022. Vol. 5, No. 2. P. 153–163.

4. Закон Республики Узбекистан «О персональных данных» от 02.07.2021 г.

5. Goodison S., Davis R., Jackson B. Digital Evidence and the U.S. Criminal Justice System // RAND Corporation Research Reports. 2022.