sudexpertТеория и практика судебной экспертизыTheory and Practice of Forensic Science1819-27852587-7275The Russian Federal Centre of Forensic Science10.30764/1819-2785-2024-3-33-46sudexpert-841Research ArticleТЕОРЕТИЧЕСКИЕ ВОПРОСЫTHEORETICAL ISSUESСоотношение понятий «искусственный интеллект» и «искусственная нейронная сеть» в судебной экспертологииThe Relationship between the Concepts of “Artificial Intelligence” and “Artificial Neural Networks” in Forensic Expertologyhttps://orcid.org/0000-0002-1391-4050МищукВ. А.MishchukV. A.

Мищук Всеволод Александрович – аспирант кафедры судебно-экспертной деятельности Юридического института

Москва 117198

Mishchuk Vsevolod Aleksandrovich – PhD student of the Department of Forensic Activities, Institute of Law

Moscow 117198

seva.mi.112@yandex.ruФГАОУ ВО «Российский университет дружбы народов имени Патриса Лумумбы»РоссияPeoples’ Friendship University of Russia named after Patrice LumumbaRussian Federation2024261020241933346Copyright © Мищук В.А., 20242024Мищук В.А.Mishchuk V.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.tipse.ru/jour/article/view/841

В работе рассмотрено соотношение «искусственного интеллекта» (ИИ) и «искусственной нейронной сети» в контексте судебной экспертологии. В последние годы наблюдается активный научный интерес к применению этих технологических новшеств в судебной экспертизе, что делает актуальным вопрос влияния этих явлений на судебно-экспертную деятельность в текущий момент и в долгосрочной перспективе. Выявление этих особенностей, как предполагается, будет способствовать более эффективной интеграции ИИ и нейросетей в данный вид деятельности на методическом, правовом и организационных уровнях. Чтобы продемонстрировать, как в целом связаны между собой искусственный интеллект и нейронные сети, а также чем они отличаются друг от друга, приведена краткая историческая справка по развитию идей ИИ-технологий и принципы работы некоторых из ИИ-систем, в частности – искусственных нейронных сетей. Предложены пути интеграции ИИ и нейросетей в судебно-экспертную деятельность на теоретическом и практическом уровнях.

The article addresses the relationship between the concepts of “artificial intelligence” (AI) and “artificial neural networks” (ANNs) in forensic context. Over the past few years there has been some growing scientific interest in applying these technologies in forensic examination, which makes the issue of how these developments are currently impacting forensic practice and how they might influence it in the long term quite relevant. The identification of their specific characteristics is expected to facilitate a more efficient integration of AI and ANNs into forensic activities at the methodological, legal, and organizational levels. To illustrate the general relationship between artificial intelligence (AI) and neural networks, and to demonstrate how they differ, the author provides a brief historical overview of the development of AI concepts and a description of the operating principles of certain AI systems, specifically artificial neural networks. The author also proposes the ways to integrate AI and neural networks into forensic activities at both theoretical and practical levels.

искусственный интеллектискусственные нейронные сетистандартизациясудебная экспертологиясудебно-экспертная деятельностьartificial intelligence (AI)artificial neural networks (ANN)standardizationforensic expertologyforensic activitiesReferencesКупин А.Ф., Коваленко А.С. К вопросу о возможностях применения систем искусственного интеллекта при криминалистическом исследовании документов и их реквизитов // Теория и практика судебной экспертизы. 2023. Т. 18. № 4. С. 28–35. https://doi.org/10.30764/1819-2785-2023-4-28-35Kupin A.F., Kovalenko A.S. On the Question of the Applicability of Artificial Intelligence Systems to Forensic Examination of Documents and Their Requisites. Theory and Practice of Forensic Science. 2023. Vol. 18. No. 4. P. 28–35. (In Russ.). https://doi.org/10.30764/1819-2785-2023-4-28-35Газизов В.А., Подволоцкий И.Н. Новые технологии и компетенции специалиста при комплексном исследовании цифровых изображений внешности человека // Теория и практика судебной экспертизы. 2024. Т. 19. № 1. С. 75–90. https://doi.org/10.30764/1819-2785-2024-1-75-90Gazizov V.A., Podvolotskiy I.N. New Technologies and Specialist Competencies in the Complex Study of Digital Images of a Person’s Appearance. Theory and Practice of Forensic Science. 2024. Vol. 19. No. 1. P. 75–90. (In Russ.). https://doi.org/10.30764/1819-2785-2024-1-75-90Кокин А.В. Судебная экспертиза в эпоху четвертой индустриальной революции (Индустрии 4.0) // Теория и практика судебной экспертизы. 2021. Т. 16. № 2. С. 29–36. https://doi.org/10.30764/1819-2785-2021-2-29-36Kokin A.V. Forensic Expertise in the Era of the Fourth Industrial Revolution (Industry 4.0). Theory and Practice of Forensic Science. 2021. Vol. 16. No. 2. P. 29–36. (In Russ.). https://doi.org/10.30764/1819-2785-2021-2-29-36Чеснокова Е.В., Усов А.И., Омельянюк Г.Г., Никулина М.В. Искусственный интеллект в судебной экспертологии. 2023. Т. 18. № 3. С. 60–77. https://doi.org/10.30764/1819-2785-2023-3-60-77Chesnokova E.V., Usov A.I., Omel’yanyuk G.G., Nikulina M.V. Artificial Intelligence in Forensic Expertology. Theory and Practice of Forensic Science. 2023. Vol. 18. No. 3. P. 60–77. (In Russ.). https://doi.org/10.30764/1819-2785-2023-3-60-77Кокин А.В., Денисов Ю.Д. Искусственный интеллект в криминалистике и судебной экспертизе: вопросы правосубъектности и алгоритмической предвзятости // Теория и практика судебной экспертизы. 2023. Т. 18. № 2. С. 30–37. https://doi.org/10.30764/1819-2785-2023-2-30-37Kokin A.V., Denisov Yu.D. Artificial Intelligence in Criminalistics and Forensic Examination: Issues of Legal Personality and Algorithmic Bias. Theory and Practice of Forensic Science. 2023. Vol. 18. No. 2. P. 30–37. (In Russ.). https://doi.org/10.30764/1819-2785-2023-2-30-37Россинская Е.Р. Нейросети в судебной экспертологии и экспертной практике: проблемы и перспективы // Вестник Университета имени О.Е. Кутафина (МГЮА). 2024. № 3(115). С. 21–33. https://doi.org/10.17803/2311-5998.2024.115.3.021-033Rossinskaya E.R. Neural Networks in Forensic Expertology and Expert Practice: Problems and Prospects. Courier of Kutafin Moscow State Law University (MSAL). 2024. Vol. 115. No. 3. P. 21–33. (In Russ.). https://doi.org/10.17803/2311-5998.2024.115.3.021-033Россинская Е.Р., Семикаленова А.И., Сааков Т.А. Теория информационно-компьютерного обеспечения криминалистической деятельности: монография. М.: Проспект, 2022. 256 с.Rossinskaya E.R.; Semikolenova A.I.; Saakov T.A. Theory of Information and Computer Support for Forensic Activity: Monograph. Moscow: Prospekt, 2022. 256 p. (In Russ.).Аристотель. Сочинения: в 4-х т. Т. 4 / Пер. с древнегреч.; общ. ред. А.И. Доватура. М.: Мысль, 1984. 830 с.Aristotle. Works in 4 Volumes / Dovator A.I (Ed.).Vol. 4. Moscow: Mysl’, 1984. 830 p. (In Russ.).Научно-образовательный портал «Большая российская энциклопедия». https://bigenc.ru/c/golem-93e841The Scientific and Educational Portal The Great Russian Encyclopedia. (In Russ.). https://bigenc.ru/c/golem-93e841Turing A. M. Computing Machinery and Intelligence. Springer Netherlands, 2009. P. 23–65.Turing A.M. Computing Machinery and Intelligence. Springer Netherlands, 2009. P. 23–65.Moor J. The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years // Ai Magazine. 2006. Vol. 27. No. 4. P. 87–88.Moor J. The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years. Ai Magazine. 2006. Vol. 27. No. 4. С. 87–88.Ertel W. Introduction to Artificial Intelligence. London: Springer, 2018. 316 p.Ertel W. Introduction to Artificial Intelligence. London: Springer, 2018. 316 p.Braitenberg V. Vehicles: Experiments in Synthetic Psychology. The MIT Press, 1986. 168 p.Braitenberg V. Vehicles: Experiments in Synthetic Psychology. The MIT Press, 1986. 168 p.Chollet F. Deep Learning with Python. Manning, 2021. 504 p.Chollet F. Deep Learning with Python. Manning, 2021. 504 p.Le Cun Y. Quand la Machine Apprend: la Révolution des Neurones Artificiels et de L’apprentissage Profond. Odile Jacob, 2019. 394 p.Le Cun Y. Quand la Machine Apprend: la Révolution des Neurones Artificiels et de L’apprentissage Profond. Odile Jacob, 2019. 394 p.Rich E. Artificial Intelligence. New York: McGraw-Hill. 1991, 625 p.Rich E. Artificial Intelligence. New York: McGraw-Hill. 1991, 625 p.Mitchell T.M. Machine Learning. New York: McGraw-Hill, 1997.Mitchell T.M. Machine Learning. New York: McGraw-Hill, 1997.McCulloch W.S., Pitts W.A. Logical Calculus of the Ideas Immanent in Nervous Activity // The Bulletin Of Mathematical Biophysics. 1943. Vol. 5. P. 115–133.McCulloch W. S., Pitts W. A. Logical Calculus of the Ideas Immanent in Nervous Activity. The Bulletin of Mathematical Biophysics. 1943. Vol. 5. P. 115–133.Hebb D.O. The Organization of Behavior: A Neuropsychological Theory. New York: Psychology Press, 2005. 279 p.Hebb D.O. The Organization of Behavior: A Neuropsychological Theory. New York: Psychology Press, 2005. 279 p.Rosenblatt F. The Perceptron, a Perceiving and Recognizing Automaton Project Para. Cornell Aeronautical Laboratory, 1957.Rosenblatt F. The Perceptron, a Perceiving and Recognizing Automaton Project Para. Cornell Aeronautical Laboratory, 1957.Rosenblatt F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain // Psychological review. 1958. Vol. 65. No. 6. P. 386–408. https://doi.org/10.1037/h0042519Rosenblatt F. The Perceptron: a Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review. 1958. Vol. 65. No. 6. P. 386–408. https://doi.org/10.1037/h0042519Rumelhart D.E., Hinton G.E., Williams R.J., Mc-Clelland (ed.). Learning Internal Representations by Error Propagation, Parallel Distributed Processing, Explorations in the Microstructure of Cognition // Biometrika. 1986. Vol. 71. P. 599–607.Rumelhart D.E., Hinton G.E., Williams R.J., Mc-Clelland (ed.). Learning Internal Representations by Error Propagation, Parallel Distributed Processing, Explorations in the Microstructure of Cognition. Biometrika. 1986. Vol. 71. P. 599–607.Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017. Т. 6. № 3. С. 28–59.Sozykin A.V. An Overview of Methods for Deep Learning in Neural Networks. Bulletin of the South Ural State University. Series Computational Mathematics and Software Engineering. 2017. Vol. 6. No. 3. P. 28–59. (In Russ.).Камалова Г.Г. Цифровые технологии в судебной экспертизе: проблемы правового регулирования и организации применения // Вестник Удмуртского университета. Серия «Экономика и право». 2019. Т. 29. № 2. С. 180–186.Kamalova G.G. Digital Technologies in Judicial Examination: Problems of Legal Regulation and Organization of Application. Bulletin of the Udmurt University: Economics and Law. 2019. Vol. 29. No. 2. P. 180–186. (In Russ.).Hello GPT-4o // Официальный сайт OpenAI. https://openai.com/index/hello-gpt-4o/?ref=producthuntHello GPT-4o. OpenAI Official Source. https://openai.com/index/hello-gpt-4o/?ref=producthuntTeam C. Chameleon: Mixed-Modal Early-Fusion Foundation Models. https://arxiv.org/abs/2405.09818Team C. Chameleon: Mixed-Modal Early-Fusion Foundation Models. https://arxiv.org/abs/2405.09818Никоненко С.И., Кадурин А.А., Архангельская Е. В. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2018. 480 с.Nikonenko S.I., Kadurin A.A., Arkhangel’skaia E.V. Deep Learning: Immersion in the World of Neural Networks. St. Petersburg: Piter, 2018. 480 p. (In Russ.).Боровская Е.В., Давыдова Н.А. Основы искусственного интеллекта: учебное пособие. 4-е изд., электрон. М.: Лаборатория знаний, 2020. 130 с.Borovskaya E.M., Davydova N.A. Fundamentals of Artificial Intelligence: Textbook. 4th ed. Moscow: Laboratory of Knowledge, 2020. 130 p. (In Russ.).McCarthy J. et al. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. August 31, 1955 // AI magazine. 2006. Vol. 27. No. 4. P. 12–14.McCarthy J. et al. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. August 31, 1955. AI magazine. 2006. Vol. 27. No. 4. P. 12–14.Moor J. The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years // Ai Magazine. 2006. Vol. 27. No. 4. P. 87.Moor J. The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years. Ai Magazine. 2006. Vol. 27. No. 4. P. 87.Российская Е.Р., Галяшина Е. И., Зинин А. М. Теория судебной экспертизы (судебная экспертология): учебник / Под ред. Е. Р. Российской. 2-е изд., перераб. и доп. Москва: Норма: ИНФРА-М, 2020. 368 с.Rossiyskaya E.R., Galyashina E.I., Zinin A.M. Theory of Forensic Examination (Forensic Expertology): Textbook. 2nd ed. Moscow: Norma: INFRA-M, 2020. 368 p. (In Russ.).Судебно-почерковедческая экспертиза малообъемных почерковых объектов. Вып. 3. Методика исследования подписей. Методическое пособие для экспертов / Под ред. В.Ф. Орловой. М.: РФЦСЭ, 1997. 236 c.Orlova V.F (ed.). Forensic Handwriting Analysis of Small-Scale Handwritten Objects. Issue 3: Methods of Signature Analysis. Methodological Manual for Experts. Moscow: RFCSE, 1997. 236 p. (In Russ.).Комплексная методика установления подлинности (неподлинности) кратких и простых подписей. Методическое пособие для экспертов. М.: ВНИИСЭ, 1987. 119 с.A Comprehensive Method for Determining the Authenticity of Short and Simple Signatures. Methodological Guide for Experts. Moscow: VNIISE, 1987. 119 p. (In Russ.).Cai H. et al. Brain Organoid Reservoir Computing for Artificial Intelligence // Nature Electronics. 2023. Vol. 6. No. 12. P. 1032–1039.Cai H. et al. Brain Organoid Reservoir Computing for Artificial Intelligence. Nature Electronics. 2023. Vol. 6. No. 12. P. 1032–1039.Bokhan D., Mastiukova A.S., Boev A.S., Trubnikov D.N., Fedorov A.K. Multiclass Classification Using Quantum Convolutional Neural Networks with Hybrid Quantum-Classical Learning // Front. Phys. 2022. https://doi.org/10.48550/arXiv.2203.15368Bokhan D., Mastiukova A.S., Boev A.S., Trubnikov D.N., Fedorov A.K. Multiclass Classification Using Quantum ConVol. utional Neural Networks with Hybrid Quantum-Classical Learning. Front. Phys. 2022. https://doi.org/10.48550/arXiv.2203.15368Хазиев Ш.Н. Криминалистические и судебно-экспертные основы современных биометрических технологий // Теория и практика судебной экспертизы. 2023. Т. 18. № 1. С. 16–21. https://doi.org/10.30764/1819-2785-2023-1-16-21Khaziev Sh.N. Forensic Basics of Modern Biometric Technologies. Theory and Practice of Forensic Science. 2023. Vol. 18. No. 1. P. 16–21. (In Russ.). https://doi.org/10.30764/1819-2785-2023-1-16-21

The authors declare that there are no conflicts of interest present.