Искусственный интеллект в криминалистике и судебной экспертизе: вопросы правосубъектности и алгоритмической предвзятости

Благодаря активному развитию и внедрению технологий искусственного интеллекта (ИИ) в различные сферы деятельности человека были запущены процессы качественного изменения общественных отношений. Это обусловило необходимость разработки правовых и технических норм, направленных на регулирование технологий ИИ. Вопрос признания ИИ субъектом права вызывает наибольшие споры. Анализ различных мнений показывает отсутствие консолидированного подхода к решению данного вопроса в современной правовой доктрине. Возможно, будут предусмотрены несколько различных правовых статусов системы ИИ, зависящих от ее типа и назначения – от положения технического средства до наделения статусом «электронного лица» и признания полноценным субъектом права.
С учетом специфики криминалистики и судебной экспертизы системы ИИ целесообразно позиционировать как технические средства. Машинное обучение считается одной из форм ИИ и представляет собой использование математических моделей данных, обеспечивающих обучение компьютера посредством специализированных алгоритмов и тренировочных данных. Алгоритмы могут создавать или воспроизводить искажения и неточности, неумышленно заложенные в тренировочные данные, что обуславливает проявление алгоритмической предвзятости. Для устранения предвзятости алгоритмов необходимо уделять внимание качеству обучающих данных. Для подготовки таких данных разработаны специальные методы, рассматриваемые в данной статье применительно к баллистическим идентификационным системам. Также одним из способов системного технического решения проблемы предвзятости алгоритмов ИИ является разработка стандартов, направленных на минимизацию неоправданной предвзятости в алгоритмических решениях.

1. Etzioni A., Etzioni O. Incorporating Ethics into Artificial Intelligence // Journal of Ethics. 2017. Vol. 21. No. 4. Р. 403–418. https://doi.org/10.1007/978-3-319-69623-2_15

2. Danaher J. The Rise of the Robots and the Crisis of Moral Patiency // AI & Society: Knowledge, Culture and Communication. 2017. Р. 1–8. https://doi.org/10.1007/s00146-017-0773-9

3. Solum B.L. Legal Personhood for Artifical Intellignces // North Carolina Law Review. 1992. Vol. 70. No. 4. Р. 1231–1287.

4. Незнамов А.В., Наумов В.Б. Стратегия регулирования робототехники и киберфизических систем // Закон. 2018. № 2. С. 69–89.

5. Solaiman S.M. Legal Personality of Robots, Corporations, Idols and Chimpanzees: A Quest for Legitimacy // Artificial Intelligence and Law. 2017. Vol. 25. No. 2. Р. 155–179. https://doi.org/10.1007/s10506-016-9192-3

6. Bryson J.J., Diamantis M.E., Grant T.D. Of, For, and By the People: The Legal Lacuna of Synthetic Persons // Artificial Intelligence and Law. 2017. Vol. 25. No. 3. Р. 273–291. https://doi.org/10.1007/s10506-017-9214-9

7. Ястребов О.А. Правосубъектность электронного лица: теоретико-методологические подходы // Труды института государства и права Российской академии наук. 2018. Т. 13. № 2. С. 36–53.

8. Харитонова Ю.С., Савина В.С., Паньини Ф. Предвзятость алгоритмов искусственного интеллекта: вопросы этики и права // Вестник Пермского университета. Юридические науки. 2021. Вып. 53. С. 488–515. https://doi.org/10.17072/1995-4190-2021-53-488-515

9. Carriquiry A., Hofmann H., Xiao Hui Tai, VanderPlas S. Machine Learning in Forensic Applications // Significance. 2019. Vol. 2. No. 2. Р. 29–35. https://doi.org/10.1111/j.1740-9713.2019.01252.x

10. Федоренко В.А., Сорокина К.О., Гиверц П.В. Классификация изображений следов бойков по экземплярам оружия с помощью полносвязной нейронной сети // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2022. Т. 22. Вып. 2. С. 184–190. https://doi.org/10.18500/1994-2540-2022-22-2-184-190

11. Giverts P., Sorokina K., Fedorenko V. Examination of the Possibility to Use Siamese Networks for the Comparison of Firing Marks // Journal of Forensic Sciences. 2022. Vol. 67. Iss. 6. Р. 2416–2424. https://doi.org/10.1111/1556-4029.15143

12. Song J. Proposed “Congruent Matching Cells (CMC)” Method for Ballistic Identification and Error Rate Estimation // AFTE Journal. 2015. Vol. 47. No. 3. Р. 177–185.

13. Сорокина К.О., Федоренко В.А., Гиверц П.В. Оценка схожести изображений следов патронного упора методом корреляционных ячеек // Информационные технологии и вычислительные системы. 2019. № 3. C. 3–15. https://doi.org/10.14357/20718632190301

14. Chen Z., Chu W., Soons J.A., Thompson R.M., Song J., Zhao X. Fired Bullet Signature Correlation Using the Congruent Matching Profile Segments (CMPS) Method // Forensic Science International. 2019. Р. 10–19. https://doi.org/10.1016/j.forsciint.2019.109964