Когда в деле появляются тысячи видеозаписей, гигабайты переписок и цифровые следы с десятков устройств, следователю приходится решать задачу шире, чем поиск «кнопки с искусственным интеллектом»: как не пропустить относящийся к делу материал и не принять машинную догадку за доказательство. В интервью «Интерфаксу» председатель СК России Александр Бастрыкин привёл показательный пример: специализированное ПО помогло в массиве более трёх тысяч видеофайлов объёмом свыше двух терабайт быстро идентифицировать более 400 человек. Этот случай позволяет разобрать задачи нейросетей в работе следствия, правоохранительных и специальных служб — а также пределы их применения.
Такой инструмент работает как быстрый ассистент по разбору хаоса. Он отсекает дубли, ищет похожие фрагменты, сводит разрозненные данные и подсвечивает аномалии. Смысл найденного фрагмента, законность его получения и связь с конкретным эпизодом устанавливает человек. В уголовном деле эта проверка отделяет оперативную зацепку от доказательства, которое можно исследовать.
Что происходит с большим массивом видео
Представим несколько тысяч роликов с камер наблюдения, телефонов и регистраторов. Часть снята ночью, часть повторяет один и тот же ракурс, на многих нет звука, время на устройствах может расходиться. Просмотреть всё вручную возможно, но это съедает недели. Компьютерное зрение способно сначала выполнить рутинную работу: разбить видео на сцены, выделить кадры с людьми или транспортом, сгруппировать похожие лица и силуэты, найти появление заданного объекта, оценить качество изображения.
На этапе первичного отбора технология приносит наибольшую пользу. Она превращает неструктурированный архив в очередь для проверки: вместо команды «посмотрите все 3 000 файлов» аналитик получает подборки «в этих роликах, вероятно, один и тот же человек», «здесь виден объект, похожий на искомый», «эти записи относятся к одному времени и месту». Слово «вероятно» здесь принципиально. Сходство кадров само по себе не устанавливает личность; совпадение времени ещё не говорит о роли человека в событии.
Тот же принцип работает со звуком. Системы распознавания речи делают черновую расшифровку разговоров, находят повторяющиеся фразы и отмечают смену говорящего. Это помогает ориентироваться в часах аудио. Плохая запись, посторонние звуки, акцент и профессиональный жаргон повышают риск ошибки. Значимые фразы следует сверять с оригинальной фонограммой и процессуальными правилами.
Биометрия выдаёт кандидата для проверки
Распознавание лиц чаще всего вспоминают первым, и здесь легче всего преувеличить возможности системы. В корректном процессе она сопоставляет изображение с доступной ей выборкой и выдаёт кандидатов с оценкой похожести. Затем уполномоченный сотрудник проверяет исходный кадр, качество съёмки, контекст, другие сведения и законные основания для дальнейших действий. Окончательное решение о виновности, задержании или ограничении прав программному обеспечению передавать нельзя.
Открытая практика других стран хорошо показывает эту разницу. В отчёте Министерства внутренней безопасности США о применении распознавания лиц для расследований сексуальной эксплуатации детей прямо указано: результат системы служит ориентиром, самостоятельным основанием для правоохранительного действия он не считается; каждую зацепку дополнительно расследуют. В документе описаны требования к подготовке сотрудников, выбору качественного исходного изображения и контролю работы инструмента. Публичный отчёт DHS фиксирует эти процедуры как рабочие требования.
Одного показателя точности недостаточно. Национальный институт стандартов и технологий США (NIST) отдельно тестирует влияние качества изображения, возраста, пола и демографических факторов на результаты систем распознавания. Материалы института показывают: низкое разрешение, неудобный угол, тень или закрытая часть лица меняют вероятность ошибки. Результаты программы FRVT предлагают оценивать конкретную систему независимо и в тех условиях, где её собираются применять.
Связи, документы и открытые источники
Нейросети и более старые методы машинного обучения работают и с текстом, реестрами, метаданными. В расследовании цифровой след часто распадается на мелкие куски: никнейм, номер телефона, адрес электронной почты, платёжный реквизит, геометка, фотография, публикация в открытом доступе. Программный анализ помогает найти повторяющиеся сущности, вероятные связи и временные последовательности. Например, он может показать, что два набора открытых данных содержат похожий адрес или одно и то же изображение в разных версиях.
Граф связей остаётся картой гипотез. Одинаковая фамилия не подтверждает общие связи людей; общий IP-адрес иногда используют разные пользователи; совпавшая фотография может быть обычным репостом. После каждого «совпадения» аналитик выясняет, откуда взят первичный источник, когда он появился, подтверждается ли связь независимыми данными и допускает ли закон такое использование информации.
Для разведывательных структур публично подтверждённая роль ИИ служит той же цели: ускорить работу с потоком информации. Офис директора национальной разведки США в своей IT-дорожной карте относит искусственный интеллект, анализ данных, облачную инфраструктуру и кибербезопасность к общим направлениям развития разведсообщества. Документ ODNI не раскрывает закрытые операции; делать из него выводы о конкретных методах было бы спекуляцией. Он подтверждает более узкий тезис: современные службы инвестируют в обработку данных и быстрый доступ аналитиков к контексту.
Отдельная область — OSINT, то есть сведения из публично и коммерчески доступных источников. Здесь ИИ помогает переводить, классифицировать публикации, отслеживать изменения на сайтах, искать дубли фото и видео, группировать сообщения по теме и времени. В стратегии ODNI и CIA по OSINT на 2024–2026 годы открытая информация названа самостоятельным видом разведывательной работы. Достоверность сетевой публикации нельзя предполагать по умолчанию: массовое появление синтетических изображений и фальшивых аккаунтов требует проверять происхождение каждого существенного материала.
Кибербезопасность: машина ищет аномалию, специалист ищет причину
В киберзащите поток событий обычно ещё больше, чем в видеоархиве. Серверы, рабочие станции, сетевое оборудование и облачные сервисы оставляют журналы действий. Алгоритм может заметить нетипичную последовательность входов, необычную передачу данных, всплеск одинаковых писем или похожий на известную вредоносную активность шаблон. Это помогает быстрее расставить приоритеты: какие уведомления проверить в первую очередь, а какие отражают обычные системные события.
В этой сфере особенно опасно путать «аномалию» с «атакой». Бухгалтер может войти в систему ночью во время отчётного периода; администратор — передать много данных при резервном копировании; новый сервис — изменить привычный сетевой рисунок. Зрелая система выводит аналитикам контекст: сработавшие признаки, относящуюся к ним технику, данные для подтверждения и события до и после уведомления. Решение о блокировке остаётся за человеком.
Генеративные модели в такой среде могут делать удобные, но вторичные вещи: помогать читать технические описания, суммировать длинные журналы, переводить материалы и составлять черновик отчёта. Без контроля их нельзя превращать в источник фактов. Модель способна уверенно «достроить» недостающую деталь; в закрытом контуре также возникает вопрос, какие данные допустимо передавать инструменту. Для служб это вопрос качества, режима доступа, журналирования и сохранности материалов.
Съёмки с воздуха и реагирование на чрезвычайные ситуации
Ещё один класс задач — оценка обстановки после пожара, наводнения, техногенной аварии или крупного происшествия. В таких случаях службы получают аэросъёмку, спутниковые изображения и фотографии с земли. Сегментация изображений помогает отметить участки, где заметны повреждения, завалы, затопление, транспортные заторы или изменения по сравнению со старым снимком. Это сокращает время первичного обзора территории и помогает направить группы туда, где ситуация выглядит наиболее тяжёлой.
Такой вывод тоже остаётся предварительным. Тень от здания можно принять за препятствие, грязную воду — за повреждённое дорожное покрытие, а архивный снимок — за актуальный. Поэтому карта, подготовленная моделью, нужна диспетчеру как список приоритетов для осмотра, а не как окончательная оценка ущерба. Публичный реестр AI-проектов FEMA описывает сходный подход: модели выделяют на изображениях зоны с вероятными повреждениями, после чего результаты должны проверить аналитики традиционными способами. Описание FEMA фиксирует последовательность, в которой прогноз направляет проверку и не заменяет её.
Для поисково-спасательных работ машинное зрение может ускорить просмотр материалов с беспилотников и выделить кадры, где есть признаки человека, лодки, машины или следа на местности. В реальной операции на результат влияют погода, рельеф, качество камеры и время съёмки. Ошибка может стоить потерянных часов, поэтому оператору нужны исходные кадры, координаты, время и возможность быстро исключить ложную отметку. Чем выше цена ошибки, тем меньше права у автоматического ответа оставаться без проверки.
Границы применения становятся частью технологии
Когда система влияет на судьбу человека, к точности добавляется процедура. Европол в обзоре «AI and policing» описывает ИИ как инструмент для анализа больших массивов и биометрии, но одновременно выделяет риски предвзятости, непрозрачности, защиты персональных данных и дискриминации. Эти требования делают быстрый поиск проверяемым и снижают вероятность системной ошибки.
В Европе такие ограничения уже переводятся в право. По разъяснениям Еврокомиссии к AI Act, дистанционная биометрическая идентификация в реальном времени в публичных местах для целей правопорядка запрещена; исключения ограничены законом и требуют строгих условий. Для последующей идентификации по уже собранным материалам установлены отдельные требования к разрешению и уведомлению. Официальный FAQ Еврокомиссии разделяет поиск лица на записи по конкретному делу и постоянное сканирование прохожих в реальном времени.
Практический минимум для любой такой системы выглядит так:
- у результата есть фиксированный статус: гипотеза, кандидат, подтверждённый факт;
- сохраняются исходные материалы, версия модели и журнал действий оператора;
- сотрудник понимает, какие ошибки характерны для инструмента и когда его вывод нельзя использовать;
- для решений с тяжёлыми последствиями есть независимая человеческая проверка;
- данные и доступ к ним ограничены целью, сроком и законными основаниями.
Почему «поисковый портрет» не должен становиться приговором
Термин «поисковый портрет» описывает ориентир. В него входят черты лица, одежда, траектория перемещения, вид автомобиля, тип цифровой активности и круг связанных объектов. Алгоритм быстрее человека сопоставляет такие признаки в крупном массиве. У него нет понимания причинности, мотива и правового смысла. Даже очень точная модель без внешней проверки не различает «похоже» и «доказано».
Эффект ИИ для служб состоит в изменении экономики внимания. Машина забирает часть монотонного поиска, люди тратят больше времени на верификацию, сопоставление с другими источниками и оформление того, что можно предъявить для проверки. В удачном сценарии это сокращает время до первой обоснованной версии. При плохой настройке тот же процесс ускоряет распространение ошибки по системе.
Сообщение СКР о работе с двумя терабайтами видео иллюстрирует класс задач с крупным массивом, повторяющимися визуальными признаками и конкретной целью первичного отбора. По мере перехода от сортировки материалов к оценке человека планка контроля должна расти. Нейросети полезны, когда делают расследование внимательнее и проверяемее. Передача программе окончательного решения переносит на неё и рутину, и ответственность; в правоприменении такой перенос недопустим.
Что это меняет для обычного человека
Развитие таких систем касается и людей вне ведомств. Камеры, цифровые следы, биометрия и генеративные подделки требуют соблюдать несколько базовых правил: не считать скриншот самоочевидным доказательством, проверять первоисточник фото и видео, осторожно относиться к публикации чужих биометрических данных и различать совпадение в поиске с установленным фактом. Организациям, внедряющим ИИ в безопасность, стоит заранее определить, кто проверяет результат, где хранится журнал решения и как исправляется ошибка.
Технология уже стала рабочим инструментом расследований, разведаналитики, защиты инфраструктуры и реагирования на чрезвычайные ситуации. Её сильная сторона — масштаб: она видит структуру там, где человеку сначала виден только поток файлов. Её слабая сторона — отсутствие собственной ответственности за вывод, последствия и права затронутых людей. Прозрачная процедура проверки защищает и тех, кого система исследует, и сотрудников, которые вынуждены принимать решение в условиях дефицита времени. Любую громкую новость о нейросетях в силовой сфере полезно оценивать через один вопрос: кто и как проверит то, что нашёл алгоритм?
Из чего складывается надёжность результата
Качество модели — только один элемент. В расследовании и служебной проверке значение имеет вся цепочка: как получен исходный файл, кто имел к нему доступ, не менялись ли метаданные, каким инструментом выполнен поиск и кто интерпретировал выдачу. Если эта цепочка рвётся, самый современный алгоритм не исправит проблему. Он может ускорить обработку, но не восстановит происхождение материала задним числом.
Полезно разделять три документа. Первый — технический журнал: версия программы, настройки поиска, время запуска и массив, по которому выполнялся запрос. Второй — аналитическая записка: какие результаты получила система, почему часть из них отсеяна и какие признаки потребовали дальнейшей проверки. Третий — процессуальный или управленческий документ, где человек принимает решение и указывает его основания. Такое разделение делает видимым путь от машинного сигнала к действию и позволяет позднее оспорить конкретную ошибку, а не спорить с расплывчатой формулой «так решила нейросеть».
Для ведомств это также вопрос закупки. До внедрения недостаточно посмотреть демонстрацию поставщика. Нужны тесты на собственных данных в разрешённом контуре, измерение ложных срабатываний и пропусков, правила хранения биометрии, обучение операторов и порядок остановки системы при сбое. Европол в 2025 году выпустил отдельное практическое руководство о предвзятости ИИ в правоохранительной деятельности; сам факт появления такого документа говорит, что проблема смещается от красивой презентации к измеримым рискам. Руководство Europol по AI bias посвящено тому, как эти риски выявлять и снижать.
Наконец, у человека в контуре должна быть реальная возможность не согласиться с машиной. Если оператор обязан формально подтвердить любой результат, «человеческая проверка» превращается в декоративную подпись. Проверяющий должен видеть исходные данные, понимать основание рекомендации, иметь время на сомнение и право запросить дополнительную экспертизу. Это медленнее автоматического клика, зато сохраняет смысл контроля там, где ошибка затрагивает свободу, частную жизнь или безопасность людей.
