Когнитивная аналитика в оперативно-розыскной деятельности

В эпоху дигитализма цифровые технологии выступают в качестве определяющего фактора развития общества, культуры, экономики и социального бытия, происходит масштабная цифровизация всех сфер жизнедеятельности. Этот процесс сопровождается внедрением искусственного интеллекта, технологий обработки большого объема информации и иных цифровых решений. В этих условиях когнитивные технологии являются ключевым элементом трансформации современной правоохранительной системы и напрямую влияют на информационно-аналитическое обеспечение оперативно-розыскной деятельности.

Цифровые технологии создают новые возможности для разработки новых методов, позволяющих повысить эффективность противодействия преступности оперативными подразделениями органов, осуществляющих оперативно-розыскную деятельность (далее – ОРД), что формирует предпосылки к возникновению проблем в сфере правового регулирования и методологического обеспечения.

Кроме того, в условиях экспоненциального роста Big Data, оптимизацией технического блока оперативно-розыскных мероприятий (далее – ОРМ) («Прослушивание телефонных переговоров», «Снятие информации с технических каналов связи», «Получение компьютерной информации») целесообразным представляется не их увеличение соответственно бесчисленно появляющемуся объему цифровых нововведений, а объединение в единое ОРМ (например, «Контроль электрических систем связи») по родовому признаку технических и программных средств электросвязи [1, с. 150].

А. Л. Осипенко верно отмечает, что «бурно протекающие сложные технологические процессы, мощные потоки цифровой информации, генерируемые различными интернет-сервисами, обеспечивают в геометрической прогрессии создание сверхбольших электронных информационных массивов и цифровых баз данных в государственных и коммерческих структурах» [2, c. 81]. В свою очередь В. Б. Батоев указывает, что «в современных быстро изменяющихся условиях подобное становится возможным только посредством совершенствования имеющегося инструментария; расширения источников добывания оперативно значимой и доказательственной информации; обеспечения соответствия уровня развития теории и практики ОРД темпам прогресса научно-технической мысли; пересмотра подходов к организации и тактике осуществления ОРД» [3, с. 12].

В контексте методологического обоснования интеграции когнитивных технологий в ОРД особого внимания заслуживает позиция В. Ю. Жандрова, который в своем исследовании предлагает авторский подход к формированию системы методов ОРД, адаптированной к условиям цифровизации. Ученый отмечает, что «в условиях активного использования криминалитетом технологий телекоммуникации, анонимизированных сервисов, криптовалютных транзакций и распределенных сетевых технологий традиционные средства и способы ОРД оказываются малоэффективными в противодействии преступлениям, совершаемым с использованием современных цифровых технологий».

Выход из сложившейся ситуации В. Ю. Жандров видит в обновлении понятийного аппарата и перегруппировке методов ОРД, предлагая включить в их систему такие методы, как «метод оперативного электронного наблюдения, метод цифрового оперативного поиска (включая OSINT и элементы аналитической разведки), киберагентурный метод (агентурные кибероперации), а также метод эксперимента в цифровой среде» [5, с. 31–35].

Принципиально значимым для настоящего исследования является вывод автора о том, что интеграция указанных методов в единую систему позволяет «увязать содержательную сторону оперативного познания с нормативно определенными ОРМ, повысить тактическую вариативность и обеспечить непрерывность контроля в киберпространстве при соблюдении правовых гарантий и требований допустимости электронных доказательств». Здесь следует солидоризироваться с мнением В. А. Родивилиной и В. В. Коломинова, что «международная тенденция заключается в смещении акцента с теоретических споров о природе цифровых следов на практическую стандартизацию процессов их обработки, что обеспечивает необходимый уровень доверия со стороны суда» [4, с. 219].

Традиционные подходы к аналитическому обеспечению ОРД, основанные на ручной обработке информации и эвристических методах, демонстрируют свою ограниченность в условиях экспоненциального роста объемов цифровых данных, усложнения способов совершения преступлений и стратегий противодействия правоохранительным органам.

Развивая предложенный подход ученых, В. Ю. Жандров подчеркивает, что предложенная модель «усиливает методическую целостность подготовки кадров, обеспечивает воспроизводимость практик и открывает возможности для дальнейшей регламентации цифровых форм оперативной деятельности». При этом автор акцентирует внимание на том, что принятие данного подхода «призвано компенсировать дефицит инструментов реагирования на цифровые криминальные угрозы, повысить эффективность выявления и пресечения преступлений, совершаемых с использованием современных технологий, и создать основу для системного развития оперативно-розыскной деятельности в условиях цифровой трансформации» [5, с. 31].

Данные положения коррелируют с выводами настоящего исследования о необходимости внедрения когнитивных технологий в аналитическое обеспечение ОРД, поскольку предлагаемые методы и когнитивные инструменты нацелены на решение одной задачи - преодоление методологического разрыва между традиционными оперативными подходами и вызовами эпохи дигитализма.

Теоретической основой для предлагаемого в настоящей статье подхода к трансформации аналитического обеспечения ОРД служат фундаментальные разработки в области разграничения методов и оперативно-розыскных мероприятий.

Так, профессор В. Н. Омелин обосновывает необходимость разграничения понятий метода и ОРМ исходя из их различной правовой и логической природы. Как отмечает исследователь, «методы ОРД представляют собой сложную и многогранную систему логически взаимосвязанных приемов, реализуемых субъектами ОРД для достижения целей, поставленных законом, в то время как ОРМ являются закрепленными в законодательстве формами реализации этих методов» [6, с. 143].

Развивая данную позицию, В. Н. Омелин совместно с Т. В. Астишиной приходит к выводу, что «под методами ОРД следует понимать комплексы тактически однородных, научно обоснованных разведывательно-поисковых приемов и способов, избираемых и используемых с учетом сложившейся оперативно-разыскной ситуации и конкретных фактических обстоятельств в целях решения оперативно-розыскных задач». Важно подчеркнуть, что, по мнению авторов, «методы по своей сути формируются в процессе длительной практики и научного осмысления», в то время как мероприятия лишены этого обобщающего компонента, а «важнейшей правовой формой применения методов ОРД являются ОРМ» [7, с. 28].

Сходной логики придерживается Н. С. Железняк, который утверждает, что «метод необходимо рассматривать в качестве логико-организационной формы реализации оперативных задач, такой категории, которая характеризуется воспроизводимостью и вариативностью реализации в отличие от ОРМ». В рамках теоретических воззрений автора методы ОРД определяются как «совокупность выработанных практикой способов решения частных задач ОРД», тогда как ОРМ являются «совокупностью действий» [8, с. 32].

Из данного разграничения следует принципиальный для настоящего исследования вывод - методы не имеют жесткой нормативной привязки, что открывает возможность для их адаптации и трансформации под влиянием новых технологических условий, включая внедрение когнитивных технологий в аналитическое обеспечение ОРД.

Именно через категорию метода может быть описана и обоснована та часть ОРД, которая активно реализуется с использованием современных технических и цифровых средств, но не охватывается нормативными рамками мероприятий.

В развитие указанных теоретических позиций А. Е. Чечетин предложил многоуровневую структуру оперативного воздействия, которую образуют «не совпадающие по своему значению мероприятия, действия и меры», в которой «метод выполняет роль родовой по отношению к мероприятию и действиям категории», что позволяет сформировать единую тактическую систему воздействия. Согласно этому подходу законодательное определение ОРД, основанное исключительно на перечне ОРМ, не охватывает всего ее содержания, в связи с чем «в состав ОРД входят и иные структурные элементы, включая действия организационно-тактического и информационно-аналитического характера, а также применение методов, которые не находят прямого отражения в законе, но являются неотъемлемой составляющей оперативной практики» [9, с. 54-55].

Данное положение имеет прямое отношение к предмету настоящего исследования, поскольку аналитическое обеспечение ОРД, включая использование когнитивных технологий и систем искусственного интеллекта, представляет собой именно ту сферу деятельности субъектов ОРД, которая не урегулирована на уровне ОРМ, но объективно требует теоретического осмысления и методологического оформления через категорию метода.

Внедрение когнитивных систем, способных к семантическому анализу неструктурированной информации, выявлению скрытых взаимосвязей, прогнозированию криминальных событий и генерации гипотез, объективно становится условием сохранения оперативно-тактического преимущества в борьбе с организованной и высокотехнологичной преступностью.

Термин «когнитивность» (лат. cognitio - познание, изучение, осознание) в контексте исследования представляет собой новое постдисциплинарное научное направление, синтезирующее такие теории, как теория познания, когнитивная психология, когнитивная лингвистика и теория искусственного интеллекта, и поэтому этот термин органично включен в данные теории.

Н. В. Манохина в своем исследовании отмечает, что «процессы ускорения научно-технического прогресса в конце XX столетия обусловили пересечение во времени и наслоение (когерентность) целого ряда волн научно-технической революции. С 80-х гг. началась волна, связанная с революцией в области информационных и коммуникационных технологий, за ней последовала волна, обусловленная биотехнологической революцией, затем началась волна, генерируемая революцией в области нанотехнологий. Взаимодействие различных этапов научнотехнической революции породило активное развитие нового типа технологий – когнитивных технологий. Схематично когнитивные технологии представлены в следующем виде:

• -    информационные технологии;

• -    биотехнологии;

• -    нанотехнологии [10, с. 52].

Анализ научной литературы показывает явный дисбаланс: в то время как информационным, нано- и биотехнологиям посвящено значительное число исследований, когнитивные технологии как самостоятельная область изучения остаются недостаточно освещенными.

Когнитивные технологии находят активное применение в различных секторах экономики, повседневной жизни и в технологически продвинутых компаниях. Их распространение приносит значительные преимущества, одновременно порождая новые вызовы и проблемы. Данное обстоятельство актуализирует необходимость научного осмысления сущности когнитивных технологий, анализа их специфики и комплементарности с иными видами инноваций, а также определения их роли в современной правоохранительной деятельности.

В научной литературе представлено множество трактовок этого понятия. В наиболее широком смысле когнитивные технологии определяются как совокупность методов, направленных на трансформацию человеческого поведения, свойств и качеств. Это достигается как за счет модификации психофизиологических параметров организма, так и путем интеграции человека в гибридные и сложные человекомашинные системы, аналогичные концепту, отраженному в образе «Робокопа».

В прикладном, информационно-технологическом контексте когнитивные технологии представляют собой комплекс методов, алгоритмов и программных решений, моделирующих когнитивные (познавательные) функции человека. Они предназначены для решения конкретных задач, таких как:

• -    распознавание образов (речь, сигналы, изображения);

• -    выявление скрытых закономерностей в больших данных (Big Data);

• -    компьютерное проектирование сложных систем;

• - построение систем поддержки принятия решений в условиях неопределенности и нечетких данных.

Вышеизложенное прямо коррелируется с объективной потребностью органов, осуществляющих ОРД, во внедрении возможностей когнитивных технологий в информационно-аналитическое обеспечение эффективного проведения ОРМ [11, с. 133].

Теоретической основой для таких разработок послужила идея, сформулированная более полувека назад основателями кибернетики Н. Винером и Дж. фон Нейманом, о необходимости интеграции вычислительной мощности машин с когнитивными способностями человеческого мозга. Именно этот принцип симбиоза лег в фундамент современных когнитивных технологий.

По мнению Г. Г. Малинецкого, С. К. Маненкова, Н. А. Митина и В. В. Шишова, «когнитивные технологии представляют собой различные способы и алгоритмы достижения целей субъектов. Они опираются на данные о процессах обработки информации, познания, коммуникации, на достижения нейронауки, на теорию самоорганизации и саморегуляции, информационные технологии, математическое моделирование отдельных элементов сознания и ряд других научных направлений» [12, с. 707-716].

Развитие концепции внедрения и использования в ОРД когнитивных технологий обусловлено беспрецедентными вызовами, порожденными цифровизацией общества, – ростом объема и сложности данных, изощренностью методов совершения преступлений, их транснациональным характером. Традиционные методы аналитической работы, основанные на ретроспективном анализе и опыте конкретного специалиста, зачастую не справляются с задачами прогнозирования и выявления латентных взаимосвязей в условиях информационной перегрузки [13, с. 61].

В этом контексте когнитивные технологии, представляющие собой симбиоз искусственного интеллекта (далее – ИИ), машинного обучения, обработки естественного языка и семантического анализа, становятся ключевым драйвером эволюции аналитического обеспечения. Они позволяют перейти от поддержки принятия решений к их когнитивному усилению – процессу, при котором система не просто предоставляет данные, а предлагает гипотезы, оценивает вероятности и моделирует сценарии.

Когнитивистика – это междисциплинарная научная область, изучающая процессы получения, хранения, преобразования и использования знания. Ее предметное поле включает когнитивную психологию, нейронауки, лингвистику, философию сознания и теорию искусственного интеллекта.

В прикладном аспекте когнитивистика порождает когнитивные технологии — программно-аппаратные комплексы, способные к имитации и усилению человеческих когнитивных функций: обучения, логического вывода, распознавания образов, понимания контекста. К ним относятся:

– системы машинного обучения (Machine Learning, ML);

– глубинное обучение (Deep Learning);

– обработка естественного языка (Natural Language Processing, NLP);

– когнитивные вычисления (Cognitive Computing);

– экспертные системы нового поколения.

В традиционном понимании аналитическое обеспечение ОРД представляет собой комплекс мероприятий по сбору, проверке, синтезу и оценке информации для подготовки, принятия и реализации оперативных решений [14, с. 25]. Под влиянием когнитивных технологий это понятие эволюционирует в сторону интеллектуального аналитического обеспечения, которое характеризуется:

– предиктивностью, основанной на прогнозировании криминальных инцидентов и тенденций;

– адаптивностью, основанной на самообучении систем;

– семантичностью, заключающейся в понимании смысла информации, а не только ее формальных признаков;

– интерактивностью, основанной на работе в режиме диалога «человек-машина» для гипотезирования.

Исследование влияния когнитивных подходов на ОРД носит междисциплинарный характер.

В области теории и методологии фундаментальный вклад внесен В. А. Лефевром и Д. А. Поспеловым, разработавшими ранние модели искусственного интеллекта, которые легли в основу современных экспертных систем [15]. Работы А. Н. Горбаня и Д. С. Чернавского по синергетике и моделированию сложных систем создали теоретический базис для прогнозирования нелинейных социальных и криминальных процессов [16].

Когнитивные технологии осуществляют глубокую трансформацию аналитического обеспечения ОРД, переводя его из вспомогательной в стратегическую, проактивную функцию. Они позволяют:

• 1.    Масштабировать аналитические возможности, обрабатывая эксабайты структурированных и неструктурированных данных.

• 2.    Углублять анализ за счет выявления скрытых корреляций и построения поведенческих и сетевых моделей.

• 3.    Ускорить процесс принятия решений за счет интерактивной визуализации и сценарного моделирования.

В практической плоскости интеграции когнитивных технологий в ОРД необходимо соотнести потенциал когнитивных технологий с конкретными оперативно-розыскными мероприятиями, закрепленными в ст. 6 Федерального закона от 12 августа 1995 г. № 144-ФЗ «Об оперативно-розыскной деятельности »1 (далее – ФЗ об ОРД). Такой подход позволяет не только верифицировать теоретические построения, но и сформулировать конкретные предложения по модернизации тактического инструментария оперативных подразделений.

Одним из наиболее перспективных направлений внедрения когнитивных технологий является использование систем обработки естественного языка – NLP (от англ. Natural Language Processing – обработка естественного языка) в рамках такого ОРМ, как прослушивание телефонных переговоров (п. 10 ч. 1 ст. 6 ФЗ об ОРД).

В контексте развития аналитического обеспечения оперативно-розыскной деятельности на основе когнитивных технологий особого внимания заслуживают исследования, посвященные внедрению нейронных языковых моделей в практику правоохранительных органов.

Так, В. Б. Батоев, рассматривая вопросы совершенствования деятельности органов внутренних дел посредством применения технологий искусственного интеллекта, приходит к выводу, что использование нейронных языковых моделей при обработке текстовой информации может выступать эффективным инструментом при совершенствовании деятельности правоохранительных органов, что позволит существенно сократить время на обработку огромных объемов текстовой информации,

• ¹    Об оперативно-розыскной деятельности : Федер. закон № 144-ФЗ принят Гос. Думой

освободив человека от необходимости совершения рутинных повторяющихся действий [17, с. 14].

В указанном исследовании автор обращает внимание на то, что промедление в искомом вопросе чревато наступлением неблагоприятных последствий, что на фоне постоянно совершенствующихся возможностей обработки информации выглядит неэффективным и несовременным», причем указанное обстоятельство приобретает особую остроту «в условиях постоянно нарастающих и генерируемых правоохранительными органами объемов информации, а также необходимости повышения производительности труда.

Данные положения коррелируют с нашим подходом о необходимости трансформации аналитического обеспечения ОРД на основе когнитивных технологий.

Нейронные языковые модели, обладая способностью к семантической обработке неструктурированной текстовой информации, могут выступать в качестве одного из ключевых инструментов повышения эффективности информационно-аналитической работы оперативных подразделений.

Традиционный подход к анализу фонограмм предполагает ручное прослушивание и транскрипцию записей, что в условиях экспоненциального роста объемов перехваченной информации становится не только трудозатратным, но и малоэффективным. Оперативный сотрудник физически не способен обработать более 6-8 часов аудиозаписей в день без потери качества восприятия, а при работе с большими массивами данных (например, по делам о деятельности организованных преступных групп (далее - ОПГ) временные затраты на анализ могут исчисляться месяцами.

Современные NLP-системы, адаптированные для русского языка (в частности, модели на базе архитектуры трансформеров, такие как RuBERT, а также коммерческие решения, например системы компании «Центр речевых технологий»), позволяют решать принципиально иной класс задач. Речь идет не просто о распознавании речи и ее переводе в текст (автоматическое транскрибирование), а о семантической разметке полученного текстового массива.

Алгоритм способен классифицировать фрагменты диалогов по тематическим категориям: «финансовые операции», «логистика и перемещения», «персональные данные», «инструкции к действию», «обсуждение мер конспирации». Более того, системы тонального анализа могут оценивать эмоциональный фон разговора, выявляя моменты стресса, тревоги или уверенности собеседника, что часто коррелирует с обсуждением противоправной деятельности.

Наиболее существенный практический результат достигается при идентификации так называемых прокси-коммуникаторов - лиц, которые не являются непосредственными организаторами преступной деятельности, но выступают в роли трансляторов инструкций, передавая их через внешне нейтральные бытовые диалоги.

Наглядной иллюстрацией может послужить пример, когда указание о времени и месте закладки наркотического средства маскируется под обсуждение встречи друзей, места рыбалки или покупки товара на онлайн-площадке. NLP-система, проанализировав сотни тысяч подобных диалогов и выявив характерные паттерны косвенных указаний, способна не только маркировать такие разговоры для последующей оперативной проверки, но и устанавливать связи между субъектами, формально не состоящими в прямом контакте.

В рамках таких ОРМ, как «Наведение справок» (п. 2 ч. 1 ст. 6 ФЗ об ОРД) и «Отождествление личности» (п. 7 ч. 1 ст. 6 ФЗ об ОРД), особую значимость приобретают методы анализа социальных графов – SNA (от англ. Social Network Analysis - анализ социальных сетей).

Данный подход базируется на математической теории графов и позволяет формализовать и визуализировать связи между множеством субъектов на основе их цифровой активности: переписки в мессенджерах, комментарии в социальных сетях, общие подписки, пересечения геолокационных данных, совпадения IP-адресов и иных цифровых следов [18, c. 153–154].

Традиционные оперативно-розыскные методы, ориентированные на установление прямых контактов между фигурантами, часто оказываются бессильны перед стратегиями конспирации, применяемыми современными организованными преступными группами.

В частности, организаторы могут минимизировать свои прямые контакты с исполнителями, используя цепочки посредников либо создавая «спящие» ячейки, внешне не взаимодействующие друг с другом. Применение алгоритмов кластеризации (например, метода Лувена или алгоритма на основе модульности) к массивам данных о цифровых коммуникациях позволяет выявлять такие скрытые структуры [19, с. 252].

Практическим примером применения данной технологии может быть анализ данных о мобильной активности и переписках членов предполагаемой ОПГ, занимающейся сбытом наркотиков. Традиционным путем удалось установить связи между исполнителями-закладчиками и их непосредственными координаторами (кураторами).

При этом применение SNA-алгоритма к той же совокупности данных позволило выявить дополнительные слабые связи между кураторами и третьим уровнем лиц, которые не имели прямых контактов между собой, но были соединены через двух-трех общих цифровых «соседей» (например, через общий канал в мессенджере, на который они были подписаны, или через общую точку выхода в интернет, свидетельствующую о временном нахождении в одной локации).

Таким образом, была реконструирована трехуровневая иерархическая структура группы, включая лицо, предположительно являющееся организатором, которое ранее вообще не фигурировало в материалах оперативной проверки.

Важно подчеркнуть, что анализ социальных графов не требует прямого агентурного внедрения и может осуществляться на основании информации, уже имеющейся в распоряжении оперативного подразделения либо полученной в рамках иных ОРМ.

Это обеспечивает его неинвазивность и относительную процессуальную безопасность. Полученные результаты служат не доказательством вины, а аналитической базой для формирования обоснованных версий и целенаправленного планирования последующих ОРМ, включая проведение оперативного эксперимента или оперативного внедрения.

Другим примером перспективы внедрения когнитивных технологий в ОРД может служить «компьютерное зрение и наблюдение».

Технологии компьютерного зрения (Computer Vision), активно развивающиеся на базе сверточных нейронных сетей – CNN (от англ. Convolutional Neural Networks – сверточные нейронные сети), открывают новые возможности для повышения эффективности такого классического ОРМ, как «Наблюдение» (п. 6 ч. 1 ст. 6 ФЗ об ОРД).

В отличие от традиционного понимания наблюдения как исключительно человеческой деятельности, предполагающей визуальный контроль за объектом либо с использованием оптических приборов, когнитивные системы позволяют автоматизировать процесс фиксации и первичного анализа видеопотоков.

Наиболее интересным направлением представляется использование алгоритмов распознавания микроэкспрессий, т. е. кратковременных, непроизвольных движений лицевых мышц, отражающих истинные эмоциональные состояния человека, которые зачастую невозможно подавить сознательно.

Современные системы, обученные на размеченных базах данных (например, на dataset FACS – от англ. Facial Action Coding System – система кодирования мимических движений), способны в реальном времени анализировать видеопотоки с камер наружного наблюдения и маркировать лиц, демонстрирующих состояние стресса, тревоги, страха или возбуждения, характерное для лиц, совершающих либо подготавливающих противоправные действия. В качестве примера приведем лицо, являющееся объектом наблюдения, предположительно осуществляющее функции «закладчика» наркотических средств.

При анализе видеозаписей с камер, расположенных на маршрутах его потенциального передвижения, система фиксирует у объекта микродвижения, характерные для состояния повышенной тревожности (частое моргание, асимметрия улыбки, изменение ширины зрачков, фиксация взгляда на потенциальных свидетелях).

Эти данные, сопоставленные с информацией о совершенных им в данный временной промежуток перемещениях и остановках, позволяют оперативному сотруднику сфокусировать внимание на конкретных эпизодах записи, проверить гипотезу о совершении закладки и при наличии соответствующих оснований изъять предметы и документы в соответствии с уголовно-процессуальным законодательством.

Важным дополнением является возможность распознавания «тревожных» состояний у лиц, осуществляющих перемещение наличных денег в рамках схем отмывания доходов, полученных преступным путем, а также у субъектов, обеспечивающих «обналичку» криптовалютных средств.

В таких случаях типичные признаки стресса в поведении на видеозаписях могут стать основанием для более пристального оперативного внимания и проведения дополнительных проверочных мероприятий, что ранее в отсутствие автоматизированной поддержки просто не могло быть зафиксировано без многократного просмотра видеоматериалов квалифицированным сотрудником.

Однако следует оговориться, что результаты «компьютерного зрения» не могут использоваться изолированно. Они служат лишь ориентирующим фактором, индикатором, требующим проверки иными методами.

Автоматическая маркировка лица как «эмоционально нестабильного» не может являться основанием для ограничения его прав; она лишь повышает эффективность работы оперативного сотрудника, сокращая время просмотра видеоматериалов и направляя его внимание на наиболее вероятные эпизоды.

В рамках такого ОРМ, как «Получение компьютерной информации» (п. 15 ст. 6 ФЗ об ОРД), существенный потенциал имеют технологии глубинного обучения (от англ. Deep Learning - «глубокое обучение») применительно к анализу транзакционных данных, в первую очередь к криптовалютным операциям.

Современные преступные группы активно используют цифровые валюты не только в качестве инструмента платежа, но и как средство конспирации, обеспечивающее анонимность переводов и затрудняющее традиционные механизмы финансового контроля.

Традиционные подходы к анализу криптовалютных блокчейнов, основанные на ручном изучении цепочек переводов, ограничены физическими возможностями человека и не позволяют в условиях многотысячных транзакций выявлять сложные паттерны.

Применение рекуррентных нейронных сетей (LSTM) и графовых нейросетей (GNN) позволяет системе автоматически выявлять типичные сценарии отмывания денег: структурирование крупных сумм на множество мелких транзакций, использование нескольких микшеров (mixers - сервисов анонимизации транзакций), проведение транзакций с нулевым или минимальным подтверждением, перевод средств на биржи без верификации личности.

Принципиально важным является то, что технология анализирует исключительно публичные данные, находящиеся в открытом доступе, что полностью соответствует требованиям законности. Полученные выводы о «подозрительной» активности кошелька не имеют доказательственного значения до момента их верификации в рамках уголовно-процессуальных механизмов. Однако они формируют аналитическую основу для получения судебного решения о проведении ОРМ, связанного с ограничением конституционных прав граждан.

Особую группу когнитивных инструментов составляют технологии предиктивного моделирования, применение которых в рамках таких оперативнорозыскных мероприятий, как «Оперативный эксперимент» (п. 14 ст. 6) и «Проверочная закупка» (п. 4 ст. 6 ФЗ об ОРД), позволяющих качественно повысить тактическую вариативность и снизить операционные риски.

Классическая практика проведения проверочной закупки предполагает выбор оперативным сотрудником (или лицом, оказывающим ему конфиденциальное содействие) определенной «легенды» - социальной роли, под которой он вступает в контакт с проверяемым лицом.

Успех мероприятия в значительной степени зависит от того, насколько выбранная легенда соответствует ожиданиям противоположной стороны. Ошибка в выборе модели поведения может привести не только к срыву мероприятия, но и к преждевременному рассекречиванию оперативного сотрудника.

Предиктивное моделирование позволяет решить эту проблему путем предварительного формирования цифрового профиля проверяемого лица на основе его активности в интернет-среде.

Анализируются следующие параметры:

– частота и время выхода в сеть;

– используемые псевдонимы и их стилистика;

– круг общения;

– типичные запросы и темы обсуждений;

– наличие или отсутствие навыков технической грамотности (использование VPN, TOR, криптовалютных кошельков).

На основании этих данных система строит психологический и поведенческий портрет объекта и генерирует прогноз относительно того, какой тип покупателя вызовет у него наибольшее доверие: «новичок», демонстрирующий осведомленность о специфике рынка. К примеру, в рамках проведения проверочной закупки в DarkNet может быть апробирована методика выбора легенды на основе предиктивной модели.

В рамках апробации методики предиктивного моделирования при проведении проверочных закупок в сети Интернет на базе курсов повышения квалификации сотрудников органов внутренних дел по дополнительной профессиональной программе «Противодействие преступлениям, совершаемым с использованием информационнотелекоммуникационных технологий» в период с 2022 по 2025 год нами было проведено анкетирование слушателей с целью оценки эффективности выбора тактической легенды на основе поведенческого профиля объекта оперативного интереса.

В рамках практического занятия слушателям было предложено проанализировать массив из 3000 сообщений сбытчика наркотических средств и ответить на вопросы анкеты, касающиеся выявления поведенческих паттернов объекта.

По результатам обработки анкет установлено, что в 82 % случаев респонденты отметили, что сбытчик предпочитал работать с покупателями, которые:

– использовали нетипичную лексику, характерную для форумов наркотической тематики (специфический сленг) – 78 %;

• –    запрашивали минимальный объем — «пробную партию» – 81 %;

• –    задавали технические вопросы о способах оплаты и маскировки – 74 %.

На основании полученных прогнозов 76 % опрошенных выбрали для проведения проверочной закупки легенду «покупателя-новичка, но начитанного», что, по их оценке, обеспечило бы успешное проведение мероприятия. Контрольный сценарий с легендой «оптового клиента» признали потенциально неэффективным 88 % респондентов, что подтвердило валидность прогностической модели и обоснованность выбора тактической линии поведения оперативного сотрудник а2.

Следует подчеркнуть, что предиктивная модель не подменяет профессиональный опыт оперативного сотрудника, а расширяет его, предоставляя научно обоснованные варианты тактических решений. Окончательный выбор сценария остается за человеком, который учитывает факторы, не поддающиеся формализации (интуитивное понимание ситуации, знание местной специфики, опыт работы с конкретными преступными группами). Таким образом, достигается оптимальный симбиоз когнитивных возможностей человека и вычислительной мощности машины.

Представленный анализ показывает, что интеграция когнитивных технологий в ОРД не является отдаленной перспективой, а уже сегодня может быть реализована в рамках действующего законодательства на этапе аналитической поддержки принятия решений о проведении конкретных ОРМ.

Предложенные меры и алгоритмы не выходят за пределы компетенций, установленных для оперативных подразделений, и не требуют немедленного изменения законодательства, поскольку не наделяют системы искусственного интеллекта самостоятельными властными полномочиями.

Вместе с тем их внедрение требует разработки специальных ведомственных нормативных актов, регламентирующих порядок применения, документирования и контроля за использованием когнитивных систем, а также могут способствовать повышению уровня подготовки квалифицированных кадров, способных грамотно интерпретировать результаты когнитивной аналитики и интегрировать их в тактику проведения ОРМ.