Технологии будущего против криминала

Владимир Овчинский, 2017

Уголовный мир в XXI веке будет заметно отличаться от своих предшественников – преступников предыдущих веков. Новые преступники станут более интеллектуальны и технологичны. (Об этом подробно рассказано в другой книге автора, написанной в соавторстве с Еленой Лариной: «Криминал будущего уже здесь»). Что государство и общество могут противопоставить современным формам преступности? Как в условиях постиндустриального информационного общества успешно бороться с хакерами, фишингом и другими преступлениями, совершенными «по удаленке» – когда мошенник находится за тридевять земель и за десятки границ от жертвы? Как предотвратить такие преступления? В своей новой книге Владимир Овчинский показал возможности использования достижений очередной НТР в защите граждан, государства и общества как от новых форм преступности, так и от традиционных. Его работа представляет собой своего рода первый отечественный опыт обобщения технологических возможностей XXI века в борьбе с криминалом. Книга будет интересна для сотрудников российских правоохранительных органов и спецслужб, а также всех интересующихся проблемами обеспечения безопасности общества будущего и просто для людей, желающих защитить свое имущество и неприкосновенность личной жизни в условиях, когда стены стали прозрачными, а твой телефон следит за тобой.

Глава 2.

Искусственный интеллект и «большие данные» для предупреждения и раскрытия преступлений

Искусственный интеллект

Джошуа Бенджо — профессор информатики в Монреальском университете, один из пионеров в области разработки методов глубинного обучения, считает, что после 2005 г. исследования в области искусственного интеллекта стали перспективным делом. И произошло все это благодаря концепции глубинного обучения — так называется подход к созданию компьютеров, наделенных искусственным интеллектом, черпающий вдохновение в нейробиологии. В последние годы концепция глубинного обучения стала тем самым локомотивом, который придал ускорение исследованиям в области искусственного интеллекта. Теперь крупнейшие ИТ-компании принялись вкладывать в технологию глубинного обучения миллиарды долларов (В мире науки [08/09] август/сентябрь 2016).

Принцип глубинного обучения заключается в моделировании нейронных сетей, которые постепенно «учатся» распознавать изображения, понимать речь и даже самостоятельно принимать решения. Технология глубинного обучения основана на использовании так называемых искусственных нейронных сетей — основного объекта нынешних исследований в области ИИ. Нет, виртуальные, искусственные нейронные сети вовсе не представляют собой точную копию настоящих нейросетей головного мозга, и функционируют они примитивнее: в основу их работы положены общие математические принципы обучения на примерах из обучающей выборки, что позволяет нейросетям распознавать всевозможные объекты на фотографиях (например, лица людей и т.д.) или переводить тексты, написанные на основных языках мира.

Технология глубинного обучения коренным образом изменила сам характер исследований в области ИИ, вдохнув новую жизнь в позабытые было амбициозные планы по созданию компьютерного зрения, распознаванию речи, обработке естественных языков, реализации проектов в области робототехники. Первые программы распознавания речи были созданы в 2012 г. (например, всем известный сервис Google Now). Затем стали появляться приложения, распознающие фотографии (данная функция в настоящее время интегрирована в сервис Google Photos).

До недавнего времени искусственные нейронные сети использовались в значительной степени для распознавания статичных образов. Однако постепенно получил известность другой тип нейро-сетей — рекуррентные нейронные сети, которые стали применяться в основном для анализа процессов, протекающих во времени. В частности, такие сети оказались способны корректно выполнять обработку аудио — и видеоизображений, а также некоторых других видов информации. Последовательные данные состоят из блоков (фонем, слов), которые следуют друг за другом. Процесс обработки входных сигналов с помощью рекуррентных нейросетей имеет сходство с работой мозга, ведь и в головном мозге во время обработки информации, поступающей от органов чувств, происходит постоянное изменение сигналов, циркулирующих между нейронами. Получается, что состояние каждого нейрона во внутренних слоях постоянно меняется в зависимости от мощности сигналов, поступающих в головной мозг из внешней среды, а на выходе мы получаем последовательность команд, которые инициируют двигательную активность разных частей тела, направленную на достижение конкретной цели.

Конец ознакомительного фрагмента.