Лекційні матеріали

ТЕМА 2. Eкспертні системи, проблеми їх використання для вирішення криміналістичних завдань

1. Експертні системи як особливий вид автоматизованих систем

Експертні системи (ЕС) – одне з найбільш суттєвих практичних досягнень у сфері штучного інтелекту.

Хоча звичайно експертні системи спрямовані на використання у досить обмежених предметних галузях, у випадку застосування їх для вирішення реальних завдань досягнуті значні результати. Вони обумовили велике зацікавлення експертними системами не тільки фахівців-теоретиків, але й практичних працівників у найрізноманітніших галузях людської діяльності.

У свою чергу, ЕС поклали початок розвитку сукупності методів "інженерії знань", тобто технічних прийомів використання знань, які складають новий підхід до створення високоефективних програмних систем.

Необхідно зауважити, що у галузі систем баз знань і штучного інтелекту термінологія поки що досить невизначена. Тому багато термінів пояснюються різнобічно. На вибір та пояснення термінів впливають традиції і смаки спеціалістів із суміжних галузей (системне програмування, математична логіка, бази даних та ін.).

З курсу інформатики вам вже відомі такі поняття, як:

База даних (БД) – іменована сукупність даних, які відтворюють стан та співвідношення об’єктів предметної галузі, що розглядається.

Система управління базами даних (СУБД) – сукупність мовних та програмних засобів, призначених для створення, ведення і спільного використання БД багатьма користувачами.

Інформаційна система (ІС) – система, що забезпечує автоматизований збір, обробку та маніпулювання даними і містить у собі технічні засоби обробки даних, програмне забезпечення та відповідний персонал.

Для розгляду цієї теми нам знадобляться такі поняття, як:

База знань (БЗ) – сукупність предметного знання і понятійного знання або сукупність набору даних та евристичних прийомів (емпіричних правил певного професійного середовища).

Тобто, БЗ містить у собі факти (які можуть бути і відсутні у ній), та правила, які є інформацією про методи породження нових фактів та гіпотез з того, що зараз вже відомо.

Система управління базами знань (СУБЗ) – інструментальна система, яка забезпечує створення і використання баз знань, або прикладна система з конкретною прикладною базою знань.

Штучний інтелект (ШІ) – спеціалізований напрямок досліджень, пов’язаний із створенням комп’ютерів, здатних навчатися, аналізувати та розуміти.

Хоча у цьому визначенні поняття штучний інтелект розглядається як суто теоретичне, на практиці воно вже дало суттєві результати (реалізації). Як, наприклад, "зір роботів", програми, що забезпечують комп’ютеру можливість "розуміти" та "розмовляти" на звичайній людській мові, бази знань для забезпечення вирішення якісних проблем та інші.

Існує багато визначень експертних систем, зміст яких можливо сформулювати таким чином:

Експертна система (ЕС) - це обчислювальна система, в якій зібрані знання фахівців про деяку конкретну проблемну галузь і яка, у межах цієї галузі, здатна приймати експертні рішення на рівні експерта-професіонала та, на вимогу користувача, надавати пояснення ходу своїх міркувань зрозумілим для користувача способом.

Звернемо увагу на те, що якщо в експертній системі акумульовані знання експертів-криміналістів, то ми можемо говорити про ЕС експертно-криміналістичного призначення. Не слід плутати поняття експертної системи взагалі та системи для експертно-криміналістичної діяльності.

Тепер стисло ознайомимося з історією зародження та розвитку нової інформаційної технології.

Відповісти на питання, звідки початкує обробка інформації, досить важко. Інформація безпосередньо пов’язана з існуванням людини. Тому все, що породжено її діяльністю, так або інакше має свій інформаційний бік. Наприклад, звичайне реле можна назвати інформаційною машиною, яка оперує одним бітом інформації.

Минемо перші дві тисячі років зародження штучного інтелекту і почнемо розгляд його історії з 50-х років нашого століття, коли фантазія про "розумні машини", завдяки створенню перших цифрових обчислювальних машин, стала реальністю.

Для обчислювальної техніки 60-70 - ті роки були періодом бурхливого розвитку різноманітних систем обробки інформації у різних сферах використання ЕОМ (наука, промисловість, суспільне життя). Різко підвищилась продуктивність та надійність ЕОМ, суттєво зросли обсяги оперативної та зовнішньої пам’яті, розширились номенклатура периферійних пристроїв і функціональні можливості систем програмного забезпечення. Характерним наслідком цих процесів стало створення на початку 80-х років персональних ЕОМ, суттєво більш доступних для користувачів, що значно розширило сферу використання комп’ютерів.

Однак, на початку 80-х років розвиток засобів обчислювальної техніки та їх використання все більше стримується традиційною технологією вирішення завдань на ЕОМ.

Стає очевидним, що прогрес у технічному розвитку засобів обчислювальної техніки має кількісний характер, що є необхідною, але не достатньою умовою ефективного використання комп’ютерів. Потрібне виконання ще однієї умови забезпечення високого рівня обробки інформації. А це, у свою чергу, потребує корінної зміни принципів організації прикладного програмного забезпечення (ППЗ) та методів його використання при вирішенні завдань.

Головна ідея нової інформаційної технології полягає у тому, щоб розглядати систему понять предметної галузі і відповідність між нею та системою формальної моделі як похідну інформацію для вирішення прикладного завдання.

Такий підхід забезпечує користувачу можливість самостійної зміни понять предметної галузі, визначення нових понять через вже "відомі" системі, тобто, згідно наведеному раніше визначенню, роботу з базою знань.

Під терміном "знання" при цьому слід розуміти усю сукупність інформації, необхідної для вирішення завдання, а саме:

· інформацію про систему понять предметної галузі завдань, що вирішуються;

· інформацію про систему понять формальних моделей, на основі яких вирішується завдання;

· інформацію про методи інтерпретації понять предметної галузі у систему формальної моделі;

· дані про поточний стан предметної галузі;

· відомості про методи вирішення завдань.

Зауважимо, що знання про предметну галузь, організовані на основі вибраних методів і засобів подання знань, називаються моделлю предметної галузі.

Головна вимога до обчислювальної системи, що визначає нову інформаційну технологію - перетворення машини у зручного партнера кінцевого користувача при виконанні ним функцій, пов’язаних з його професійною діяльністю. Кінцевим користувачем при цьому вважається не якийсь посередній користувач, а спектр різноманітних користувачів, кожен з яких, у свою чергу, висуває до системи спектр різних вимог.

Таким чином, якщо при традиційному ставленні до використання ЕОМ, процес обробки інформації при вирішенні завдань визначається як виконання програми, то за новою технологією, - як отримання потрібних знань, що й є, у цьому випадку, єдиною метою процесу обробки.

Сформулюємо вимоги до загальної організації процесу обробки інформації за новою технологією:

· вирішення будь-якого завдання має розглядатися як подання користувачу потрібного знання, відповідно до дея­кої специфікації на знання, що міститься у запиті;

· інформаційна потреба "споживача" у будь-яких знаннях визначається як відсутність інформації, необхідної для вирішення підзавдання у межах загального завдання у складі людино-машинної системи (ЛМС);

· хід вирішення завдання у будь-який проміжок часу оцінюється за станом системи знань обчислювальної системи, процедурна частина якої залишається постійною, а декларативна - постійно змінюється (процедурна частина - програмні знання, декларативна (описова) частина - структури даних, що виконують тільки функцію відображення середовища).

Структура обчислювальної системи, що задовольняє вимогам нової технології вирішення завдання на ЕОМ, складається з трьох комплексів обчислювальних засобів, поєднаних за схемою, зображеною на малюнку 1.

Виконавча система поєднує усю сукупність засобів, які забезпечують виконання сформованої програми. До них належать:

· програми обчислення;

· програми пошуку інформації у базі знань;

· програми логічного виводу;

· апаратні засоби, що забезпечують роботу системи.

База знань займає центральне місце по відношенню до інших засобів обчислювальної системи. Через базу знань здійснюється інтеграція засобів обчислювальної системи, які беруть участь у вирішенні завдання.

Знання, що містяться у базі знань, є незалежними від програм, які їх опрацьовують, і утворюють цілісну структуру.

Інтелектуальний інтерфейс являє собою систему програмних та апаратних засобів, що забезпечують користувачу, який не має спеціальної підготовки у галузі обчислювальної техніки, використання ЕОМ при вирішенні ним своїх професійних завдань.

У інтелектуальному інтерфейсі виділяють блок "вирішувач", який являє собою сукупність засобів, що забезпечують у діалозі з користувачем автоматичний синтез програми вирішення підзавдання (завдання), і систему спілкування - сукупність трансляторів, які здійснюють перетворення мови користувача на мову подання знань у базі знань, та зворотну трансляцію.

З вищевикладеного стає очевидним, що відмінна риса обробки знань полягає у корінній зміні людино-машинних відносин і у відповідності до цього - становленню нового стилю вирішення проблем.

Сьогодні, однак, існує досить вагома різниця між надіями, що покладалися на обробку знань, і реальними прикладними системами обробки знань. Про які б функції обробки знань не йшла мова, головними з них поки ще є дедуктивні висновки та база знань, яку вони використовують. Для них характерні дві форми застосування: пошукова та розроблююча.

Пошукова форма є такою формою використання системи обробки знань, при якій знання експертів згуртовані разом і зберігаються у пам’яті комп’ютера, а система забезпечує використання цих знань нефахівцями або особами більш низької кваліфікації, ніж експерт.

Розроблююча форма застосування орієнтована на використання системи обробки знань експертами. Такі системи містять дедуктивні висновки як власний елемент. Вони підтримують породження нових об’єктів і пошук нових знань за допомогою швидкодіючої реалізації циклу побудови моделей, їх аналізу та оцінки. Таку форму застосування можна назвати творчою.

У системах пошукового типу введені знання використовуються користувачами більш низького рівня, ніж експерти, що надали ці знання, у той час як у системах розроблюючого типу на базі введених у неї знань, як правило, породжуються знання більш високого рівня, ніж у експертів. Це є найбільшою відміною між цими формами відносно побудови систем обробки знань.

2. Особливості побудови та галузі застосування експертних систем та систем підтримки прийняття рішень

Основою кожної експертної системи є широкий запас знань про конкретну проблемну галузь. У більшості випадків ці знання організовані як деяка сукупність правил, які дозволяють робити висновки на основі похідних даних або припущень.

Загалом ідеальна експертна система повинна відповідати нижченаведеним головним властивостям, які одночасно є її характеристиками:

1) ЕС обмежена визначеною сферою експертизи;

2) компетентність ЕС, тобто рішення, які вона приймає, мають бути такого ж високого рівня, як і в експерта-фахівця;

3) здатність до міркувань при сумнівних даних на основі символьних перетворень з використанням окремих та загальних схем міркувань;

4) здатність вирішувати реальні завдання у межах визначеної предметної галузі та надавати пояснення прийнятим рішенням зрозумілим способом;

5) факти та механізм виводу чітко розмежені одне від одного (знання не кодуються у дедуктивних процедурах);

6) відкритість ЕС, тобто можливість нарощування системи;

7) ЕС базується на використанні правил і володіє здатністю до переформулювання запитів та завдань;

8) здатність до метаміркувань, тобто до міркувань про свою роботу та структуру;

9) ЕС на виході надає пораду (не таблиці цифр, не красиві малюнки, а чітку пораду);

10) ЕС повинна бути економічно вигідною.

Ці властивості характеризують експертні системи як деякий клас систем штучного інтелекту, у складі яких неодмінно присутні база знань та деяка схема міркувань, що має назву системи (машини) логічного виводу.

Такий підхід до конструювання інформаційних систем дозволяє перейти від традиційної інформаційної технології, при якій

ДАНІ + АЛГОРИТМ = ПРОГРАМА,

до нової архітектури, що реалізує співвідношення

ЗНАННЯ + ВИВІД = СИСТЕМА.

Структура ідеальної експертної системи подана на малюнку 2.

Ідеальна експертна система має у своєму складі п’ять головних компонентів, а саме: базу знань та систему логічного виводу, які складають ядро ЕС, інтерфейс з користувачем та модуль надбання (засвоєння) знань і модуль відображення та пояснення рішень.

Зауважимо, що наявність у складі ЕС модулів надбання знань і відображення та пояснення рішень визначає їх головну відміну від інших вирішуючих систем штучного інтелекту. Наприклад, від інтелектуальних комп’ютерних ігор ("Шахи", "Хрестики-нулики", "Го" та ін).

Функція модуля засвоєння (надбання) знань полягає у підтримці процесу здобуття знань з вузько спеціалізованої предметної галузі.

Під процесом здобуття знань звичайно розуміють процес передачі досвіду по вирішенню обумовленого класу завдань від джерела знань до програмної системи. Потенційними джерелами знань є експерти, спеціальна література з конкретної проблеми та особистий досвід користувача.

Звичайно, дані про предметну галузь мають уривчастий характер, слабко структуровані та погано формалізовані. Функції по передачі знань від джерела до експертної системи виконуються інженерами по знанням. Це найбільш вузьке місце при проектуванні ЕС. Робляться спроби автоматизації цього процесу. Одним з найбільш простих способів є ор­ганізація роботи експерта з використанням опитово-відповідальної системи. Сьогодні вже створені програми, які здатні навчатися як фактичним знанням про предметну галузь, так і знанням про стратегії вирішення завдань. Однак, розв’язання задачі індуктивного виводу для узагальненого випадку автоматизованого формування бази знань, навіть теоретично поки що не знайдено.

База знань і машина логічного виводу. Ці два компоненти складають ядро експертної системи.

У базах знань розвинених ЕС, як правило, виділяють чотири типи знань: фактуальні (декларативні), процедурні, керуючі і метазнання.

Фактуальні знання (база фактів) являють собою інформацію про конкретні факти. Вона формується користувачем, який визначає, які факти слід вважати правдивими.

Процедурні знання збирають шляхом опитування експерта. Вони складають серцевину бази знань ЕС.

Керуючі знання являють собою деяку сукупність стратегій розв’язання завдань.

Метазнання – це знання ЕС про саму себе, про свою роботу, свою структуру, свою базу знань та схеми міркувань ("знання про знання"). Метазнання обумовлюють рівень компетентності ЕС та відіграють важливу роль у міркуваннях експерта (людини). Зауважимо, що у більшості сучасних ЕС метазнання або взагалі відсутні, або присутні у неявному вигляді.

Зазначимо, що вдосконалення, внесені розробниками у сучасні системи управління базами даних, дозволяють використовувати їх при створенні експертних систем. При цьому СУБД використовують не тільки як систему, яка забезпечує маніпулювання базою фактів, а навіть як інструментальні засоби побудови ЕС.

Машина (система) логічного виводу, використовуючи інформацію бази знань, генерує рекомендації по вирішенню похідного завдання.

Як вважають більшість фахівців, здатність до пояснення є однією з головних якостей, що присутня ЕС. Відображення проміжних та кінцевих результатів вирішення та пояснення користувачу дій системи виконує модуль відображення та пояснення вирішення. Звичайно система відповідає на запитання: "як?", "чому?", "які?". Наприклад, "яким чином одержано це рішення?", "як використовувалась вказана інформація?", "яке рішення прийнято по визначеному підзавданню ?", "чому не використовувалась вказана інформація?", "чому не використовувалось вказане правило?", "які знання використані при отриманні відповіді?", "які співвідношення існують у базі знань?".

Форми відповіді можуть бути різноманітними:

· текст на редуційованій природній мові у супроводі схем та малюнків;

· зворотне розгортання дерева цілей (траси виводу) з визначенням цілей;

· виклик працюючого правила або правила, пов’язаного з цією подією;

· пошук в базі знань і подання правил, які є відповіддю на запитання.

Відзначимо, що найбільш переконливим для користувача є пояснення, що ґрунтується на фундаментальних принципах організації знань у предметній галузі, що розглядається. Однак реалізація пояснення такого рівня практично недоступна сучасним ЕС.

Взаємодія користувача з ЕС здійснюється завдяки інтерфейсу з користувачем. В інтерфейсі з користувачем відбувається перетворення (трансляція) речень природної мови (або іншої проблемно-орієнтованої мови непроцедурного типу) на внутрішню мову подання знань цієї експертної системи.

Ознайомившись з структурою експертних систем, розглянемо галузі їх використання. У літературі з питань створення та використання ЕС міститься досить повний перелік практичних реалізацій цих систем у найрізноманітніших галузях людської діяльності. Так, ЕС вже використовуються у таких галузях:

· інтерпретація, тобто аналіз даних, за якими ведеться спостереження, з метою визначення їх змісту. Наприклад, визначення хімічних структур при проведенні масспектрометричних досліджень;

· прогноз – прогнозування перебігу подій у майбутньому на основі моделі минулого та сучасного або визначення ймовірних наслідків з визначеної ситуації при наявності, як правило, неповної інформації;

· діагностика – процес пошуку несправностей у системі, визначення стадії захворювання живого організму, що заснований на інтерпретації даних (наприклад, зняття ЕКГ при медичному обстеженні);

· моніторинг, тобто порівняння спостережень з критичними точками плану та повідомленням при відхиленні від плану;

· планування – побудова конфігурацій об’єктів у відповідності заданим вимогам та обмеженням. Наприклад, проектування схем ЕОМ;

· налагодження, тобто подання рекомендацій по усуненню несправностей;

· ремонт – виконання плану організації виправлення деякого виявленого дефекту;

· управління, тобто керівництво поведінкою деякої системи. Наприклад, керівництво повітряним або наземним транспортом.

Ознайомившись з питаннями теорії побудови та галузями використання експертних систем, розглянемо коротко класи інструментальних засобів їх розробки. Існує декілька десятків цих засобів, які умовно можна поділити за такими класами: звичайні мови програмування, мови подання знань, порожні (каркасні) експертні системи або оболонки ЕС, інтегровані гібридні інструментальні середовища або комплекси, засоби побудови навчальних систем, засоби побудови систем підтримки прийняття рішень.

Мови програмування загального призначення (Фортран 77, Кобол, Сі, Паскаль, Бейсік, ЛІСП та ін.), хоча й не мають ніяких спеціальних засобів, орієнтованих на підтримку розробки систем баз знань, є засобами реалізації значної частини експертних систем.

Мови подання знань орієнтовані на розробку систем баз знань, і відповідно, вже містять у собі специфічні засоби подання знань та вмонтований механізм пошуку виводу. До них належать: Пролог, KRL, OPS5 (найбільш поширений у США), Loglisp, Пленер, LOOPS та ін.

Порожні експертні системи (або, як їх ще називають, родові, каркасні, інструментальні, оболонки ЕС) містять, як правило, реалізацію деякої мови подання знань (наприклад, інтегратор правил) і засоби інтерфейсу, призначені як для конструктора експертних систем або інженера по знанням, так і для кінцевого користувача (підсистема пояснення рішень). Ці засоби дозволяють практично повністю виключити звичайне програмування при створенні експертних систем. До них належать системи EMY-CIN, GURU, Xi Plus, ЕКСПЕРТ МІКРО, в основі яких покладені продуційні правила, а також Tk-Solver (на основі рівнянь з відповідною процедурою вирішення) та ряд інших порожніх експертних систем.

Інтегровані гібридні засоби мають більш гнучкі інструментальні можливості, ніж порожні ЕС. Вони містять декілька різнорідних засобів подання даних та знань і збільшений набір засобів організації інтерфейсів. До цього класу належать функціонуючі на спеціальних Лісп-станціях системи ART та KEE.

Комп’ютерні або автоматизовані навчаючі системи (АНС) є спеціальним видом систем, що базуються на знаннях. За допомогою інструментальної АНС створюються і функціонують прикладні системи, для навчання конкретному предмету. Засоби, що надаються типовою інструментальною АНС, забезпечують виконання таких функцій:

1) задавати види та структуру навчального матеріалу;

2) редагувати та зберігати його в пам’яті машини, організованим відповідним чином;

3) описувати процес навчання за допомогою відповідного сценарію, у якому можуть враховуватись результати навчання.

Досить перспективним напрямком у розвитку АНС є поєднання можливостей систем баз знань з технологією мультимедіа, яка дозволяє поєднувати у комп’ютерній системі текст, звук, відеозображення, графічні зображення та анімацію.

Експертна система відрізняється від інших прикладних програм наявністю таких ознак:

· моделює механізм мислення людини при застосуванні для розв'язання задач в цій предметній області. Це істотно відрізняє експертні системи від систем математичного моделювання або комп'ютерної анімації. Однак, ЕС не повинні повністю відтворювати психологічну модель фахівця в цій області, а повинні лише відтворювати за допомогою комп'ютера деякі методики розв'язання проблем, що використовуються експертом;

· система, окрім виконання обчислювальних операцій, формує певні висновки, базуючись на тих знаннях, якими вона володіє. Знання в системі, зазвичай, описані деякою спеціалізованою мовою і зберігаються окремо від програмного коду, що формує висновки. Компонент збереження знань прийнято називати базою знань.

Під час розв’язання задач основну роль відіграють евристичні і наближені методи, що, на відміну від алгоритмічних, не завжди гарантують успіх. Евристика, в принципі, є правилом впливу (англ. rule of thumb), що в машинному вигляді відображає деяке знання, набуте людиною разом із накопичуванням практичного досвіду розв'язання аналогічних проблем. Такі методи є наближеними в тому сенсі, що, по-перше, вони не потребують вичерпної вихідної інформації, а, по-друге, існує певний ступінь впевненості (або невпевненості) в тому, що запропонований розв'язок є правильним.

Експертні системи відрізняються і від інших видів програм із галузі штучного інтелекту.

Експертні системи застосовуються для предметів реального світу, операції з якими зазвичай вимагають великого досвіду, накопиченого людиною. Експертні системи мають яскраво виражену практичну направленість для застосування в науковій або комерційній сфері.

Однією з основних характеристик експертної системи є її швидкодія, тобто швидкість отримання результату та його достовірність (надійність). Дослідницькі програми штучного інтелекту можуть бути і не дуже швидкими, натомість, експертна система повинна за прийнятний час знайти розв'язок, що був би не гіршим за розв'язок, що може запропонувати фахівець в цій предметній області.

Експертна система повинна мати можливість пояснити, чому запропоновано саме цей розв'язок і довести його обґрунтованість. Користувач повинен отримати всю інформацію, необхідну йому для того, аби переконатись в обґрунтованості запропонованого розв'язку.

Розглянемо детальніше системи підтримки прийняття рішень (СППР).

Людина у своїй практичній діяльності використовує різноманітні інтелектуальні функції, такі, як інтуїція, творчість, уява, асоціація, індукція, дедукція, обчислення, пошук та ін. Зрозуміло, що вони закладені в людині, але ніхто не знає, яким саме чином ці функції реалізуються у її мозку.

Для вирішення проблеми необхідні різноманітні функції. Але на сьогодні, функцією самого загального виду, що допускає її машинне втілення, є дедукція. І саме це встановлює межі інтелектуальної обробки знань за допомогою електронно-обчислювальної техніки у поточній ситуації.

Механізм дедуктивних висновків при обробці знань надає лише можливість повторного використання одержаної у минулому інформації. І ця обставина має найважливіший зміст в проектуванні інтелектуальної обробки інформації.

Зрозуміло, що при використанні такого підходу система обробки знань приймає форму системи підтримки всього процесу прийняття рішення з вибраної проблеми. При цьому на людину покладено процес побудови похідної моделі, а ЕОМ провадить її аналіз. За результатами цього аналізу корегується похідна модель.

Таким чином, системи підтримки прийняття рішення призначені для того, щоб ефективно допомагати діяльності людини і у підсумку отримати вирішення проблеми, причому за якомога коротший термін.

Системи підтримки прийняття рішень з'явилися та широко розповсюдились у галузях, пов'язаних з фінансово-економічною діяльністю. Головними засобами подання знань та отримання рішень таких систем є "електронні таблиці" або, як їх ще називають, таблиці, які розповсюджуються. Залежності, які виражають за допомогою "електронних таблиць", дозволяють будувати робочу модель прикладної ситуації та проводити її аналіз типу: "що буде, якщо...", тобто, що буде, якщо деякі значення (змінні) досліджуваної моделі приймуть певні значення.

Системи підтримки прийняття рішень, які реалізують проведення аналізу типу "що буде, якщо...", а також більш глибокий вид моделювання "який найкращій варіант" знайшли широке застосування у різноманітних галузях людської діяльності. Будучи реалізацією експертних систем, СППР успішно використовуються і при вирішені проблем у галузі права.

3. Проблеми і практика використання експертних систем у галузі права та при розслідуванні злочинів.

Ідеї кібернетики, математичних методів і обчислювальної техніки у правознавстві та практичній діяльності юридичних установ давно вийшли за межі експериментального пошуку. Свідченням тому є, зокрема, той факт, що вже створені та продовжують вдало функціонувати обчислювальні центри та автоматизовані робочі місця практичних працівників у системі Міністерства юстиції, Прокуратури, МВС. Крім того, діє широка мережа автоматизованих систем, що обслуговують державно-правову діяльність.

Теоретичні основи створення та розвитку правових кібернетичних систем визначає достатньо молода (у галузі юридичних наук) правова кібернетика. Правову кібернетику можна визначити як комплексну галузь знань про закономірності, умови та особливості використання математичних методів, ідей та технічних засобів кібернетики з метою оптимізації та підвищення ефективності інформаційних процесів при вирішені конкретних юридичних завдань, а також функціонування інформаційних систем правового змісту та керування ними.

Це визначення, у поєднанні з контрольним списком характеристик придатності підходу з використанням знань наведеними у таблиці 1, дозволяє зробити висновок щодо широких практичних можливостей використання баз знань і, в першу чергу, експертних систем у галузі права. При цьому, однак, неодмінно слід зауважити, що впровадження в правову діяльність кібернетичних систем породжує проблему: "людина чи машина?". Ця проблема може бути розглянута у двох аспектах: загальному та спеціальному.

У загальному аспекті питання виглядає таким чином: чи може машина замінити людину взагалі, зробити непотрібними її здібності, емоції, розум, волю, зайняти її місце у суспільстві.

Спеціальний аспект проблеми виглядає як питання про те, чи може машина виконувати якісь функції людини краще ніж вона сама, справлятися з якимсь різновидом людської діяльності більш якісно, швидко та безпомилково. Саме на цей аспект проблеми необхідно звертати увагу при вирішені питання про можливість застосування експертних систем у галузі права взагалі та у криміналістичній діяльності зокрема.

За похідне приймемо положення академіка В. М. Глушкова. Він пише: "... в чисто техническом аспекте возможность для машины превзойти своего создателя сегодня не вызывает сомнений. Более того, принципиально ясна техническая возможность построения систем машин, которые могли бы не только решать отдельные интеллектуальные задачи, но и осуществлять комплексную автоматизацию таких высоко интеллектуальных процессов, как развитие науки и техники".

З наведеного можливо зробити висновок, що немає принципових перешкод для повного моделювання діяльності людини-експерта та автоматизації цієї діяльності з урахуванням того, що всі похідні, дослідницькі та оцінювальні процедури експертного дослідження машина зможе виконувати швидше та й більш якісно і об’єктивно, ніж експерт-людина.

Однак зауважимо, що на поточний момент більшість експертних систем, які функціонують у галузі права, репрезентовані системами підтримки прийняття рішення. Таким чином, процес прийняття кінцевого рішення при вирішені завдання покладено на експерта - людину, а ЕОМ є лише інструментом пошуку оптимального результату.

Експертні системи відзначаються певними перевагами над людьми-експертами при використанні. Зокрема, експертна система:

· переважає можливості людини при вирішенні надзвичайно громіздких проблем;

· не має упереджених думок, тоді як експерт може користуватися побічними знаннями і легко піддається впливу зовнішніх факторів;

· не робить поспішних висновків, нехтуючи певними етапами знайдення рішення;

· забезпечує діалоговий режим роботи;

· дозволяє роботу з інформацією, що містить символьні змінні;

· забезпечує коректну роботу з інформацією, яка містить помилки, за рахунок використання ймовірнісних методів досліджень;

· дозволяє проводити одночасну обробку альтернативних версій;

· за вимогою пояснює хід кроків реалізації програми;

· забезпечує можливість обґрунтування рішення та відтворення шляху його прийняття.

Але навіть найкращі з існуючих експертних систем мають певні обмеження у порівнянні з людиною-експертом.

Штучний інтелект (англ. Artificial intelligence) – розділ комп’ютерної лінгвістики та інформатики, що займається формалізацією проблем та завдань, які нагадують завдання, виконувані людиною. При цьому, у більшості випадків алгоритм розв'язання завдання невідомий наперед. Точного визначення цієї науки немає, оскільки у філософії не розв'язане питання про природу і статус людського інтелекту. Немає і точного критерію досягнення комп'ютером «розумності», хоча перед штучним інтелектом було запропоновано низку гіпотез, наприклад, тест Тюринга або гіпотеза Ньюела-Саймона. Нині існує багато підходів як до розуміння задач штучного інтелекту, так і до створення інтелектуальних систем.

Одна з класифікацій виділяє два підходи до розробки штучного інтелекту:

· семіотичний – створення символьних систем, що моделюють високорівневі психічні процеси: мислення, судження, мову, емоції, творчість і т. д.;

· біологічний – вивчення нейронних мереж і еволюційні обчислення, що моделюють інтелектуальну поведінку на основі менших «неінтелектуальних» елементів.

Ця наука пов'язана з психологією, нейрофізіологією, трансгуманізмом та ін. Як і всі комп'ютерні науки, вона використовує математичний апарат. Особливе значення для неї мають філософія і робототехніка.

Штучний інтелект – молода область досліджень, започаткована 1956 року. Її історичний шлях нагадує синусоїду, кожен «зліт» якої ініціювався деякою новою ідеєю. Сьогодні її розвиток перебуває на «спаді», поступаючись застосуванню вже досягнутих результатів в інших областях науки, промисловості, бізнесі та навіть повсякденному житті.

Єдиної відповіді на питання чим займається штучний інтелект (ШІ), не існує. Майже кожен автор, який пише книгу про штучний інтелект, відштовхується від якогось визначення, розглядаючи в його світлі досягнення цієї науки. Зазвичай ці визначення зводяться до наступних:

· штучний інтелект вивчає методи розв'язання задач, які потребують людського розуміння. Грубо кажучи мова іде про те, щоб навчити ШІ розв'язувати тести інтелекту. Це передбачає розвиток способів розв'язання задач за аналогією, методів дедукції та індукції, накопичення базових знань і вміння їх використовувати;

· штучний інтелект вивчає методи розв'язання задач, для яких не існує способів розв'язання або вони не коректні (через обмеження в часі, пам'яті тощо). Завдяки такому визначенню інтелектуальні алгоритми часто використовуються для розв'язання NP-повних задач, наприклад, задачі комівояжера;

· штучний інтелект займається моделюванням людської вищої нервової діяльності;

· штучний інтелект – це системи, які можуть оперувати з знаннями, а найголовніше – навчатися. У першу чергу йдеться про те, щоби визнати клас експертних систем (назва походить від того, що вони спроможні замінити «на посту» людей-експертів) інтелектуальними системами;

· останній підхід, що почав розвиватися з 1990-х років, називається агентно-орієнтованим підходом. Цей підхід акцентує увагу на тих методах і алгоритмах, які допоможуть інтелектуальному агенту виживати у довкіллі під час виконання свого завдання. Тому тут значно краще вивчаються алгоритми пошуку і прийняття рішення.

Найзагальніший підхід полягає в тому, що штучний інтелект матиме змогу поводити себе як людський в нормальних ситуаціях. Ця ідея являє собою узагальнений підхід тесту Тюрінга, який стверджує, що машина стане розумною тоді, коли буде спроможна підтримувати діалог зі звичайною людиною, а та не зможе зрозуміти, що розмовляє з машиною (діалог ведеться переписуванням).

Письменники-фантасти часто пропонують ще один підхід: штучний інтелект виникає тоді, коли машина буде відчувати і творити. Так, наприклад, хазяїн Ендрю Мартіна з «Двохсотлітньої людини» Айзека Азімова починає ставитись до нього як до людини тоді, коли той створив іграшку за власним проектом. А Дейта з «Зоряного шляху», будучи спроможним до спілкування та навчання, мріє отримати емоції та інтуїцію.

Існують різні підходи до створення систем штучного інтелекту. У наш час можна виділити 4 досить різних підходи:

1. Логічний підхід. Основою для вивчення логічного підходу слугує алгебра логіки. Кожен програміст знайомий з нею з тих пір, коли він вивчав оператор IF. Свого подальшого розвитку алгебра логіки отримала у вигляді числення предикатів – в якому вона розширена за рахунок введення предметних символів, відношень між ними. Крім цього, кожна така машина має блок генерації цілі, і система виводу намагається довести дану ціль як теорему. Якщо ціль досягнута, то послідовність використаних правил дозволить отримати ланцюжок дій, необхідних для реалізації поставленої цілі (таку систему ще називають експертною системою). Потужність такої системи визначається можливостями генератора цілей і машинного доведення теорем. Для того щоб досягти кращої виразності логічний підхід використовує новий напрям, його назва – нечітка логіка. Головною відмінністю цього напряму є те, що істинність вислову може приймати окрім значень так/ні (1/0) ще й проміжне значення – не знаю (0.5), пацієнт швидше за все живий, ніж мертвий (0.75), пацієнт швидше за все мертвий, ніж живий (0.25). Такий підхід подібніший до мислення людини, оскільки вона рідко відповідає так або ні.

2. Під структурним підходом ми розуміємо спроби побудови ШІ шляхом моделювання структури людського мозку. Однією з перших таких спроб був перцептрон Френка Розенблатта. Головною моделюючою структурною одиницею в перцептронах (як і в більшості інших варіантах моделювання мозку) є нейрон. Пізніше виникли й інші моделі, відоміші під назвою нейронні мережі (НМ) і їхні реалізації – нейрокомп’ютери. Ці моделі відрізняються за будовою окремих нейронів, за топологією зв'язків між ними і алгоритмами навчання. Серед найвідоміших в наш час варіантів НМ можна назвати НМ зі зворотнім розповсюдженням помилки, сітки Кохонена, сітки Хопфілда, стохастичні нейрони сітки. У ширшому розумінні цей підхід відомий як конективізм. Відмінності між логічним та структурним підходом не стільки принципові, як це здається на перший погляд. Алгоритми спрощення і вербалізації нейронних мереж перетворюють моделі структурного підходу в явні логічні моделі. З іншого боку, ще в 1943 році Маккалок і Піттс показали, що нейронна сітка може реалізувати будь-яку функцію алгебри логіки.

3. Еволюційний підхід. Під час побудови системи ШІ за даним методом основну увагу зосереджують на побудові початкової моделі, і правилам, за якими вона може змінюватися (еволюціонувати). Причому модель може бути створена за найрізноманітнішими методами, це може бути і НМ, і набір логічних правил, і будь-яка інша модель. Після цього ми вмикаємо комп'ютер і він, на основі перевірки моделей відбирає найкращі з них, і за цими моделями за найрізноманітнішими правилами генеруються нові моделі. Серед еволюційних алгоритмів класичним вважається генетичний алгоритм.

4. Імітаційний підхід. Цей підхід є класичним для кібернетики з одним із її базових понять чорний ящик. Об'єкт, поведінка якого імітується, якраз і являє собою «чорний ящик». Для нас не важливо, які моделі в нього всередині і як він функціонує, головне, щоби наша модель в аналогічних ситуаціях поводила себе без змін. Таким чином тут моделюється інша властивість людини — здатність копіювати те, що роблять інші, без поділу на елементарні операції і формального опису дій. Часто ця властивість економить багато часу об'єктові, особливо на початку його життя.

У рамках гібридних інтелектуальних систем намагаються об'єднати ці напрямки. Експертні правила висновків можуть генеруватися нейронними мережами, а породжуючі правила отримують з допомогою статистичного вивчення. Багатообіцяючий новий підхід, який ще називають підсилення інтелекту, розглядають досягнення ШІ в процесі еволюційної розробки як поточний ефект підсилення людського інтелекту технологіями.

Аналізуючи історію ШІ, можна виділити такий обширний напрям як моделювання міркувань. Багато років розвиток цієї науки просувався саме цим шляхом, і зараз це одна з найрозвиненіших областей в сучасному ШІ. Моделювання міркувань має на увазі створення символьних систем, на вході яких поставлена деяка задача, а на виході очікується її розв'язок. Як правило, запропонована задача уже формалізована, тобто переведена в математичну форму, але або не має алгоритму розв'язання, або цей алгоритм за складний, трудомісткий і т. д. В цей напрям входять: доведення теорем, прийняття рішень і [теорія ігор], планування і диспетчеризація, прогнозування.

Таким чином, на перший план виходить інженерія знань, яка об'єднує задачі отримання знань з простої інформації, їх систематизацію і використання. Досягнення в цій області зачіпають майже всі інші напрями дослідження ШІ. Тут також необхідно відмітити дві важливі підобласті. Перша з них – машинне навчанням – стосується процесу самостійного отримання знань інтелектуальною системою в процесі її роботи. Друга пов'язана з створенням експертних систем – програм, які використовують спеціалізовані бази знань для отримання достовірних висновків щодо довільної проблеми.

Великі і цікаві досягнення є в області моделювання біологічних систем. Сюди можна віднести кілька незалежних напрямків. Нейронні мережі використовуються для розв'язання нечітких і складних проблем, таких як розпізнавання геометричних фігур чи кластеризація об'єктів. Генетичний підхід заснований на ідеї, що деякий алгоритм може стати ефективнішим, якщо відбере кращі характеристики у інших алгоритмів («батьків»). Відносно новий підхід, де ставиться задача створення автономної програми – агента, котрий співпрацює з довкіллям, називається агентний підхід. А якщо належним чином примусити велику кількість «не дуже інтелектуальних» агентів співпрацювати разом, то можна отримати «мурашиний» інтелект.

Задачі розпізнавання об'єктів вже частково розв'язуються в рамках інших напрямків. Сюди відносяться розпізнавання символів, рукописного тексту, мови, аналіз текстів. Особливо слід згадати комп’ютерне бачення, яке пов'язане з машинним навчанням та робототехнікою.

Взагалі робототехніка і штучний інтелект часто асоціюються одне з одним. Інтеграцію цих двох наук, створення інтелектуальних роботів, можна вважати ще одним напрямом ШІ.

Окремо тримається машинна творчість (англ. Computational creativity) у зв’язку з тим, що природа людської творчості ще менше вивчена, ніж природа інтелекту. Тим не менше, ця область існує, і тут стоять проблеми написання комп'ютером музики, літературних творів (часто – віршів та казок), художнє мистецтво.

Нарешті, існує безліч програм штучного інтелекту, кожна з яких утворює майже самостійний напрямок. В якості прикладів можна навести програмування інтелекту в комп'ютерних іграх, нелінійному керуванні, інтелектуальні системи безпеки.

Не важко бачити, що більшість областей дослідження перетинаються. Це властиво для будь-якої науки. Але в штучному інтелекті взаємозв'язок між, задавалось би, різними напрямами виражений дуже сильно, і це пов'язано з філософським спором про сильний і слабкий ШІ.

Кінцевою метою досліджень з питань «штучного інтелекту» є розкриття таємниць мислення та створення моделі мозку. Принципова можливість моделювання інтелектуальних процесів випливає з основного гносеологічного результату кібернетики, який полягає у тому, що будь-яку функцію мозку, будь-яку розумову діяльність, описану мовою з суворо однозначною семантикою за допомогою скінченного числа слів, в принципі можна передати електронній цифровій обчислювальній машині (ЕЦОМ). Сучасні ж наукові уявлення про природу мозку дають підстави вважати, що принаймні в суто інформаційному аспекті найістотніші закономірності мозку визначаються скінченною (хоч, може, й надзвичайно великою) системою правил.

Штучний інтелект – технічна (в усіх сучасних випадках спроб практичної реалізації – комп’ютерна) система, що має певні ознаки інтелекту, тобто здатна:

· розпізнавати та розуміти;

· знаходити спосіб досягнення результату та приймати рішення;

· вчитися.

У практичному плані наявність лише неповних знань про мозок, про його функціонування не заважає будувати його наближені інформаційні моделі, моделювати на ЕЦОМ найскладніші процеси мислення, у тому числі й творчі.

Хоч проблема «штучного інтелекту» тісно пов’язана з потребами практики, однак тут немає єдиної загальної практичної задачі, яка б однозначно визначала розвиток теорії, проте є багато задач, які є частковими, вузькими. Тому проблема «штучного інтелекту» — це фактично цілий комплекс проблем, які характеризуються різним ступенем загальності, абстрактності, складності й розробленості і кожній з яких властиві свої принципові й практичні труднощі. Це такі проблеми, як розпізнавання образів, навчання й самонавчання, евристичне програмування, створення загальної теорії самоорганізовуваних систем, побудова фізичної моделі нейрона та ін., багато з яких мають велике самостійне значення. Для всіх цих напрямів одержано важливі результати, як практичного так і теоретичного характеру, продовжуються інтенсивні дослідження.

Оскільки крім малочисельних оптимістів майже ніхто не намагається саме «виготовити» інтелект, аналогічний людському, то мова ведеться про створення системи, яка буде здатна реалізувати певні моделі інтелекту.

На початку XVII століття Рене Декарт зробив припущення, що тварина – деякий складний механізм, тим самим сформулювавши механічну теорію. В 1623 р. Вільгельм Шикард (нім. Wilhelm Schickard) побудував першу механічну цифрову вичислювальну машину, за якою послідували машини Блеза Паскаля (1643) і Лейбніца (1671). Лейбніц також був першим, хто описав сучасну двійкову систему числення, хоча до нього цією системою періодично захоплювались різні великі вчені. В XIX столітті Чарльз Беббідж і Ада Лавлейс працювали над програмованою механічною обчислювальною машиною.

В 1910–1913 рр. Бертран Рассел і А. Н. Уайтхед опублікували працю «Принципи математики», яка здійснила революцію в формальній логіці. В 1941 р. Конрад Цузе побудував перший працюючий програмно-контрольований комп'ютер. Воррен Маккалок і Вальтер Піттс в 1943 р. опублікували A Logical Calculus of the Ideas Immanent in Nervous Activity, поклавши основи нейронних мереж.

У наш час у створенні штучного інтелекту (в буквальному розумінні цього слова, експертні системи і шахові програми сюди не відносяться) спостерігається інтенсивний перелом усіх предметних областей, які мають хоч якесь відношення до ШІ в базі знань. Практично всі підходи були випробувані, але до появи штучного розуму жодна дослідницька група так і не дійшла.

Дослідження ШІ влились в загальний потік технологій сингулярності (видового стрибка, експотенціального розвитку людини), таких як нанотехнологія, молекулярна біоелектроніка, теоретична біологія, квантова теорія(ї), ноотропіки, екстромофіли і т. д. див. щоденний потік новин Курцвейля, MIT.

Деякі з найбільш вражаючих систем ШІ:

· Deep Blue – переміг чемпіона світу з шахів. Матч Каспаров проти супер-ЕОМ не приніс задоволення ні комп'ютерщикам, ні гравцям і система не була визнана Каспаровим, хоча оригінальні компактні шахові програми – невід'ємний елемент шахової творчості. Згодом лінія суперкомп'ютерів IBM проявилась у проектах brute force BluGene (молекулярне моделювання) і моделювання системи пірамідальних клітин в швейцарському центрі – проект Blue Brain. Це приклад заплутаних і засекречених відносин ШІ, бізнесу і національних стратегічних задач.

· Mycin – одна з ранніх експертних систем, яка могла діагностувати невеликий набір захворювань, причому, часто так само точно, як і лікарі.

· Штучний інтелект, який аналізує питання і підбирає людину для відповіді на нього Тахуті.

· 20q – проект, в основі якого лежать ідеї ШІ, за мотивами класичної гри «Двадцять питань». Став дуже популярним після появи в Інтернеті на сайті 20q.net.

· Розпізнання голосового тексту. Системи такі як ViaVoice здібні обслуговувати користувачів.

· Роботи в щорічному турнірі RoboCup змагаються в спрощеній формі футболу.

· «Cleverbot» – веб-додаток, що здатен проводити бесіди з людьми англійською мовою.

Банки застосовують системи штучного інтелекту (СШІ) в страховій діяльності (актуарна математика) при грі на біржі і управлінні власністю. У серпні 2001 року роботи виграли в людей у імпровізованому змаганні з трейдингу (BBC News, 2001). Методи розпізнавання образів, (включаючи, як складніші й спеціалізованіші, так і нейронні сітки) широко використовують при оптичному і акустичному розпізнаванні (в тому числі тексту і голосу), медичній діагностиці, спам-фільтрах, в системах ППО (визначення цілей), а також для забезпечення ряду інших задач національної безпеки.

Розробники комп’ютерних ігор вимушені застосовувати ШІ тої чи іншої міри пропрацьованості. Стандартними задачами ШІ в іграх є відшукання шляху в двовимірному або тривимірному просторі, імітація поведінки бойової одиниці, обрахунок вірної економічної стратегії і так далі.

Проглядаються два напрямки розвитку ШІ:

· перший полягає у вирішенні проблем, пов’язаних з наближенням спеціалізованих систем ШІ до можливостей людини і їх інтеграції, яка реалізована природою людини.

· другий полягає у створенні Штучного Розуму, який являє інтеграцію уже створених систем ШІ в єдину систему, здібну вирішувати проблеми людства.

Штучний інтелект тісно пов’язаний із трансгуманізмом. А разом із нейрофізіологією і когнітивною психологією він утворює загальнішу науку, яку називають когнітологією. Окрему роль в штучному інтелекті відіграє філософія.

Наука «про створення штучного розуму» не могла не привернути уваги філософів. З появою перших інтелектуальних систем були зачеплені фундаментальні питання про людину і знання, а інколи і влаштування світу. З одної сторони, вони нерозривно пов'язані з цією наукою, а з іншої — вносять в неї деякий хаос. Серед дослідників ШІ досі не існує якої-небудь домінуючої точки зору на критерії інтелектуальності, систематизацію вирішуваних цілей і задач, нема навіть строгого визначення науки.

Найгарячіші суперечки у філософії штучного інтелекту викликає питання можливості мислення творення людських рук. Питання «Чи може машина мислити?», яке підштовхнуло дослідників до створення науки про моделювання людського розуму, було поставлено Аланом Тьюрінгом у 1950 р. Дві основних точки зору на це питання носять назви гіпотез сильного і слабкого штучного інтелекту.

Термін «Сильний штучний інтелект» ввів Джон Сьорль, його ж словами підхід і характеризується:

Більше того, така програма буде не тільки моделлю розуму; вона в буквальному розумінні слова сама і буде розумом, в тому ж розумінні, в якому людський розум – це розум.

З іншого боку, прихильники слабкого ШІ надають перевагу розгляду програми лише як інструмент, який дозволяє вирішувати ті чи інші задачі, які не потребують повного спектру людських пізнавальних здібностей.

У своєму мисленному експерименті «Китайська кімната», Джон Сьорль показує, що походження теста Тьюринга не є критерієм наявності істиного процесу мислення.

Мислення є процесом опрацювання інформації, яка перебуває в памяті: аналіз, синтез і самопрограмування.

Аналогічну позицію займає і Роджер Пенроуз, який в своїй книзі «Новий розум короля» аргументує неможливість отримання процесу мислення на основі формальних систем.

Що вважати інтелектом? Існують різні точки зору на це запитання. Аналітичний підхід допускає аналіз вищої нервової діяльності людини до нижчої, неподільного рівня (функція вищої нервової діяльності, елементрана реакція на зовнішні подразники (стимули), збудження синапсів сукупності зв'язаних функцією нейронів) і подальше відтворення цих функцій.

Деякі спеціалісти за інтелект приймають здатність раціонального, мотивованого вибору, в умовах недостатності інформації. Тобто інтелектуальною просто рахується та програма діяльності (не обов'язково реалізована на сучасних ЕОМ), яка зможе вибрати із визначеної множини альтернатив, наприклад, куди іти у випадку «наліво підеш …», «направо підеш …», «прямо підеш …».

Крім того, з проблемами штучного інтелекту тісно пов’язана епістемологія – наука про знання в рамках філософії. Філософи, які займаються даною проблематикою, вирішують питання, подібні до тих, які вирішуються інженерами ШІ про те, як краще представити і використати знання і інформацію.

Розглянемо докладніше питання використання експертних систем, зокрема систем підтримки прийняття рішень при розслідуванні злочинів.

Відомо, що головною фігурою у діяльності по розкриттю та розслідуванню злочину є слідчий. На нього закон покладає і йому надане право порушити кримінальну справу та організувати її розслідування. Для забезпечення цього він може: провадити огляд місця події; викликати та допитувати свідків; призначати експертизи; надавати органам дізнання доручення та вказівки про проведення пошукових та слідчих дій. Він має право затримати й допитати особу, яка є підозрюваною у скоєнні злочину; провести обшук та вилучення, огляд, відтворення обставин та обстановки події; отримати від обвинуваченого або підозрюваного зразки почерку; здійснити інші дії, спрямовані на виявлення криміналістично вагомої інформації. Якщо ця інформація потребує виявлення та дешифрування, а також наукового пояснення, слідчий звертається за допомогою до спеціалістів-експертів.

Зрозуміло, що головне призначення криміналістичних систем, що ґрунтуються на знаннях, – надання допомоги співробітникам правоохоронних органів у розслідуванні злочинів. Таким чином, головними завданнями, для вирішення яких мають використовуватись такі системи, є визначення можливих напрямків розслідування (формування версій про подію, з урахуванням різних джерел отримання інформації); вибір найбільш ймовірних напрямків і подання користувачу рекомендацій щодо подальших дій (призначення експертиз, проведення оперативно-пошукових заходів, перевірчі та слідчі дії і т. ін.). Загалом процес розслідування злочинів з використанням криміналістичних систем знань являє собою ряд послідовних етапів, кожен з яких складається з таких дій:

· усвідомлення похідної інформації;

· аналіз одержаної інформації;

· визначення напрямку розслідування;

· вибір найбільш значущих напрямків;

· визначення сукупності подальших заходів.

Таким чином, зміст діяльності слідчого під час побудови ним інформаційної моделі злочину, пов’язаний з виявленням, дослідженням, збиранням, оцінюванням, збереженням та використанням криміналістичної інформації.

Щодо питання, яке розглядається, важливо підкреслити, що у структурі рішень, які приймає слідчий, можна виділити якби дві стадії: перша – інформаційне забезпечення рішення, що приймається (виявлення джерел інформації, її виділення та закріплення); друга – логічна переробка інформації, визначення її причетності до справи та достатності для прийняття рішень.

Очевидно, що на першій стадії прийняття слідчим рішень, спрямованих, перш за все, на визначення осіб, можливо причетних до скоєного злочину, найбільш ефективним є використання експертних систем, які реалізують пошукову форму їх використання.

Прикладами використання систем підтримки прийняття рішень при розслідуванні злочинів є практично всі системи автоматизації дактилоскопічних обліків ("Дакто", DEX, “Сонда” та ін.), а також системи розпізнавання голосу людини, ідентифікації аудіо- та відеопристроїв, балістичних експертиз та багато інших систем, що базуються на знаннях експертів.

У навчальному посібнику "Компьютерные технологии в юридической деятельности" (под ред. Н.Полевого и В.Крылова, изд-во БЕК.М.,1994) описані принципи побудови та використання у практичній діяльності слідчих та працівників дізнання консультаційних систем, що базуються на знаннях. Вказаним терміном автори посібника позначають ні що інше, як різновид експертних систем, а саме системи підтримки прийняття рішень.

Сьогодні у системі МВС використовуються дві основні методики побудови таких систем:

· засновані на статистичному аналізі слідчих ситуацій;

· засновані на збиранні, класифікації та використанні узагальненого досвіду розслідування у вигляді знань окремих професіоналів.

Методики, засновані на статистичному аналізі слідчих ситуацій, дають добрі результати при визначені закономірностей у зв’язках між злочинною подією, особою злочинця, місцем та засобами скоєння злочину, особливостями злочинної поведінки. Нажаль, процедура формування похідних даних бази знань на основі стандартних карток обліку злочинів, яка широко використовується, недостатньо враховує рухомість злочинних проявів. Це приводить до значних втрат інформації, оскільки ознаки, суттєві для окремих категорій злочинних зазіхань, можуть зовсім не потрапити до розгляду.

Другий тип методик відповідає розглянутому нами класичному способу побудови експертних систем.

Висновки

Отже, в лекції ми ознайомилися з історією виникнення та розвитку експертних систем.

Зокрема, було розглянуто: призначення експертних систем; особливості їх побудови; їх можливості; галузі практичного використання.

Зроблений огляд проблем, які пов'язані з упровадженням експертних систем та систем підтримки прийняття рішень у правовій сфері.

Розглянуті галузі застосування експертних систем та систем підтримки прийняття рішень взагалі, а також при розкритті і розслідуванні злочинів, зокрема.

Вивчені проблеми використання експертних систем та систем підтримки прийняття рішень для вирішення криміналістичних завдань.

Рекомендована література

1. Интеллектуализация ЭВМ / Под ред. Ю. М. Смирнова. – М.: "Высш. шк.", 1989.

2. Компьютерные технологии в юридической деятельности. Учеб. и практич. пособ. / Под ред. Н.Полевого и В.Крылова, М.: БЭК, 1994.

3. Осуга С. Обработка знаний. Перевод с японского В. И.Этова, М., "Мир", 1989.

4. Системы управления базами данных и знаний / Под ред. А. Н. Наумова, М., "Финансы и статистика", 1991.

5. Хахановський В. Г. Автоматизовані системи збирання і обробки інформації для прийняття рішень в процесі розслідування // Використання досягнень науки і техніки у боротьбі зі злочинністю: Матер. Наук.- практ. конф. – Харків: Право, 1998.

6. Экспертные системы. Принцип работы и примеры / Под ред. Р. Форсайта, пер. с англ. – М.: "Радио и связь", 1987.

7. Хахановський В. Г. Проблеми теорії і практики криміналістичної інформатики, монографія, – К.: Вид.Дім „Аванпост-Прим”, 2010. – 382 с.