Использование ИИ полицией не ограничивается доступом к камерам и распознаванием лиц. В расследованиях все большую роль играет то, как связаны между собой люди, аккаунты, локации и события. Для этого используют графы связей — системы, которые помогают следствию видеть скрытую картину.Генеральный директор, основатель внешнего продуктового офиса devять itБогдан Загребельный — генеральный директор, основатель внешнего продуктового офиса devять it. Запускает продукты на основе OSINT, Big Data и ИИ для государства и бизнеса. Среди проектов — аналитическая система для межведомственной группы госзаказчиков в правоохранительной сфере.
В конце апреля 2026 года глава NtechLab Алексей Паламарчук заявил ТАСС, что к 2030 году до 90% преступлений в российских городах могут раскрываться с помощью ИИ. Речь прежде всего про видеоаналитику — ту, что распознает лицо в толпе, номер машины или опасный предмет.
Но в работе следователя происходит и другой, менее заметный сдвиг. Он не про то, кто попал в кадр видеонаблюдения, а про то, как разные цифровые следы складываются в одну картину. Для этого используют графы связей — системы, которые помогают видеть не отдельные события, а связи между людьми, аккаунтами, номерами, локациями и действиями. Про них и пойдет речь — ниже рассмотрим ситуацию, в которой нет ни камер, ни распознавания лиц, но именно ИИ помогает увидеть связь.
Три эпизода, один номер
На столе у оперативника три стопки бумаг. Распечатки переписок, выгрузки с трех телефонных номеров, скриншоты объявлений с разных площадок. Три эпизода сбыта в трех районах города, и формально между ними ничего общего. Впереди недели ручной работы — сверять номера, время, локации, авторов объявлений. Иногда такая сверка не даёт ничего: эпизоды и правда не связаны.
Те же данные загружают в систему. На схеме сразу видно то, что вручную искали бы неделями: один номер, два аккаунта в разных мессенджерах, объявления из тех же трех районов в одно и то же временное окно. В центре — узел, к которому сходятся линии со всех трех массивов.
Оперативник смотрит на экран и видит, что это всё один человек. До этого момента три эпизода выглядели как три разных дела. Ни одной камеры в этой истории не было.
Камера показывает факт, граф — картину связей
Видеоаналитика — самая видимая часть ИИ в сфере общественной безопасности. Камера помогает найти объект в потоке: лицо, номер машины, опасный предмет. Но для следствия этого часто недостаточно.
Видео дает точку: вот момент, вот человек, вот предмет. Граф даёт картину: кто с кем связан, через что и в какой период. Камера отвечает на вопрос «кто на записи». Граф — на другой: «кто этот человек по совокупности его цифровых следов».
Если совсем просто, граф — это схема. Точки на ней — люди, номера, аккаунты, места, события, документы. Линии между точками — их связи: общий контакт, один адрес, появление в одно время в одном месте. В систему загружают десятки источников: переписки, выгрузки звонков, публичные профили, объявления, реестры, а она складывает всё это в одну картину, которую человек вручную не собрал бы и за месяцы.
Тут резонный вопрос: при чем здесь ИИ? Схема из точек и линий — это ведь просто база данных. Сама схема — не ИИ. ИИ работает по ее краям и нужен на двух этапах. Сначала он помогает разобрать неструктурированные данные: переписки, документы, тексты объявлений. Из них система достает имена, номера, адреса.
Затем модель не сверяет две записи между собой — она разбирает весь массив сразу: записи об одном человеке, о другом, о третьем. И к каждой группе приписывает, насколько в ней уверена. Совпало имя, но не отчество, совпал номер, но отличаются адреса. В таких случаях ответ не всегда «да» и не «нет», а вероятность, и считает ее — модель. На выходе ИИ ранжирует связи: в графе на сто тысяч связей значимых — единицы, остальное шум. Поэтому ИИ не «рисует граф» вместо человека. Он помогает решить, какие данные попадут в схему и на что специалисту стоит обратить внимание в первую очередь.
Такой подход не новый и не локальный. По схожей логике работают платформы вроде американской Palantir, которые используют графовую аналитику для работы с большими массивами разнородных данных. В своей практике мы опирались на тот же принцип: собрать разные источники в один граф так, чтобы специалист видел не набор отдельных фактов, а систему связей.
Когда граф помогает увидеть скрытую связь
То, как граф меняет работу следствия, особенно хорошо видно на одном показательном расследовании. Есть группа из трех фигурантов. По каждому из них есть свой набор данных: переписки, детали звонков, кто с кем и когда связывался. В логах между ними ни одного прямого контакта: участники работали аккуратно и напрямую не общались. Версия следствия — связь между фигурантами идет через посредника. Кто он, сколько их, неизвестно.
Граф строят сразу по всем трем наборам, подмешивая открытые источники. И в нем появляется человек, которого не было ни в одном из трех дел по отдельности. В каждом деле он выглядел случайной связью — один контакт среди сотен, статистический шум. Но граф увидел все три набора данных разом: этот человек оказался связан с тремя разными номерами, и каждый из них в своё время контактировал с одним из фигурантов. Одно совпадение — шум. Три одновременно — уже нет. Именно этот человек оказался центральным узлом в расследовании. Без графа он, скорее всего, остался бы одним из сотен случайных контактов. Однако система показала, что он связан сразу с несколькими эпизодами.
После такой истории легко решить, что граф видит все. Это иллюзия.
Где графовая аналитика дает сбой
Один из показательных случаев связан с проверкой контакта между человеком и известным фигурантом. Система выдала гипотезу: связь есть, цепочка проходит через четыре узла и подтверждается несколькими пересечениями по разным источникам. На схеме это выглядело убедительно.
Оперуполномоченный проверил цепочку вручную: первый узел настоящий, второй настоящий, третий настоящий, четвертый — оказался ошибкой склейки узлов графа, совпадением. В разных системах встретились одинаковые ID. Например, в одной системе это был идентификатор аккаунта одного человека, а в другой — совпавший номер записи, который относился уже к другому человеку. Алгоритм принял это совпадение за один объект.
На схеме это выглядело бы как одна точка. По факту — два разных человека, которых система ошибочно склеила.
Похожее бывает у судебных приставов: человеку блокируют счет за чужой долг, потому что совпали фамилия, имя, отчество и дата рождения. Механика та же. У графа сложнее: номер телефона могут перевыпустить на другого человека, и в данных это никак не отмечено — система видит тот же номер и считает, что владелец тот же.
Склейка узлов — не единственная ошибка в графовой аналитике. Чаще всего проблемы возникают из-за качества данных. Граф работает ровно настолько хорошо, насколько надежны источники, которые в него попали. Битая выгрузка или устаревший реестр ведут к тому, что связь, которая на схеме выглядит сильной, в реальности может не существовать. Отсюда простое правило для систем такого вида: у каждого источника должен быть «паспорт», где записано, откуда он взят, на какую дату актуален и кто оператор. Если в источнике нашлась ошибка, то система сразу помечает все связи из него как ненадежные.
Почему человек остается в контуре
Отдельно стоит отметить, что вокруг попыток предсказывать преступления по данным давно существует справедливая критика: смещенные данные дают смещённые выводы.
Если система училась на данных, где один район «под подозрением» просто потому, что там исторически проводилось больше проверок, она будет тянуть следствие туда же, и это не техническая мелочь, а системный риск. Граф показывает, что связь есть, но не показывает, какая она. Сосед по лестничной клетке, бывший коллега и подельник выглядят в нем одинаково — три линии одинаковой толщины. Поэтому наличие человека в контуре — это не модное требование к ИИ, а необходимость: граф формулирует гипотезу, а отрабатывает ее специалист, который понимает, что в этой группе и в этом регионе типично, а что нет. Машина ускоряет аналитику, но не должна выносить решение. В правоохранительной сфере цена ошибки — не плохая рекомендация фильма или песни, а судьба конкретного человека.
Графы вокруг каждого
В последние годы графовый подход все шире используется за пределами сферы безопасности. Например, тот же Palantir последние годы развивается не только в правоохранительной сфере: его коммерческая платформа Foundry используется в крупных корпорациях, здравоохранении и управлении цепочками поставок. Принцип тот же — собрать разнородные данные об объекте в один граф.
В городской среде тоже появляется все больше цифровых следов: маршруты в транспортном приложении, обращения в городские службы, камеры во дворах, действия в государственных цифровых сервисах. Сами по себе эти данные используются для разных задач. Но технологически их можно связать в граф — и тогда в центре окажется уже не подозреваемый, а обычный житель города.
Из-за этого меняются вопросы к таким системам. Кто имеет доступ к графу? Что фиксируется в журнале запросов? Можно ли проверить, почему система связала между собой конкретные события, аккаунты, локации или документы? И что делать, если алгоритм ошибается так же, как в случае со склеенным узлом?
А что дальше
Через несколько лет системы такого класса могут стать фоновой инфраструктурой города — как поисковики стали фоном работы с информацией. Само по себе это явление — не проблема. Проблемы начнутся, если технологии уйдут вперёд, а правила за ними не успеют. Вместе с графовой аналитикой должны развиваться три вещи: паспорт источников, журнал доступа и проверяемая цепочка от данных к выводу, которую собирает человек. Не после первого громкого инцидента, а сразу.