این مقاله توسط پویان همتی ترجمه شده است. نویسنده اصلی آن MARTIN NOVAK و برگرفته از سایت   WWW.OJP.GOVمی‌باشد.

شواهد دیجیتال، می‌توانند نقش حیاتی در حل جرایم و تهیه پرونده‌های قضایی ایفا کنند. اما پیچیدگی و حجم بالای شواهد موجود در رایانه‌ها، تلفن‌های همراه و سایر دستگاه‌ها اغلب باعث می‌شود که مأموران اجرای قانون تحت فشار قرار بگیرند.

به عنوان مثال، در جریان تحقیق درباره موارد سوءاستفاده جنسی از کودکان، یک تحلیلگر پزشکی قانونی دیجیتال، معمولاً ساعت‌ها وقت، صرف بررسی صدها ویدیو از رسانه‌های ضبط‌ شده می‌کند. این تحلیل‌گر ابتدا بررسی می‌کند که آیا یک انسان در تصویر حضور دارد یا خیر. سپس باید تعیین کند که فرد موجود در تصویر یک بزرگسال است یا یک کودک. این فرآیند بسیار زمان‌بر، استرس‌زا و مستعد خطا است.

توسعه ابزارهای نوین برای جمع‌آوری و پردازش شواهد دیجیتال

به منظور کمک به حل این چالش‌ها و بهبود روند جمع‌آوری و پردازش شواهد دیجیتال، وزارت دادگستری بودجه‌ای را برای دانشگاه پوردو و دانشگاه رود آیلند تخصیص داد.

دانشگاه پوردو ابزار FileTSAR را توسعه داد که برای تجزیه و تحلیل انتخابی داده‌های موجود در شبکه‌های کامپیوتری طراحی شده است. این ابزار امکان جمع‌آوری داده‌های مهم را در صحنه جرم فراهم کرده و سپس به تحلیل‌گران اجازه می‌دهد که تحقیقات پزشکی قانونی را یا در همان محل یا در یک آزمایشگاه پزشکی قانونی دیجیتال، انجام دهند. هدف اصلی این ابزار، تضمین جمع‌آوری شواهد دیجیتال قابل پذیرش در دادگاه است.

دانشگاه رود آیلند نرم‌افزاری به نام DeepPatrol را توسعه داده که از فناوری هوش مصنوعی و الگوریتم‌های یادگیری عمیق، برای کمک به مجریان قانون در تحقیقات مربوط به سوءاستفاده جنسی از کودکان استفاده می‌کند.

پیشرفت در پزشکی قانونی دیجیتال

1. اصطلاح DeepPatrol می‌تواند روش‌های بررسی پرونده‌های پزشکی قانونی را تغییر دهد، زیرا روند شناسایی کودکان در ویدیوهای سوءاستفاده جنسی را تسریع کرده و ساده‌سازی می‌کند.

2. اصطلاح FileTSAR، به مجریان قانون یک ابزار قابل حمل، مقیاس‌پذیر و مقرون‌‌ به‌ صرفه، برای بررسی‌های پیچیده ارائه می‌دهد.

اتوماسیون فرآیند شناسایی تصاویر

خودکارسازی فرآیند شناسایی تصاویر جنسی از کودکان، می‌تواند به طور چشمگیری زمان مورد نیاز برای بررسی فایل‌های مشکوک را کاهش دهد و به تحلیل‌گران اجازه دهد روی سایر جنبه‌های پرونده تمرکز کنند. با این حال، چالش‌های فنی متعددی در این مسیر وجود دارد، از جمله:

• کیفیت پایین تصویر.
•      اندازه و جهت قرارگیری فرد در تصویر.
•     تعیین سن فرد بدون اطلاعات دقیق درباره ویژگی‌های جسمانی.

یکی از راه‌حل‌های فعلی برای شناسایی سوءاستفاده جنسی از کودکان در ویدیوها، استخراج تصاویر کلیدی از هر ویدیو است. هرچند این روش نسبت به مشاهده کامل ویدیو پیشرفت محسوب می‌شود، اما همچنان زمان‌بر است و فشار کاری تحلیل‌گران را کاهش نمی‌دهد.

تحقیقات برای توسعه ابزارهای پیشرفته‌تر

 برای پر کردن این خلأ، وزارت دادگستری به دنبال راه حل‌هایی برای توسعه ابزارهای نوآورانه‌ای بود که بتوانند به‌ طور خودکار افراد نابالغ را در ویدیوهایی با کیفیت‌های مختلف شناسایی کنند.

در توسعه  DeepPatrolمحققان دانشگاه رود آیلند از هوش مصنوعی و بینایی ماشین و همچنین پیاده‌سازی الگوریتم‌های یادگیری عمیق و فناوری پردازش گرافیکی GPU استفاده کردند. به جای تکیه بر ویژگی‌های طراحی‌شده توسط کارشناسان، تکنیک‌های یادگیری عمیق، ویژگی‌ها را مستقیماً از داده‌ها یاد می‌گیرند، که این امر باعث بهبود دقت سیستم در طول زمان می‌شود.