Статья посвящена рассмотрению потенциальных возможностей современных информационных технологий (искусственный интеллект, нейросеть, Big Data, интеллект-карты) в совершенствовании расследования преступлений. Целью работы является теоретическое обоснование целесообразности и определение путей совершенствования организационно-тактического обеспечения расследования с учетом современного потенциала информационных технологий. Основной акцент сделан на применении интеллектуальных карт для структурирования данных с целью эффективного выдвижения версий и планирования расследования. Как инструмент радианного мышления они позволяют компактно представлять материалы анализа в форме удобной для одномоментного восприятия больших объемов данных. Авторы отмечают, что рассматриваемые технологии открывают новые возможности для автоматизации анализа материалов дел, наглядной визуализации связей между различными взаимосвязанными событиями и объектами, прогнозирования их поведения в определенных ситуациях. Однако их внедрение сталкивается с рядом проблем организационного, кадрового и научно-методического обеспечения. Краеугольным камнем в решении проблемы выступает цифровизация материалов дел и интеграция технологий в следственную практику. Ключевое решение – создание систем «человек + искусственный интеллект», где технологии дополняют, а не заменяют профессионала. Будущее криминалистики – в симбиозе цифровых инструментов и экспертного, профессионального мышления на базе передовых достижений науки и техники.
В условиях цифровой трансформации банковской системы и расширения доступности финансовых услуг проблема обеспечения безопасности банковских транзакций приобретает стратегическое значение. Актуальность темы обусловлена необходимостью изучения проблемы эффективности методов прогнозирования и предотвращения мошенничества, которые являются важными составляющими комплексной системы экономической безопасности в банковском секторе. В данном исследовании сделан акцент на формировании моделей обнаружения мошенничества с банковскими картами. В результате исследования предложены конкретные рекомендации по совершенствованию систем антифрод-защиты в банковском секторе с использованием моделей машинного обучения. В рамках этого исследования были разработаны и протестированы модели XGBoost и ANN для выявления мошеннических транзакций, реализованные на языке Python. Эксперименты продемонстрировали их высокую эффективность, а также гибкость и способность адаптироваться к новым данным. Использование этих моделей позволяет банкам оперативно обнаруживать подозрительные операции, что снижает риски потерь и улучшает общую защищенность финансовой системы. Обеспечение безопасного функционирования системы совершения банковских транзакций требует комплексного подхода, включающего не только внедрение современных аналитических инструментов, но и постоянное обучение и обновление моделей для выявления новых способов мошенничества. Реализация предложенных мер позволит кредитным организациям повысить эффективность защиты от мошенничества, снизить финансовые потери от мошеннических действий и укрепить доверие клиентов.