Inteligencia Artificial: clave para abordar retos en la informática forense

La ciencia del análisis forense digital surge a partir de  la necesidad de resolver problemas forenses en una era marcada por la digitalización . El desafío más importante se relaciona  con el uso masivo de las redes sociales, lo cual ha facilitado la producción de cantidades excesivas de datos, como nunca antes, representado retos importantes en el análisis eficiente de la información. Sumado a lo anterior, encontramos que la aparición progresiva de nuevas tecnologías plantea desafíos, pero también oportunidades a largo plazo para el análisis forense: se trata de poder identificar dentro de grandes cadenas de datos, cuáles son reales y cuales parecen reales, pero son creados artificialmente a partir de tecnología inteligente. Para dar solución a estos retos, se hace necesario el uso de tecnología de Inteligencia Artificial (IA), para garantizar el análisis de grandes masas de datos y a la vez, asegurar la confianza y la eliminación de sesgos en el análisis.

En este artículo, describimos los desafíos y oportunidades asociados a la implementación de nuevas tecnologías en el marco del análisis forense y compartimos algunos ejemplos de uso, tomando como referencia situaciones de la vida real. Por otro lado, ponemos sobre la mesa escenarios de gran impacto para sugerir soluciones a partir de las recomendaciones de la comunidad científica sobre cómo abordarlos. Finalmente, esbozamos futuras vías de investigación a explorar. 

La generación de Big Data en las redes sociales ha dificultado el análisis forense, principalmente por los avances en los modelos informáticos, capaces de crear artificialmente contenidos con gran realismo. Para hacer frente a esta situación, se han desarrollado e implementado técnicas de inteligencia artificial que permiten procesar cantidades masivas de información y a la vez, pueden verificar la procedencia de los datos que se procesan para garantizar su confiabilidad. Los métodos de IA se consolidan como herramientas necesarias para superar este tipo de limitaciones, logrando reducir el alcance en un conjunto de datos relevantes y organizándolos de tal manera que apoyen al experto en la toma de decisiones, aprovechando al máximo la experiencia y el conocimiento de los profesionales.

Un ejemplo del uso de estas herramientas se presentó durante las investigaciones relacionadas con la invasión al Capitolio en los Estados Unidos (enero de 2021). Los investigadores hicieron uso de algoritmos de reconocimiento facial para identificar a los posibles sospechosos, asociando los videos de las cámaras de seguridad con fotos disponibles en Internet. El uso  de esta tecnología apoyó a los investigadores en la identificación de los sospechosos, pero en una segunda etapa, mediante un análisis más profundo de los datos, los investigadores lograron responder a diferentes preguntas acerca del suceso. Por ejemplo: ¿Cómo se organizaron los manifestantes? ¿Qué tipo de armas portaban? ¿Qué noticias falsas se compartieron sobre el evento?, entre otros.

Anteriormente, las únicas pistas en un análisis forense, estaban relacionadas con huellas dactilares, pisadas, fluidos, etc. Hoy en día, gracias al uso de nuevas tecnologías, pueden entrar en juego fotografías, clips de audio o video, conversaciones instantáneas, publicaciones en redes sociales, transacciones bancarias, historial de ubicación (GPS) y todo tipo de datos  que puedan ser procesados y analizados. Estas nuevas fuentes de información propician la transformación en varios campos de la ciencia digital forense: ya no se trata de un proceso lineal de recuperación de evidencias, sino un proceso integrado de organización de la información que requiere que sus expertos empleen un enfoque multidisciplinario para extraer inteligencia a partir de cantidades masivas de datos.

El protocolo de análisis forense busca orientar el análisis de datos en el contexto actual de las redes sociales. Los algoritmos y modelos de IA tienen el rol de asistir al experto, automatizando procesos en todas las etapas.

Cuando la atención mundial se centra en eventos a gran escala, la cantidad de datos que se comparten es asombrosa. Un ejemplo es el bombardeo en la Maratón de Boston: cuando dos bombas explotaron en la línea de meta en 2013, Twitter se inundó con más de 700.000 menciones relacionadas con el ataque en menos de dos horas, incluidas imágenes y videos capturados en el lugar del suceso.

Las grandes cadenas de datos representan una rica fuente de información que apoya a los expertos en la comprensión y verificación de los hechos en el mundo físico. El rápido análisis de dichos contenidos, facilitado por tecnologías inteligentes, posibilita la estructuración de  secuencias de los hechos, estableciendo conexiones entre las diferentes fuentes de datos y proporcionando simulaciones de escenarios reales durante y posteriores al evento. Esta recreación de panoramas reales, basados en información del mundo digital, es posible gracias al uso de técnicas de IA, cuya capacidad en el procesamiento de grandes cantidades de datos supera por mucho las capacidades humanas, especialmente cuando se necesitan en periodos de tiempo muy cortos.

¡Consulta más contenido de interés en PwC Insights! Haz clic aquí

Por sus múltiples usos en la ciencia forense, el desarrollo tecnológico y el crecimiento de las redes sociales han apalancado la consolidación, en los últimos años, de escenarios que involucran con mayor frecuencia a mundos virtuales. Estos escenarios virtuales, requieren de  tratamiento CFD (Computational Fluid Dynamics), particularmente en casos relacionados con delitos de racismo, misoginia, bullying, Phishing, plagio, desinformación y manipulación de la opinión pública a gran escala, lo cual ocurre con frecuencia en entornos virtuales, proporcionando rastros digitales que se deben considerar. 

Además del análisis de imágenes, videos y otro tipo de material multimedia, el modelado gráfico tiene el potencial de complementar el análisis individual de los datos relacionados con un evento y se consolida como fuente de información clave para el campo de la ciencia forense, aunque ha sido poco explorado por la comunidad CFD. Por otro lado, los avances de la última década en el campo del aprendizaje profundo (Deep Learning) han impulsado el desarrollo de potentes modelos estadísticos, generalmente basados en redes neuronales artificiales. Sin embargo, a medida que aumenta la complejidad de estos modelos, debido a la disponibilidad de datos, a las mejoras en el hardware y a los avances en las técnicas usadas, también se ha hecho más difícil su interpretación para la toma de decisiones.

La comunidad científica ha explorado con éxito técnicas de aprendizaje automático, visión artificial y la programación neurolingüística, en prácticamente todas las etapas del proceso de análisis. Debido a la capacidad que tienen los métodos para reconocer y rastrear relaciones entre datos, su uso complementa los esfuerzos de los expertos, independientemente de si el evento ocurrió en el mundo físico, virtual, o en ambos. Los métodos modernos de IA se han convertido en herramientas imprescindibles para los expertos forenses

A pesar de ser herramientas valiosas en el proceso forense, el uso de estas técnicas también trae consigo desafíos que deben debatirse para garantizar que su aplicación sea viable en casos reales, especialmente en contextos CFD (Computational Fluid Dynamics) sensibles. A pesar de ser poderosos, los modelos complejos existentes se parecen a "cajas negras" que no se pueden descifrar fácilmente. Determinar la capacidad de interpretación y la transparencia del flujo de la información en estos modelos, para la toma de decisiones es esencial para avalar su uso. Además, es necesario mitigar los sesgos que muchas veces, se generan en estos modelos de análisis durante el entrenamiento, para que no se tengan en cuenta en la toma de decisiones.