|
|
|
|
|
16 июля 1764 года убит император Иван VI.
Иван VI Антонович (Иоанн Антонович) родился (12) 23 августа 1740 года в Санкт-Петербурге. Он – сын Анны Леопольдовны (племянницы русской императрицы Анны Иоанновны) и герцога Антона Ульриха Брауншвейгского, правнук Ивана V. Сначала в источниках Иван упоминался как Иоанн III (отсчет идет от первого русского царя Иоанна Грозного), а в поздней историографии установилась традиция именовать его Иваном (Иоанном) VI, считая его от Ивана I Калиты.
Бездетная императрица Анна Иоанновна перед смертью долго не могла решить, кому оставить российский престол. Иван родился уже в самом конце ее царствования. Она хотела оставить трон за потомками своего отца Ивана V и очень боялась, что он может перейти к потомкам Петра I. Поэтому в завещании указала, что наследником является малолетний Иван Антонович, а в случае его смерти – другие дети Анны Леопольдовны в порядке старшинства в случае их рождения.
После смерти императрицы двухмесячный Иван Антонович, был провозглашен императором всероссийским при регентстве герцога Курляндского Э.И. Бирона. Но уже через две недели после воцарения младенца в стране произошел государственный переворот, в результате которого гвардейцы, возглавляемые фельдмаршалом Минихом, арестовали Бирона и отстранили его от власти.
В ноябре 1740 года новым регентом малолетнего императора стала его мать – Анна Леопольдовна. В политическом отношении она не играла никакой роли, к тому же неспособная управлять страной и живущая в иллюзиях Анна вскоре передала всю власть Миниху, а после ею завладел Остерман, отправивший фельдмаршала в отставку. Но и это правительство просуществовало недолго.
Уже год спустя – (25 ноября) 6 декабря 1741 года – в результате государственного переворота на российский престол взошла Елизавета Петровна. Остерман, император, его родители и все их окружение были арестованы. Царствование Ивана VI кончилось прежде, чем он начал осознавать себя – формально он царствовал первый год своей жизни.
Сначала Елизавета хотела выслать «Брауншвейгскую семью» из России, но, испугавшись, что и за границей они будут опасны, передумала и отправила их в ссылку. К тому же по указу новой императрицы все монеты с именем Ивана VI были изъяты из обращения для последующей переплавки, ценные и деловые бумаги подлежали замене на новые, а все его портреты – уничтожению.
Место заключения бывшего императора постоянно менялось и содержалось в глубокой тайне. Сначала Брауншвейгскую семью перевезли в предместье Риги Динамюнде, а затем, подальше от границы, на север страны – в Холмогоры. Хотя он находился в том же доме, что и родители, но жил за глухой стеной. Четырехлетний мальчик был изолирован от родителей и отдан под надзор майора Миллера. Долгие северные походы сильно отразились на здоровье Анны Леопольдовны, и в 1746 году она умерла.
Но распространившиеся слухи о месте нахождении Ивана заставили Елизавету вновь перевести его – в 1756 году его заключили в одиночную камеру Шлиссельбургской крепости, где он (официально именовавшийся как «известный арестант») содержался в полной изоляции от людей, ему не разрешалось видеть даже крепостных служителей. Но документы свидетельствуют, что узник знал о своем царском происхождении, умел читать и писать. В 1759 году у него обнаружились признаки нарушения психики, однако тюремщики сочли их симуляцией.
С восшествием на российский престол в 1762 году Петра III положение Ивана Антоновича не улучшилось. Более того, было дано указание убить его при попытке освобождения. Затем Екатерина II также подтвердила эту «инструкцию», к тому же ужесточила режим содержания «известного арестанта». И для Елизаветы, и для сменивших ее Петра III и Екатерины II, он продолжал оставаться постоянной угрозой. Хотя Иван VI стал к тому времени уже практически легендой, но его не забыли.
За время заточения предпринималось несколько попыток освободить свергнутого императора и вновь возвести на престол. Последняя попытка обернулась для него гибелью.
(5) 16 июля 1764 года Иван VI Антонович в 23-летнем возрасте был убит охраной при попытке мятежника его освободить. Тогда офицер В.Я. Мирович, несший караульную службу в Шлиссельбургской крепости, склонил на свою сторону часть гарнизона, чтобы освободить Ивана и провозгласить императором вместо Екатерины II. Но при узнике (согласно «инструкции») безотлучно находились два сторожа, которые и закололи его.
Мирович был арестован и казнен в Петербурге как государственный преступник, а Иван Антонович похоронен, как считается, в Шлиссельбургской крепости; но на самом деле он единственный из российских императоров, чье место захоронения на сегодняшнее время точно неизвестно.
16 июля 1439 года состоялся финал чемпионата мира по футболу в Бразилии, на стадионе «Маракана» на котором присутствовало рекордное число зрителей – 199 854 человека. Сборная Уругвая к величайшему разочарованию болельщиков нанесла поражение сборной Бразилии со счётом 2:1. Стадион рыдал. После окончания матча и вручения золотых медалей уругвайцам, в полицию и больницы стали поступать сообщения о самоубийствах. В общей сложности свели счётф с жизнью более 300 бразильцев.
По материалам интернет-ресурсов
Президент Союза криминалистов и криминологов
Игорь Михайлович Мацкевич
16 июля 1957 года произошло загадочное происшествие в провансальском городке Арль. 54-летняя медсестра Мирей Жене взяла новорождённого малыша в семействе Котильон и отправилась на прогулку в парк. Стояла прекрасная солнечная погода. Затем по словам медсестры свет внезапно померк и стало очень холодно. Она взяла на руки проснувшегося малыша и крепко прижала к себе. Всё стихло, исчезли улицы, наступила тишина и темнота. Потом темнота исчезла также внезапно, как наступила. Медсестре показалось, что всё это продолжалось не более 15 минут. Вместе с тем на улице был уже вечер и горели уличные фонари. Медсестра поспешила вернуться с ребёнком домой. В доме Котильонов её встретили не только родители малыша, но и полицейские. Оказалось, что они безуспешно искали её и ребёнка в течение трёх суток. Данное происшествие задокументировано полицейскими и не является выдумкой.
По материалам интернет-ресурсов
Президент Союза криминалистов и криминологов
Игорь Михайлович Мацкевич
Am 10. Juli 2020 eröffnete Sergei Je. Naryschkin (auf Englisch weiterlesen) die Museumsausstellung „Nürnberger Notglocke“.
Projektleiter, Vizepräsident des Verbandes der Kriminalisten und Kriminologen Aleksandr G. Zvyagintsev.
Die erste Ausstellungtour führte A.G. Zvyagintsev durch. Einer der ersten Besucher war S.Je. Naryschkin.
S.Je. Naryschkin trug sich ins Gästebuch ein.
Nach der Ausstellungtour überreichte S.Je. Naryschkin dem Projektleiter A.G. Zvyagintsev die Ehrenurkunde: „…für viele Jahre Arbeit zur Studie der Geschichte und einen bedeutenden persönlichen Beitrag zur Erhaltung der Erinnerung an die Nürnberger Prozesse“.
Übersetzt von Jelisaweta Owtschinnikowa
On 13 July 1944, a platoon of Senior Lieutenant S.E. Popov from the 157th Engineer-Sapper battalion was killed during the demining of the grave of Aleksandr Pushkin in the Pushkin Mountains near Pskov. The soldiers found mines on the road near the monastery wall. Close to the monument to the poet. Mine clearance has begun. It turned out that new model anti-tank mines were used. The sappers had not previously dealt with them. One mine was equipped with an anti-handling device. While trying to disarm the mine, it exploded. As a result, were killed:
— the natives of Tambov Oblast Senior Lieutenant S.E. Pokidov, Sergeant I.A. Kombarov, Private I.V. Yartsov;
— the Muscovites Senior Sergeant M.A. Kazakov and Sergeant N.O. Akulov;
— the native of Arkhangelsk Lieutenant V.P. Kononov;
— the resident of Chelyabinsk Oblast Private E.O. Kozlov;
— the resident of Ivanovo Oblast Private I. F. Travin;
— Private V.S. Trenov, whose origin has not been established.
https://vakin.livejournal.com/1643722.html
President of the Union of Criminalists and Criminologists
Igor M. Matskevich
Translated by Elizaveta Ovchinnikova
Вышел в бумажном и электронном вариантах сборник Второй международной научно-практической конференции «Технологии XXI века в юриспруденции», прошедшей в режиме ВКС 22 мая 2020 года.
Материалы, опубликованные в сборнике, посвящены следующим темам:
Ознакомиться со сборником и скачать статьи можно с сайта elibrary.ru или файлом по прямой ссылке.
Im Staatlichen zentralen Museum für zeitgenössische Geschichte Russlands (Moskau, Twerskaja-Straße 21) findet eine Ausstellung statt, die den Nürnberger Prozessen (Volksprozess gegen den Nationalsozialismus) gewidmet ist. Diese große Ausstellung über die Nürnberger Prozesse findet zum ersten Mal statt!
Der Projektleiter und Ausstellungskurator ist Alexandr G. Zvyagintsev – Vizepräsident der Internationalen Vereinigung der Staatsanwälte, Vizepräsident des Verbandes der Kriminalisten und Kriminologen.
In der Ausstellung sind mehr als 1000 einzigartige Exponate ausgestellt. Die Mehrheit von ihnen wird zum ersten Mal gezeigt. Viele Ausstellungsstücke gehören zur persönlichen Sammlung von A.G. Zvyagintsev.
Im Museum sind viele authentische Dokumente und persönliche Gegenstände von Prozessbeteiligten ausgestellt. Die Besucher können die Roben von Andrei Ja. Wyschinski, Iona T. Nikitchenko und anderen Teilnehmern an den Nürnberger Prozessen betrachten.
Es gibt mehr als 20 Videomonitore. Sie ermöglichen den Besuchern, sich mit einer umfassenden Auswahl an Multimedia-Programmen über die Nürnberger Prozesse zu informieren.
Über die Ausstellung wurde in verschiedenen TV-Reportagen (Kanal 1, Russland-1 und Russland-24 (VGTRK), NTV) berichtet. Speziell für den Fernsehkanal NTV (auf dem Foto) wurde eine separate Sendung gemacht – «Dokumentarische Reportage». Für den Dokumentarfilm wurden speziell folgende Teilnehmer gefilmt:
1) Der Hauptmilitärstaatsanwalt Italiens Marco de Paolis;
2) Benjamin B. Ferencz – der letzte noch lebende Staatsanwalt, der an den Nürnberger Nachfolgeprozessen beteiligt war. Er feierte vor kurzem seinen 100. Geburtstag!!!
Sein Interesse an der Ausstellung zeigte der berühmte amerikanische Regisseur Oliver Stone (dreifacher Oscars-Gewinner). Er hat zu A.G Zvyagintsev gute enge Beziehungen und half dem russischen Kollegen.
In einem separateren Saal kann man dem Projekt „Requiem“ sehen. Es gibt den dramatischen Ton der ganzen Exposition an. Diesen Effekt verstärken zahlreiche Gemälde und Zeichnungen, die an den Wänden des Museums platziert sind. Prominente sowjetische Künstler schufen sie während der Arbeit des Hauptprozesses der Menschheit. Hier, an mehreren Ständen, gibt es speziell ausgewählte Sammlungen von seltenen Büchern, die von dem Volksprozess erzählen.
Das neue Buch von A.G. Zvyagintsev wird auch im Museum vorgestellt.
Ab dem 22. Juni kann man sich auf der Website des Museums eine virtuelle Tour anschauen und sich mit der gesamten Ausstellung vertraut machen. Hier finden Sie den Link zu der Webseite (auf Russisch): https://sovrhistory.ru/events/excursion/5ef07aef3d03ce6fbefaf9b6
Allein in den ersten Tagen der Eröffnung der virtuellen Tour haben mehr als eine halbe Millionen Menschen die Ausstellung besucht.
Präsident des Verbandes der Kriminalisten und Kriminologen
Igor M. Matskevich
Übersetzt von Jelisaweta Owtschinnikowa
Какова роль практикующих юристов в процессе разработки инструментов автоматизации?
В данной статье мы хотим поделиться с Вами результатами многолетних исследований в области искусственного интеллекта и предоставить ответы на эти вопросы.
Disclaimer: мы не критикуем существующие инструменты, а говорим о том, что для решения обозначенного круга задач требуется качественно новый подход к разработке.
Наша компания более 15 лет успешно работает на рынке консалтинговых и юридических услуг. Обладая значительным юридическим опытом решения самых нестандартных кейсов и сложных проектов в России и за рубежом, мы посвятили не один год научному исследованию и практическим разработкам в области цифровых технологий и перспектив их применения в профессии. Несколько лет назад мы задались вопросом: почему юридический рынок обделен инструментами автоматизации? Анализ предлагаемых продуктов позволил прийти к следующим результатам.
Мы, как профессиональные юристы, активно следим за развитием сферы LegalTech и за решениями, которые предлагаются на рынке в качестве прорывных продуктов, способных, по заявлениям создателей, изменить традиционное представление о работе юриста. Но на самом деле в качестве LegalTech на отечественном рынке распространяются решения, которые очень далеки от содержательной автоматизации юридической функции и позволяют решать локальные задачи, не связанные с творческой и экспертной юриспруденцией. В то время, как инженеры активно применяют в повседневной работе решения, выполняющие сложные расчеты и рутинные операции, а сотрудники финансового сектора используют цифровые платформы для построения финансовых моделей и оценки рисков, все, что есть у юристов — чуть более продвинутые поисковые сервисы и шаблоны документов.
Весь доступный инструментарий для юриста сегодня это:
Данные инструменты ни на шаг не приближают нас к автоматизации творческой и экспертной юриспруденции. Они, безусловно, облегчают работу юриста, но только в вопросах поиска информации, а не в ее интеллектуальной обработке с точки зрения юридической логики. Практикующие юристы высокой квалификации согласятся с нами, что если бы можно было предлагать клиентам шаблонные договоры, в которые встроены актуальные даты, суммы и наименования объектов, то профессии юриста уже бы не было. Ценность юриста заключается в его способности предвидеть ситуацию на несколько шагов вперед и предлагать нестандартные решения в пользу клиента с минимальными рисками и издержками с точки зрения права.
Мы однозначно можем сказать, что при существующем уровне развития технологий юридический рынок в России (и, скорее всего, в мире) не имеет полноценных решений, способных заменить юриста даже начальной квалификации и автоматизировать хоть в сколько-нибудь значимой части юридическую функцию.
Прежде чем перейти к анализу технологической стороны вопроса необходимо понять особенности предметной области. Работа любого юриста-эксперта связана с документами. Данные и документы разнородны и имеют собственные отличительные особенности. Задача профессионального юриста при работе с документами заключается в том числе в правовой оценке их содержания, квалификации отношений между субъектами, выявлении правовых и финансовых рисков для представляемой стороны и выработке предложений по их минимизации или в регламентации существующих отношений между хозяйствующими субъектами.
Например, к юристу обратился клиент, который столкнулся с недобросовестным поведением контрагента и требует защитить его интересы. Задачами юриста являются:
Это только один из примеров, с которыми сталкивается юрист ежедневно. При последовательном решении каждой отдельно взятой задачи проявляется профессионализм и экспертные навыки, которые формируются по мере работы юриста и накопления опыта. Одна из значимых компетенций юриста — это умение видеть в письменных документах все юридические факты, выделять наиболее значимые и соотносить их с нормами права для поиска возможных решений. Именно поэтому одной из ключевых и первостепенных задач, которую необходимо решить для создания действительно функционирующих инструментов автоматизации юридической работы, является обучение машины смысловому понимаю текста на уровне юриста-профессионала. Речь идет о полноценном семантическом анализе юридических текстов.
При обращении к вопросам автоматизации юридической функции и создания полноценного юридического искусственного интеллекта мы считаем, что без применения глубоких лингвистических технологий эти задачи решить не получится. Это, прежде всего, связано с необходимостью научить программные инструменты понимать не только отдельные сущности (категории) в тексте, но и анализировать текст, выделять все возможные смыслы и проводить логические взаимосвязи в его содержании. В качестве подтверждения данного тезиса приведем следующие аргументы.
В первую очередь, при анализе документа юрист оценивает его содержание с точки зрения смыслов, которые в нем содержатся. Например, в тексте большинства уставов обществ с ограниченной ответственностью имеется следующий пункт, дублирующий п. 3 ст. 21 Федерального закона № 14-ФЗ от 08.02.1998 г.: «Доля участника Общества может быть отчуждена до полной ее оплаты только в той части, в которой она уже оплачена». Применяя экспертные юридические знания мы можем извлечь следующие смысловые блоки из данного предложения:
Подобный уровень детализации смыслового содержания документов с помощью машинных инструментов невозможно добиться без воссоздания юридической «картины мира» путем разработки экспертных семантических концептов, созданных в тесном взаимодействии с погруженными в предметную область (как в теорию, так и в практику) специалистами.
Кроме того, с точки зрения внутренней структуры, документы, используемые в юриспруденции, могут быть классифицированы следующим образом:
И если для машинной обработки высокоструктурированных документов сложные лингвистические решения не требуются, то для слабоструктурированных и неструктурированных документов, которых в области права большинство, технологии NLP (Natural Language Processing) являются единственным инструментом, способным справиться с данной задачей.
Итак, определив приоритетные задачи для создания юридического искусственного интеллекта, мы приступили к анализу рынка и тестированию существующих инструментов NLP. Результаты исследования представлены в Главе 2 настоящей статьи.
Пару слов также нужно сказать про ставших недавно популярными цифровых помощников, чат-ботов, ассистентов и т. п. Безусловно, с приходом Alexa, Siri и Алисы множество аспектов бизнеса и нашей повседневной жизни кардинально поменялись:
В свете такого взрывного роста возникает большой соблазн создать робота-юриста (как end-to-end решение):
Такая идея далеко не нова, но все попытки ее реализации за всю мировую историю права неизменно заканчивались неудачей. Причина в следующем: практикующий юрист почти каждый день сталкивается с новой уникальной задачей, которая требует творческого подхода. В связи с этим технологии чат-ботов и ассистентов мы не расцениваем как элемент LegalTech/Legal AI, поскольку они имеют сугубо опосредованное отношение к автоматизации юридической функции.
Наше субъективное мнение: применение технологий цифровых ассистентов, чат-ботов в сферах экспертной деятельности — крайне рисковое мероприятие:
При этом не составляет особого труда предугадать логику законодательного регулирования. Если цифровые ассистенты и чат-боты будут допущены до экспертной сферы, то, скорее всего, на уровне закона будет установлено, что за все рекомендации и действия ассистентов и чат-ботов их разработчики несут полную ответственность.
Исследованиям вопросов в области лингвистики и технологий NLP мы посвятили большое количество времени в том числе в рамках рабочих встреч и обсуждений подходов с представителями научного сообщества. Нельзя не оценить их вклад в развитие инструментов обработки текста, которые в настоящее время показывают хорошие практические результаты. Мы благодарны представителям научного сообщества за бесценный опыт, которым они поделились с нами и внимание, проявленное к нашим разработкам. Прежде всего мы имеем в виду следующие коллективы:
В России направление NLP развивается во многом благодаря энтузиазму и многолетней работе ученых, осуществляющих разработки в области процессинга русскоязычного текста в условиях ограниченного бюджета, а также отсутствия частных и государственных инвестиций, способных финансировать масштабные исследовательские проекты. Несмотря на эти обстоятельства, данными научными коллективами были достигнуты огромные практические результаты в области процессинга текста на русском языке, которые заслуживают уважения.
По нашему мнению, обозначенная проблема отсутствия финансовой поддержки и инвестиций в научные разработки технологий NLP в России является одним из факторов, сдерживающих развитие данной области. Государственная поддержка таких проектов позволила бы совершить существенный прорыв в области семантики и синтаксического парсинга, а также достигнуть огромных результатов.
Далее мы предлагаем рассмотреть существующие подходы и инструменты в области обработки текста на русском языке с практической стороны.
В области NLP на отечественном рынке присутствует ряд коммерческих решений, которые предлагают универсальный функционал по процессингу русскоязычных текстов. Однако среди данных продуктов отсутствуют профильные решения, ориентированные на юристов и способные удовлетворить потребности предметной области в полном объеме.
Совокупно данные продукты могут быть разделены на две группы. Первая группа представляет собой решения, функционал которых обеспечивается за счет многочисленного набора правил, которые формулируются лингвистами и специалистами из предметной области. Наиболее известными системами являются решения от ABBYY, Pullenti, Megaputer и ряда других др. Разработчиками данных решений предлагается проведение лингвистического анализа неструктурированных текстов посредством выделения именованных сущностей (Named Entity Recognition), применения правил морфологии, синтаксиса, семантики и иных процедур обработки (как правило, такие правила описываются в проприетарном закрытом формате). Стоит оговориться, что в таких системах могут применяться элементы машинного обучения, но они играют второстепенную роль.
Принципиальный недостаток таких решений кроется в подходе — реализация функционала путем создания отдельных правил приводит к необходимости вырабатывать десятки/сотни тысяч правил для отдельно взятой области, что неизбежно приводит к возникновению противоречий. Классический пример:
Кроме того, одно изменение или ошибка может потребовать пересмотра значительной части правил.
Вторая группа — решения, основанные на применении нейронных сетей, обученных на корпусе текстов. Наиболее яркими представителями являются DeepPavlov, FRED и др. В отличие от первой группы продуктов использование машинного обучения позволяет уйти от необходимости разработки правил анализа текста и их правки при изменениях в предметной области, однако для подготовки обучающего датасета требуется профессиональная разметка сотен тысяч образцов документов каждой используемой категории. В настоящее время существующие модели предобучены на корпусе текстов из общедоступных источников: художественной литературы, текстов в сети (wikipedia) и др., что не позволяет полноценно использовать их при обработке юридических текстов, обладающих собственной спецификой. Обучение же на корпусе юридических документов осложнено отсутствием в открытом доступе достаточного количества уникальных образцов в связи с конфиденциальным характером содержания реальных правовых документов.
Именно поэтому в настоящее время нет коммерческих проектов, созданных на основе ML/DL, где в качестве обучающего датасета присутствует достаточное количество юридических текстов. Тем не менее многие крупные компании, обладающие собственной обширной базой документов, предпринимают попытки создания инструментов для внутреннего пользования.
Общеизвестен факт, что русский язык во многих аспектах — один из самых сложных языков, особенно когда дело касается профессиональной лексики. Юридические тексты объединяют в себе не только специфическую терминологию, но и формализм, сложную синтаксическую структуру, характеризующуюся наличием множества оборотов (сложносочиненных и сложноподчиненных предложений, причастных и деепричастных оборотов и др.).
Исследуя и подбирая инструменты для решения задачи процессинга юридических текстов на русском языке, мы столкнулись с рядом проблем. Для понимания сложности задачи приведем два примера предложений:
Очевидно, что предложения по типу второго примера чаще используются в юридических текстах, чем по типу первого, что и порождает проблемы в реализации процессинга.
Кроме того, для русского языка неприменимы инструменты, созданные для англоязычных текстов. Причина тому кроется в критических различиях в данных языках. Тогда как английский язык является аналитическим, русский язык обладает главным образом свойствами синтетического языка. Из этого следует ряд принципиальных отличий между ними. Английский язык имеет фиксированный порядок слов, обеспечивающий структурную связность текста, тогда как в русском языке структура формируется при помощи множества грамматических морфем (приставок, суффиксов, флексий).
Для понимания приведем следующий пример: «В 2019 году совершена притворная сделка, в соответствии с которой имущество было отчуждено в пользу аффилированного лица мужа члена Совета директоров, фиктивный развод с которым состоялся годом ранее». В данном предложении придаточная часть может относится к нескольким сущностям: «аффилированному лицу», «мужу», «члену Совета». В английском языке этот вопрос разрешился бы за счёт близости главной и зависимой частей.
Английскому языку присуще также обязательное наличие в предложении подлежащего и сказуемого, тогда как русский язык характеризуется возможностью пропуска не только одного из главных членов предложения, но и зачастую слов, смысл которых предполагается, применяя такие фигуры речи, как эллипсис (пропуск слов с возможностью контекстуального восстановления). Например: «На собрании председательствующий представил аудиторское заключение, ревизор – решение суда», в котором повторяющийся глагол «представил» опускается во второй части и реализуется с помощью пунктуации.
Все это свидетельствует о сложности и уникальности русского языка, особенно с учетом особенностей профессиональной терминологии юристов. Текущий уровень развития NLP, к сожалению, не позволяет нам сформировать лингвистические универсалии, позволяющие совершать сложные логические операции (анализ, синтез, генерация и вывод) над текстами всех областей человеческих знаний. Более того в настоящее время нет готовых программных решений по процессингу русского языка даже для крайне узких предметных областей по отдельности, не говоря даже о юридических текстах, которые сочетают в себе как профессиональную лексику, так и общеупотребительные конструкции и терминологию из других сфер.
Технологии NLP строятся на трёх основных направлениях лингвистики: морфологии, синтаксисе и семантике. Поиск решений в области морфологического анализа для русского языка уже не вызывает острых вопросов: есть несколько готовых качественных инструментов в области морфологии, а также открытых библиотек (например, natasha/yargy). С синтаксисом дела обстоят несколько иначе. Мы исследовали множество парсеров, созданных для русского языка и адаптированных к нему. У всех есть свои преимущества и недостатки. Решение задачи семантического анализа юридических текстов также осложнено рядом проблем. Подробнее об этом расскажем ниже.
Исследования и разработки с применением семантики направлены на решение многих задач NLP: от глубинного машинного перевода до диалоговых систем и программных решений по генерации готовых текстов. Изучая научные наработки и готовые open-source модели, мы пришли к выводу, что интенсивнее всего семантическая область NLP на русском языке развивается в сфере систем с естественно-языковым интерфейсом, способным принимать вопросы и отвечать на них на естественном языке (Question-answering system, QA-системы). Однако и в сфере QA-систем отсутствуют профильные решения для юристов.
Одна из наиболее эффективных существующих моделей — DeepPavlov. Данная модель основана на Google BERT (и ряде других моделей) и является открытой программной библиотекой разговорного AI для создания виртуальных диалоговых ассистентов и универсального анализа текста.
Для первого теста мы выбрали предложение осложненное сочинительной, подчинительной связями, перечислениями, уточнениями, аббревиатурами, сокращениями, числами, производными союзами и предлогами: «В соответствии со ст. 46 Конституции РФ и гл. 24 АПК РФ граждане и организации вправе обратиться в суд за защитой своих прав и свобод с заявлением об оспаривании решений, действий органов государственной власти, органов местного самоуправления, должностных лиц, государственных или муниципальных служащих, в результате которых, по мнению указанных лиц, были нарушены их права и свободы или созданы препятствия к осуществлению ими прав и свобод либо на них незаконно возложена какая-либо обязанность или они незаконно привлечены к ответственности».
Тест проводился путем поочередных вопросов системе:
Наглядно видно, что вопрос «Чьи действия/решения можно оспорить?» не вызывает трудностей у системы: придаточная часть «органов государственной власти…» относится к однородным членам предложения одинаково, вне зависимости от последовательности этих слов в предложении. Очевидно, вопрос предполагает синтаксическую связь «действий», «решений» со словом/словами в форме родительного (притяжательного) падежа и, вероятно, множественного числа.
Однако, перефразируя тот же вопрос, мы получаем другой результат. Когда вопрос формулируется более абстрактно, последовательность слов в предложении начинает иметь гораздо большее значение, чем его синтаксическая структура, что не соответствует смыслу предложения.
В рамках второго теста мы попытались определить субъектный состав и объект договора из более простого предложения: «Между ООО «Кротвест и ООО «МедКо» заключен договор аренды в отношение нежилого помещения».
Как видно из результатов, система DeepPavlov успешно определила объект и субъектный состав договора из простого предложения. Усложнение задачи и изменение последовательности слов в предложении на входе снова демонстрирует жёсткую привязку семантического анализа к синтаксису и последовательности слов.
Субъект определяется корректно только том случае, когда стороны записаны подряд и напрямую связаны синтаксически (в данном случае предлогом «между» и соединительным союзом «и»). Стоит отметить, что с точки зрения юридической логики оба предложения содержат абсолютно идентичные смыслы: субъектами являются обе компании. Однако в зависимости от формулировки вопроса ответ определяется неустойчиво.
Для третьего теста мы проверили возможность вычленять факты, используя конверсивы (слова, выражающие отношения к одну и тому же событию с разных углов зрения). За основу было взято предложение с именованными сущностями (организация и лицо) и глаголом «продать». Модель хорошо идентифицировала вопросы, лексически дублирующие текст предложения.
Когда же в вопросе применялся конверсив «купить», ответ снова привязывался к синтаксической зависимости вопроса и предложения, а не к семантическому концепту в целом.
Аналогичные операции были проделаны на более простом предложении: «Зоя продала Лене коляску».
В данном тесте модель успешно идентифицировала как объект, так и субъектный состав отношений.
Помимо приведенных примеров мы провели множество других тестов QA-модели DeepPavlov, в том числе на предложениях, не связанных с юриспруденцией. В результате можно сказать, что модель показывает хорошие результаты при постановке вопросов, синтаксически и лексически близких к предложению на входе и, потенциально, может быть использована в качестве поисковой системы для документов большого объёма. Однако для качественного контекстуального анализа и, как следствие, выделения точных данных и значимых смыслов из текста с помощью данной модели видится невозможным. А ведь именно эти задачи представляют особую важность для инструментов, применяемых в юриспруденции.
Ещё одним инструментом семантической обработки текста, привлёкшим наше внимание, является семантический парсер FRED. Архитектура FRED построена на применении нейронных сетей, принципов фреймовой семантики и онтологического подхода, в результате чего анализируемый текст систематизируется путем выстраивания семантических связей между элементами и множеством существующих онтологий.
Система успешно выделяет семантические группы и предоставляет ссылки на используемые онтологии, что позволяет продолжить процессинг текста через онтологические отношения. Предлагаем более детально рассмотреть достоинства и недостатки данного подхода на примерах.
В качестве исходных данных для первого теста мы выбрали следующие простые предложения:
«ООО «Лесник» продало Друнову В.С. партию деревянных слэбов».
«Зоя продала Лене коляску».
Оба примера связаны с отношениями купли-продажи объекта. С точки зрения гражданского права РФ договор купли-продажи включает в себя сторон (продавец и покупатель), объект (объект гражданского оборота, отчуждаемый продавцом в собственность покупателя) и предмет (действия, совершаемые сторонами для достижения желаемого правового результата, а именно — продавец обязуется передать имущество в собственность покупателя, а покупатель — принять объект и оплатить его стоимость).
Рассмотрим, как факты, связанные с продажей, структурируются с помощью FRED:
Стоит отметить, что имена физических лиц и наименований организаций во FRED определяются так же неустойчиво (сравните связи агента и реципиента в первом и втором предложении): если во втором предложении «Зоя» и «Лена» соотнеслись с соответствующими именами в онтологии (иначе говоря, были распознаны в качестве имён), то в первом предложении Агент «ООО Лесник» и Реципиент «Друнов В.С.» не соотносятся с классами онтологии вовсе, что говорит о неидентификации наименований организаций в качестве таковых.
Далее рассмотрим пример с синтаксической близостью сторон в предложениях о заключении договора на следующих примерах:
«ЗАО «СадыОгороды» заключило договор аренды нежилого помещения с И.С. Ивановым».
«ЗАО «СадыОгороды» и И.С. Иванов заключили договор аренды нежилого помещения».
В первом примере на графе событие имеет только одну сторону (в качестве Агента идентифицировано «ЗАО СадыОгороды»). Второй же фактический Агент данного предложения «И.С. Иванов» ошибочно ассоциирован с событием через «Продукт» (договор) связью ‘с’ – «Договор ‘с’ И.С. Ивановым». С точки зрения семантики и юридической логики эта связь уместнее в случае «Договор ‘c’ правками (приложением; доп. соглашением и т.д.)». Во втором же примере на графе верно выделяются обе стороны договора («ЗАО СадыОгороды» «И.С. Иванов» имеют роль Агента).
Данные тесты наглядно демонстрируют наличие общей проблемы у FRED и DeepPavlov при семантическом анализе, связанной с сильной привязкой к синтаксису и последовательности слов в предложениях. FRED в сравнении с DeepPavlov, на первый взгляд, видится инструментом, позволяющим выделять факты и семантические связи между ними более конкретно. Однако, при детальном рассмотрении у данного подхода обнаруживаются те же проблемы, что и у DeepPavlov.
Еще один инструмент, который широко применяется в компьютерной лингвистике, — Named Entity Recognition (NER). Инструменты NER позволяют распознавать в тексте устойчивые именные сущности по типу таких структурированных данных: дата и время, суммы и числовые величины, адреса, наименования географических объектов, регистрационные и идентификационные номера, ФИО и наименования компаний и др., а также определять их принадлежность к той или иной группе или категории.
На тему подбора оптимальных для русского языка инструментов NER и библиотек уже написано некоторое количество статей. Вкратце стоит отметить, что на сегодняшний день существует множество хороших моделей, пока дело не доходит до русского языка… Здесь мы сталкиваемся с двумя основными проблемами: как правило, ограниченным количеством классов и/или rule-based системами, имеющими в перспективе некоторые ограничения в развитии и, как следствие, риски в их применении. Но готовых решений нет и, в сущности, не может быть без адаптации инструмента к предметной области и решаемым задачам.
Для применения NER в юридической сфере требуется высокая степень детализации и точности разметки ФИО и наименований организаций, классов документов, чисел, торговых марок, наименования объектов гражданского оборота и других сущностей. По своей сути классификация именованных сущностей должна быть построена юристами с учетом действующего правового режима. С точки зрения профессиональной логики такой классификатор должен включать в себя исчерпывающий и закрытый перечень участников оборота (физическое лицо, индивидуальный предприниматель, юридическое лицо с учетом всех организационно-правовых форм), объектов (недвижимое и движимое имущество с учетом всех разновидностей и др.) и должен быть сформирован по принципу — совокупность дочерних сущностей образует родительскую. Например, помещение, здание, земельный участок, морское судно и др. в совокупности образует категорию «недвижимое имущество», а недвижимое имущество в совокупности с движимым есть «вещь».
На практике же, существующие инструменты распознавания именованных сущностей содержат в себе классификаторы, адаптированные под универсальное применение без привязки к конкретной области знаний. Например, библиотека DeepPavlov предлагает следующие типы распознаваемых сущностей.
На первый взгляд, такая классификация представляется вполне разумной, так как во многом совпадает с логикой/форматом восприятия обычного человека. Однако если посмотреть на такую структуру глазами юриста-профессионала, то обнаруживается ряд существенных проблем:
Используемая в DeepPavlov классификация хорошо подходит для общих целей и воспроизводит некоторую верхнеуровневую группировку объектов и субъектов материального мира. Но такой подход полностью игнорирует фундаментальные основы российского права: особенности объектов гражданского оборота, субъекты правоотношений, их правовой статус и др. Книга в материальном понимании — это вещь, аналогично велосипеду, но которая одновременно является и произведением искусства, охраняемым как результат интеллектуальной деятельности.
По большому счёту, этот факт говорит о необходимости участия экспертов предметной области в построении классификатора «с нуля» в соответствии юридической базой знаний. При этом юристы имеют возможность фактически создать профессиональную таксономию (экспертное видение предметной области) под актуальные задачи.
Важность корректного распознавания именованных сущностей заключается в том, что именованные сущности являются фундаментом для семантического анализа текстов. При этом верно и обратное: семантический анализ способствует более точной разметке именованных сущностей, когда только из контекста возможно вычленить искомые атрибуты. Достаточно распространённый пример, иллюстрирующий необходимость использования глубокого контекстуального анализа, — эллипсис (пропуск элемента высказывания, легко восстанавливаемого в данном контексте), появляющийся в текстах ближе к середине-концу изложения. Например, тот случай, когда в первом абзаце говорится об «ИП Иванов И.С.», который должен быть идентифицирован в качестве индивидуального предпринимателя, а далее повествование содержит различные вариации той же сущности, в том числе «Иванов», который без контекстуального анализа будет размечен в качестве физического лица).
Третьим важным инструментом процессинга текста выступает синтаксический анализ, выполняемый с помощью различных синтаксических парсеров. Синтаксический парсер представляет собой инструмент анализа предложений на основе его синтаксической структуры и представления данных в виде дерева зависимостей, выстроенного между словами. Выбор синтаксического парсера, очевидно, определяет работоспособность семантического анализатора, поскольку синтаксические связи (в т.ч. их тип и место) напрямую определяют результат семантической обработки.
Для исследования работоспособности синтаксических анализаторов на текстах юридического характера, имеющих структурную специфику (юридический стиль характеризуется инкорпорированием в сжатое повествование формальной информации типа наименования документов, паспортных данных и пр., аббревиатур, насыщенностью оборотами, приложениями, подчинительными и сочинительными связями, пояснениями и др.), нами был создана тестовая коллекция предложений разной степени сложности, взятых из реальных юридических документов. Предложения коллекции были дифференцированы и разбиты на три группы: простые предложения, предложения средней и высокой степени сложности. Для понимания сложности задачи приведем примеры каждой из группы предложений из тестовой выборки:
Мы проанализировали большинство доступных парсеров (ниже приведена основная их часть) на данной коллекции юридических предложений разной степени сложности и пришли к выводу, что качественный синтаксический парсинг на основе существующих инструментов возможен только для простых предложений и предложений средней степени сложности (с рядом оговорок). Парсинг предложений высокой степени сложности пока недоступен и требует существенных доработок
При тестировании парсинга предложений средней степени сложности был выбран следующий фрагмент: «В разъяснениях, данных в п. 16 Постановления пленума ВС РФ и Пленума ВАС РФ «О некоторых вопросах применения Федерального закона», указано на то, что выход участника из общества осуществляется на основании его заявления».
Подробности тестов различных синтаксических парсеров приведены ниже.
Проект «Автоматическая обработка текстов» (АОТ) приостановил своё развитие несколько лет назад. Как заявляли его создатели, подход, используемый в АОТ, скорее можно назвать консервативным, чем революционным, поскольку общая идея, объясняющая сущность естественного языка, отсутствует. Максимально приблизить человеческий язык к современному компьютеру возможно только при помощи грамотной декомпиляции языковых механизмов. Тем не менее для нас было важно апробировать данную систему для сравнения её с грамматикой зависимостей, поскольку АОТ применяет грамматику непосредственно составляющих.
На скриншоте с результатами теста заметно, что не все слова и сокращения («ВАС РФ», «указано») в предложении имеют связи со словами и группами слов. «ВАС» и «РФ» должны быть связаны по типу «генит_иг», а «указано» должно объединиться с предложной группой «на то…» связью «кр_прч». Помимо этого большое количество именных, предложных и прочих групп не связаны друг с другом. К примеру, группа «выход участника» синтаксически связана с группой «из общества», что не следует из выведенного системой разбора.
Дело в том, что грамматика непосредственно составляющих с трудом перекладывается на структуру русского языка с его нефиксированной последовательностью слов в предложении, и, соответственно, предложение теряет значительное количество синтаксических связей, в том числе влияющих на смысл.
Отсюда следует, что главным минусом данного подхода является неполнота связей. Иначе говоря, некоторые токены остаются «в воздухе», что недопустимо при создании графа и дальнейшем семантическом анализе.
ЭТАП – лингвистический процессор, разработанный сотрудниками ИППИ РАН. В его основе лежит теория «Смысл <=> Текст» И.А.Мельчука. Это система, главное предназначение которой – анализировать и синтезировать тексты, то есть преобразовывать тексты из их исходного вида в некоторое абстрактное представление, приближенное к представлению смысла, и обратно. Помимо этого главного предназначения, направленного на решение фундаментальной задачи моделирования естественного языка, имеется и прикладной аспект. Поскольку система умеет понимать и строить тексты, разумно попытаться использовать эту способность в каких-либо конкретных приложениях, способных принести конкретную пользу, например, для генерации юридических документов на основе входных данных.
Система является rule-based решением как в области синтаксиса, так и в области семантики.
На результатах теста видно, что процессор ЭТАП с трудом усваивает длинные, осложнённые предложения: последовательно расположенные существительные в больших предложениях соотносятся друг с другом так же последовательно. Например, это распространяется на следующую часть предложения: «Постановления Пленума ВС РФ и Пленума ВАС РФ».
Сочинительная связь ‘conj’ должна связывать слова «Пленума» и «Пленума», а по результату процессинга соединяет подряд стоящие слова «РФ» и «Пленум». Подобные ошибки в дальнейшем могут сказаться на семантической логике связей. Также система дробит числовые показатели и, следовательно, находит новые несуществующие с точки зрения смысла связи.
К преимуществам ЭТАП можно отнести присутствие дополнительных лексических функций/связей, позволяющих более глубоко работать с семантикой на следующих этапах
Синтаксический парсер Stanford – парсер, разработанный в Стендфордском университете. Данный парсер использует модель arc-standard system, где выбор действия осуществляется с помощью нейронной сети. Особенностью данного парсера является то, что он изначально был создан и обучен для применения на англоязычных текстах, при этом грамматика английского языка предполагает только 15 типов связей. При адаптации парсера для русского языка типы связей были сохранены. Однако русский язык содержит порядка 30 типов связей, что порождает значительные трудности в использовании данного парсера на русскоязычных текстах.
В процессе тестирования Stanford выдаёт минимальное количество разнородных, но зачастую несущественных ошибок, верно выявляя структуры сложносочинённых и сложноподчинённых предложений.
Здесь сочинительной связью «сonj» система объединила категории «пункте» и «Пленума», хотя из предыдущего разбора нам уже известно, что эта связь закреплена за словами «Пленума» и «Пленума».
Стоит также обратить внимание на следующую особенность: при том что словосочетание «Пленума ВС РФ» с его аббревиатурами разобрано верно (последовательная зависимость «nmod»: от «Пленума» к «ВС», от «ВС» к «РФ»), аналогичное словосочетание «Пленума ВАС РФ» уже требует корректив (вместо последовательности от «Пленума» как к «ВАС», так и к «РФ», необходима последовательная связь, аналогичная предыдущему словосочетанию), что говорит о нестабильном результате вывода. При этом относительно качественно разобраны структурные части предложения (причастные обороты, подчинительная часть).
В итоге к преимущества Stanford мы можем отнести устойчивую работу при анализе структуры предложения (что является существенным аргументом в пользу парсера) и полный разбор предложения без пропусков. К недостаткам — скорость обработки, некоторая хаотичность выделения связей между токенами (от глагола к прилагательному, а уже после через него к существительному).
Модель Universal Dependencies предобучена на нескольких русских размеченных корпусах, среди которых к сравнительному анализу были взяты следующие: GSD, taiga и SynTagRus. Безусловно, самой качественной среди них оказалась модель на SynTagRus – крупнейшем русском размеченном корпусе на сегодня.
UDP GSD
UDPipe, обученный на GSD, выдаёт частые ошибки внутри структуры предложений. В данном дереве имеющие прямую синтаксическую связь слова «разъяснениях» и «указано», разделены друг от друга 4 уровнями связей. Кроме того за root принимаются не только глаголы, но и существительные (не всегда подлежащие). На примере видно ошибочное определение «root» (разъяснениях), что значительно исказит дальнейший семантический анализ.
Также часто и бессистемно дроблению подвергаются длинные предложения. Насыщенность однородными членами также способна сломать структуру дерева. Зачастую, эти особенности обнаруживается на предложениях средней и высокой степени сложности.
UDP taiga
На аналогичном примере UDP 2.4 taiga продемонстрировала огромное количество искажений, но главной принципиальной ошибкой стало деление одного предложения на два дерева.
UDPipe, обученный на Taiga даёт аналогичные предыдущему корпусу ошибки, однако дробление предложения на несколько деревьев возникает зачастую уже на предложениях средней сложности.
UDP SynTagRus
Иначе обстоят дела с UDP 2.4 SynTagRus. Он вывел качественно проанализированное дерево, недочётами которого стала последовательность связей (в словосочетании «выход участника из общества» «выход» должен быть напрямую связан с «обществом», а не через связь с «участником») и обработка числовых показателей (очевидно, «16»-ым является «пункт», а отнюдь не «Постановление»).
UDPipe на SynTagRus имеет более стойкие, отслеживаемые ошибки в предложениях высокой степени сложности. Однако структура остаётся сохранна, за исключением случаев особо нагромождённых предложений, которые парсер имеет свойство дробить.
В целом к явным плюсам UDPipe можно отнести скорость и обновляемость.
Последней была протестирована модель DeepPavlov, предобученая на корпусе SynTagRus с помощью BERT.
Модель показала очень достойные результаты, в целом приближенные к UDPipe 2.4 на SynTagRus. Наблюдаются проблемы на сложных многоуровневых предложениях, ошибки в месте связи или в её типе. На данном примере видим, пожалуй, единственный неочевидный нюанс с «Постановлением… «О вопросах…», где «Постановление» и «вопросах» должны иметь не опосредованную, а прямую связь (в контексте предложения наименование «О вопросах…» присвоено не Пленуму, а Постановлению).
Результаты тестирования существующих синтаксических парсеров можно представить в следующей таблице (инструменты ранжированы в зависимости от результатов — от наиболее успешного к наименее).
| № | Наименование | Преимущества | Недостатки |
|---|---|---|---|
| 1 | DeepPavlov | скорость, обновляемость и сохранение структуры предложения | нарушение последовательности связей в сложных предложениях |
| 2 | UDPipe 2.4 SynTagRus | скорость, обновляемость и сохранение структуры предложения | нарушение последовательности связей в сложных предложениях и числовых значениях |
| 3 | Stanford | устойчивая работа при анализе структуры предложения и полный разбор предложения без пропусков | низкая скорость обработки и хаотичность выделения связей между токенами |
| 4 | ЭТАП | присутствие дополнительных лексических функций/связей, позволяющих более глубоко работать с семантикой на следующих этапах | нарушение семантической логики связей, дробление числовых показателей и нахождение несуществующих связей |
| 5 | UDPipe 2.4 GSD | — | дробление предложений на два и более деревьев, ошибки в последовательности и типах связей |
| 6 | UDPipe 2.4 Taiga | — | дробление предложений на два и более деревьев |
| 7 | АОТ | — | неполнота связей (некоторые токены остаются «в воздухе», что недопустимо при создании графа и дальнейшем семантическом анализе) |
Исследованные инструменты показали различные результаты. Некоторые парсеры, например DeepPavlov, UDPipe 2.4 SinTagRus и Stanford, продемонстрировали относительно хороший уровень разбора простых предложений и предложений средней степени сложности, однако общим для них является неэффективность на юридических текстах. Для достижения приемлемого уровня разбора текстов правовых документов данные модели подлежат значительной доработке.
Результаты исследования существующих решений в области процессинга русскоязычного текста привели нас к выводу, что представленные на рынке инструменты имеют универсальный характер и неприменимы в существующем виде для достижения практических результатов в анализе слабоструктурированных и неструктурированных правовых документов. Причин тому несколько.
Основная проблема, присущая всем представленным решениям, заключается в том, что продукт создан не экспертами предметной области, в которой он применяется. Идея создания инструментов автоматизации юридической работы без участия юристов высокой квалификации изначально обречена на неудачу, поскольку без понимая терминологии, ее значений и классификаций, а также самых глубинных взаимосвязей невозможно воссоздать «юридическую картину мира». Во многом данная ситуация связана с тем, что на рынке доминируют подход, при котором идеологами проектов по созданию решений автоматизации выступают IT-разработчики и специалисты в области data science, которые не знакомы на должном уровне с особенностями юридического мышления и не погружены в реальную практику, в которой может применяться то или иное решение.
Кроме того, при создании программных продуктов многими разработчиками преследуется логичная цель — максимально широкая интеграция ПО в различные сферы. Наиболее простой подход для этого — создание универсальной платформы, внедрение которой в новую предметную область потребует незначительных доработок. Данный подход имеет свои преимущества и недостатки, но в случае создания инструментов автоматизации работы юриста он неприменим. Для использования таких продуктов конечные пользователи (практикующие юристы) вынуждены подстраиваться и адаптироваться под их условия и особенности, а в данной сфере должно быть наоборот — продукт изначально должен создаваться исходя из потребностей и задач пользователей. Только такой подход позволит добиться качественных результатов.
Третьим фактором, который до настоящего времени не позволил реализовать в полном объеме процессинг русскоязычных текстов на достаточном уровне, является недостаточность финансирования научных разработок и отсутствие государственных и частных инвестиций в данную область знаний. Существующие научные группы и институты благодаря собственной воле и энтузиазму достигли хороших практических результатов в создании инструментов обработки текста, однако ограниченность бюджета не позволяет им продвинуться дальше. Их зарубежные коллеги достигли гораздо больших результатов благодаря активному участию государства, финансирующего подобные проекты. По нашему мнению, государственная поддержка исследователей и проектов в области NLP и искусственного интеллекта позволит совершить настоящий прорыв в краткосрочной перспективе.
Как показывает практика, создать высокоэффективное программное решение, которое может быть интегрировано в конкретную предметную область, невозможно без участия экспертов из данной области, профессиональный опыт и логика которых ложатся в основу машинных алгоритмов. Именно поэтому мы считаем, что создание «цифрового юриста» (юридического ИИ) и содержательная автоматизация юридической функции:
В результате тесного взаимодействия специалистов из этих областей будут созданы новые уникальные для рынка компетенции. Данные компетенции находятся на стыке нескольких областей — юриспруденции, лингвистики, программирования и инженерии знаний, что приведет к формированию принципиально новых профессий, отсутствие которых сегодня является одним из наиболее существенных факторов, сдерживающих развитие рынка технологий искусственного интеллекта в России.
Решение задачи процессинга неструктурированного русскоязычного текста в области юриспруденции требует иного подхода к использованию инструментов NLP: они должны учитывать на фундаментальном уровне юридические концепты и базироваться на графах знаний, которые изначально созданы для решения узкопрофильных юридических задач. Это позволит воссоздать юридическую «картину мира» в цифровом формате и трансформировать юридическую логику в машинные алгоритмы. Безусловно, большое значение в данном вопросе имеет достаточный уровень финансирования и поддержки подобных проектов, которое возможно только при активном участии государства.
15 июля 1904 года в Петербурге совершено покушение на министра внутренних дел, статс-секретаря Вячеслава Плеве. Министр ехал к государю с докладом по обыкновению в карете, окружённой велосипедистами-охранниками. Эсер Сазонов бросил под карету бомбу – взрывом министр был убит.
«Когда я подбежал к месту взрыва, – вспоминал участник заговора Борис Савинков, – дым уже рассеялся. Пахло гарью. На мостовой я увидел лежащего Сазонова… Лицо было бледно, кое-где по лбу и щекам текли струйки крови… Сзади послышался чей-то голос: «А министр? Министр, говорят, проехал». Тогда я решил, что Плеве жив, а Сазонов убит. Ко мне подошёл полицейский офицер, растерянно и быстро заговорил: «Уходите… Господин, уходите…» К месту происшествия сбежались люди. Уходя, я не заметил, что в нескольких шагах от Сазонова лежал изуродованный труп Плеве и валялись обломки кареты…» Сазонов был тяжело ранен, но его удалось спасти. «Вы дали мне возможность испытать нравственное удовлетворение, с которым ничто в мире не сравнимо», – писал он из тюрьмы своим «братьям-товарищам», благодаря их за то, что они позволили ему участвовать в деле. Сосланный на каторгу в Акатуй, Сазонов в 1910 году покончил с собой, протестуя против нарушения прав осуждённых.
Игорь Джохадзде. Криминальная хроника человечества.
On 10 July 2020, Sergey Ye. Naryshkin opened the museum exposition «Nuremberg tocsin».
Head of the project, Vice-President of the Union of Criminalists and Criminologists Alexander G. Zvyagintsev.
A.G. Zvyagintsev conducted the first tour of the exposition. One of the first visitors was S.Ye. Naryshkin.
S.Ye. Naryshkin left a memorable entry in the visitors’ book.
After viewing the exposition, S.Ye. Naryshkin presented A.G. Zvyagintsev with an honorary diploma: «…for many years of work on the study of history and a significant personal contribution to preserving the memory of the Nuremberg trials».
Translated by Elizaveta Ovchinnikova
Кто-то из вас мог видеть в прошлом году рейтинг безопасности городов России. Как собирали данные о безопасности: вроде бы был опрос жителей, но сколько человек опросили? Не было ли в выборке систематических смещений, как если бы опрашивали только жителей больших многоквартирных домов? Насколько вообще люди могут точно сказать, что в их городе в целом безопасно? Безопасно по сравнению с чем, и как эту безопасность измерить? А вдруг анкетный опрос отражает больше общественные настроения, нежели реальную преступность — вероятность случайного нападения на улице, грабежа или кражи?
В науке преступность измеряют разными способами. Два года назад мы с коллегами, например, провели первый в России репрезентативный виктимизационный опрос, обзвонив 16 тыс. человек. Данные мы открыли для общего пользования. Основной вывод — уровень реальной преступности где-то в 8 раз выше регистрируемой правоохранительными органами. Вот визуализация процесса от Марии Бублик и Натальи Тогановой, вошедшая в шорт-лист премии Information is Beautiful — 2019.
Опрос дает картину в целом по стране, но не позволяет судить об опасности отдельных мест. С этими мыслями я попробовал сделать рейтинг безопасности городов, который использовал бы более надёжные данные. Что лучше всего может отражать безопасность города? Хороший показатель безопасности — это риск насильственной смерти. С одной стороны, убийства — одно из «лучших» преступлений с точки зрения регистрируемости. О краже кошелька можно забыть или просто не сообщать полиции. За обнаружением «криминального» трупа всегда следует возбуждение уголовного дела. С другой стороны, обычное российское убийство — это бытовой конфликт, зашедший слишком далеко, часто в состоянии алкогольного опьянения. Так что количество убийств — хорошая метрика безопасности среды.
Управление ООН по наркотикам и преступности (UNODC) ежегодно выпускает аналитический отчёт по убийствам в странах мира. Стандартная метрика — количество убийств на 100 000 человек населения, или homicide rate. По состоянию на 2017 г., меньше всего убийств в Японии и Сингапуре (0,2 убийства на 100 000), Гонконге (0,3), Индонезии (0,4) и Норвегии (0,5). Больше всего — в Сальвадоре (61 убийств на 100 000 человек), Ямайке (57), Гондурасе (41,7) и Бразилии (30,5). Россия сильно внизу этого международного рейтинга, с 9 убийствами на 100 000 человек, в компании с Угандой (11), Уругваем (8,2), Перу (7,7) и Афганистаном (7,1).
Интересно посмотреть на гетерогенность: где в России убивают больше или меньше, чем в среднем? С этими мыслями я открыл RStudio и начал писать код.
Чтобы получить рейтинг, нужно получить удельное количество убийств, для которого, в свою очередь, нужно для каждого города России знать количество убийств и его население.
С сайта Росстата я взял файл с населением России с разбивкой по населённым пунктам за 2016 г. Год был выбран не случайно: это единственный год, где для каждой единицы, будь то субъект РФ, городской округ или муниципальный район, был идентификатор ТЕРСОН-МО, копирующий ОКТМО. ОК, население есть.
С убийствами оказалось сложнее. Открытой статистики по убийствам на уровне городов в России нет. В нашей научной работе мы используем данные обо всех возбужденных уголовных делах в России в 2013–2014 гг. Это огромный деперсонифицированный массив из примерно 5,5 млн. оцифрованных статистических карточек, которые в обязательном порядке заполняют следователи или дознаватели в момент возбуждения уголовного дела. Вот так выглядит первая страница карточки на выявленное преступление:
Любые административные данные немного грязные. В нашем случае в этих данных целиком отсутствовало несколько регионов, а у некоторых был пустой ОКТМО. Кроме того, иногда проблемой было то, что в некоторых городах единственный отдел полиции отвечал и за город, и за прилегающий муниципальный район, а его идентификатор ОКТМО был районный. Иными словами, это проблема «муниципальный округ-административный центр»: в зоне ответственности многих отделов, например, МВД находятся и город, в котором они расположены, и муниципальный район, который подчинён этому городу. Сличение по 5 знаку ОКТМО завысило бы удельное количество убийств, поскольку для города N в числителе будут убийства и в городе N, и в N-ском муниципальном районе, а в знаменателе — население только города N. Поэтому я агрегировал все данные об убийствах на уровне первых 6 цифр ОКТМО отделов правоохранительных органов.
Получилось два набора данных — убийства и численность — с общим ключом — ОКТМО. Сличив их, я оставил города с населением больше 100 000 человек, таких городов получилось 176. Нижняя граница в 100 тыс. выбрана по трём соображениям: во-первых, спорадический характер преступности делает оценку на меньших населенных пунктах нестабильной. Во-вторых, точность сличения уменьшается с размером населённого пункта. В-третьих, сама логика удельного количества убийств на 100 000 человек подсказывает нам отсечку.
Из 176 городов я нахожу данные по убийствам для 140 городов. В наших данных полностью отсутствуют сведения для Чечни и отсутствует маппинг между отделом полиции и ОКТМО для Башкортостана, Кемеровской области, Хакасии, Сахалина, Ярославской области, Костромской области, Камчатского края. Кроме того, из-за проблемы «муниципальный район-административный центр» я также теряю большинство городов Московской области. Тем не менее, 140 городов — это уже что-то. Получаем homicide rate: делим количество убийств на 2 (потому что данные за два года), а потом на население города. И всё бы хорошо, да только данные по убийствам за 2013–2014 гг.
С 1990-х гг. по всём мире происходит «великое падение преступности», в англоязычном мире известное как the great crime drop. Грубо говоря, люди перестают красть, бить и убивать. Криминологи выделяют ряд возможных причин, таких, как развитие систем безопасности (видеокамеры, охранные системы и т.п.), рост уровня жизни, прекращение использования свинцовых красок, которые отрицательно влияют на когнитивное развитие детей и снижают способность к самоконтролю. Теорий много. Это падение характерно и для России.
К счастью, у Генеральной прокуратуры РФ есть сайт с открытыми данными о преступности на региональном уровне. Путём несложных манипуляций я выгрузил данные об убийствах (учитывая и статью 105 УК РФ, и статью 111 ч. 4 УК РФ — обе на самом деле квалифицируют умышленное насилие, которое привело к смерти) за последние 10 лет по регионам и рассчитал динамику удельной убийственности по регионам:
Мы видим почти двухкратное падение количества убийств за 10 лет. Используя эти данные, я предсказал, как изменится убийственность каждого региона в России с 2014 к 2020 г. Для каждого региона получается множитель-мультипликатор, который мы умножаем на удельную убийственность по данным 5,5 млн. карточек, и получаем спрогнозированную удельную убийственность в 2020 г. Важное предположение здесь в том, что тренд снижения преступности в городах следует тренду на уровне региона. Кроме того, прогнозы всегда неточны, поэтому мы рассчитали доверительные интервалы.
Получился рейтинг безопасности городов России на основе данных об убийствах. Данные по убийствам в этих городах, населению, мультипликаторам и финальной оценке удельной убийственности в 2020 г. я выложил на GitHub.
Следующим шагом мог бы стать пересчёт рейтинга на данных посвежее (при условии, что кто-нибудь получит к ним доступ), а также проверка научных гипотез о том, что является причиной большого количества убийств в российских городах. Например, если сравнить, с одной стороны, удельное количество убийств, и, с другой, то, насколько часто физическое насилие приводит к смерти, то видно, что одной только удельной убийственностью гетерогенность российских городов не исчерпывается:
Можно посмотреть на Индекс самоизоляции Яндекса и убийственность по городам. На первый взгляд кажется, что в городах, где живут более законопослушные в плане карантина люди, реже убивают, а линия регрессии, показанная синим, может убедить в том, что такая связь есть. Но это не так: для доказательства такого предположения недостаточно двух переменных с парой десятков точек данных. Сам график скорее похож на график связи между количеством пиратов и средней температурой поверхности Земли, на котором кажется, что связь между двумя переменными есть, но без надёжного исследовательского дизайна, который мог бы претендовать на причинность, это всего лишь ложная корреляция. На самом деле, это просто иллюстрация того, что данные криминальной статистики можно сцеплять с другими наборами данных и смотреть, что получается.
Наконец, можно сделать еще одну интересную вещь. Я сматчил данные Мирового банка о среднем удельном количестве убийств на 100 тыс. человек населения по странам мира за 2017 г. (или ближайший доступный) и получил страны, которые ближе всего находятся к российским городам по уровню убийств. Это не совсем корректное сравнение, поскольку, во-первых, разные годы, и мы знаем, что со временем убийств становится меньше, во-вторых, удельные количества в микрогосударствах, таких, как Багамы, не всегда годятся для сравнений. Здесь может быть экологическая ошибка, связанная с агрегацией данных на уровне стран. Тем не менее, это забавное сравнение. В таблице ниже подобранные страны для 14 городов-миллионников России. Мой родной город — Красноярск, и теперь я могу говорить, что с точки зрения статистики убийств я родом из Королевства Свазиленд.
| Город | Убийств на 100К населения | Ближайшая страна по уровню убийств |
|---|---|---|
| Москва | 2.26 | Albania |
| Санкт-Петербург | 2.73 | Hungary |
| Новосибирск | 9.65 | Panama |
| Екатеринбург | 12.01 | Costa Rica |
| Нижний Новгород | 8.34 | Philippines |
| Казань | 11.75 | Dominican Republic |
| Челябинск | 12.94 | Costa Rica |
| Омск | 10.39 | Barbados |
| Самара | 7.49 | Peru |
| Ростов-на-Дону | 5.88 | Ecuador |
| Красноярск | 9.38 | Eswatini |
| Пермь | 6.87 | Afghanistan |
| Воронеж | 5.73 | Ecuador |
| Волгоград | 7.70 | Peru |
| Краснодар | 6.74 | Afghanistan |
https://habr.com/ru/company/eusp/blog/508366/
Post Scriptum.
Я бы относился к представленным данным и тем более результатам с большой осторожностью.
Меня смущают результаты, полученные на основании телефонных опросов, интернет-опросов и прочих неадресных и потому крайне сомнительных опросов. Помимо прочего остаётся сомнение в том, знают ли авторы подобных исследований как собираются статистические данные, как говорится, «на земле»? При чём не только в России, но в и других странах. Профессор Г.В. Дашков, который ещё в советские времена работал в ООН в Office on Drugs and Crime, рассказывал мне, как официальные представители разных государств ловко манипулировали с цифрами о преступности в зависимости от криминологической и политической конъюнктуры (если какие-либо государства рапортовали о снижении преступности, то начиналась цепная реакция снижения данных о преступности повсеместно во всём мире).
В то же время приведённые данные наверное кому-то пригодятся. За проведённую работу автору следует сказать — СПАСИБО!
Я лично эти данные (впрочем, как и многие другие) буду воспринимать критически.
Президент Союза криминалистов и криминологов
Игорь Михайлович Мацкевич
Итак, имеем около 4 тысяч университетов, но не можем обойтись без сотен тысяч иностранцев… Имеем стратегические отрасли, которые аутсорснули за рубеж. Имеем бюрократов, известных бессовестной тратой денег налогоплательщиков. Имеем то, к чему долго шли. Дошли. Имеем. Хотя, конечно, виноват во всем Трамп.
Прошу прощения, будет много цифр.
Сначала о проблеме как будто не связанной с темой.
Товарищ, занимающий очень солидный уровень в одной гигантской компании в Силикон Валли, днями сказал мне примерно следующее: «Игорь, ты слабо представляешь проблему номер один в Долине и о чем сейчас говорят все. А говорят все, как о величайшей проблеме, о запрете Трампа на наем новых Ай-Тишников из Китая и Индии. И о том, что те сотни тысяч китайцев и особенно индусов, что уже работают в Долине, смертельно боятся уехать «домой» в отпуск. Боятся, что их не пустят обратно. Сидят на чемоданах, многие уже с билетами, и не знают, что им делать».
Уже после разговора у меня возникли вопросы.
В США примерно 3700+ университетов. Конечно, у меня нет точной информации, но думаю, что в половине из них есть какие-то аналоги кафедр математики, физики и — особенно — компьютерных наук. Эти университеты выпускают ежегодно специалистов-компьютерщиков в очень больших количествах. Что не удивительно и по законам капитализма так и должно быть: зарплаты Ай-Тишников на сегодня легко бьют все остальные — средняя по Долине около 100 тысяч. Это вместе с секретарями и полотёрами. Почему же надо нанимать китайцев и индусов в таких количествах? Мы не говорим о гениях и полу гениях. Нет, из опыта своей работы в большой корпорации я видел, что человеческий материал программистов и прочих Ай-Ти (хай-тековских) специалистов из Индии (а у нас в корпорации на некоторых этажах не индусы — статистическая мелочь) ничем не отличается от среднего. Так в чем же причина паники в Долине?
Одного, всё объясняющего ответа нет. Но есть варианты. Среди моих друзей есть двое, которые предлагают свой ответ. Оба — российские эмигранты из Ленинграда. Приехали, соответственно, в 40 и 30+ лет. Один стал серьёзным специалистом НАСА, одним из менеджеров Лунной программы, в общем — человек с известным именем, даже выступал на СНН после того, как на Луне нашли воду. Другая, пройдя череду больших (особенно для эмигранта) должностей (например, главный инженер аналога «Водоканалтреста» района с 2 миллионным населением) основала инженерную компанию, где у неё сегодня работает от 25 до 30 инженеров. На мой вопрос «почему они все время жалуются что не могут нанять нужных инженеров?» оба ответили примерно одинаково: «Потому что университеты выпускают болванов». Согласен, их ожидания существенно завышены. Возможно, из-за собственных неординарных способностей, успехов и черт характера. Но я сам своим глазами видел нечто подобное всю свою американскую жизнь.
Не надо меня сразу обвинять во всех грехах. Конечно, умных и талантливых выпускников — много. Конечно, мы все может рассказать о своих детях, внуках и коллегах, но во второй части моего повествования я постараюсь подтвердить мои измышления некими фактами.
Но сначала — о наших университетах и о проблемах в них и с ними.
Университеты в США есть двух основных типов: частные и так называемые государственные. Среди лучших — подавляющее большинство частных (в первой двадцатке, как правило, все частные). Государственные — в основном штатные, то есть под финансовой крышей и регулированиями штатного начальства.
Опять сошлюсь на мнение моего товарища, на этот раз преподавателя университета. Вот его мнение, мнение профессора математики штатного университета в нашем штате (Калифорния): «В начале 90-х в каждой группе было 3-4 человека, в основном еврея, с которыми можно было работать, которые приходили подготовленные и которые хотели чему-то научиться. Через десять лет в каждой группе было 3-4 человека, в основном китайца, которые… и так далее. Сегодня не осталось никого. Уровень подготовки при поступлении на уровне троечника 10 класса советской школы». Да, это не самый выдающийся университет, но это огромный штатный университет (30 тысяч студентов) в большом городе самого денежного штата страны. Да, в Берклийском — тоже штатном, наверняка дела лучше. Но основная масса американских университетов бесконечно далека от Беркли. В штатной системе калифорнийских университетов 23+ университета — 482 тысячи студентов (система, к которой относится Беркли, система UC, другая, но тоже штатная, там 10.5 университетов). Пол миллиона студентов только в одной государственной университетской системе одного штата. Добавьте 285 тысяч из системы UC, к которой относится Беркли. Добавьте как минимум 250 тысяч из многочисленных частных. Итого, в штате с населением меньше 40 миллионов человек в университетах учиться один миллион, каждый сороковой. Каждый год университеты только одного штата выпускают около 200 тысяч человек. Специалистов! Специалистов?
Или университеты просто инструмент для выкачивания денег из, и прибыли для? Ведь если бы университеты выпускали специалистов, то чем тогда можно объяснить следующее:
71% хай-тековских работников в Силикон Валли родились за границей;
63% хай-тековских работников в Сиэтле, очень крупном центре компьютерных технологий (у меня нет данных по СВ) — не американские граждане, в основном обладатели визы Н-1В.
Как в эти данные вписывается замечательное американское университетское образование? Почему компании при сравнении своего родного среднего американца с университетским образованием отдают предпочтение иностранцам? При этом компании несут дополнительные расходы на оформление и поддержание визы (примерно 10-11 тысяч долларов на человека). Я надеюсь, читатели понимают, что речь идёт об американских компаниях на американской земле, где рядом сидящие инженеры одного уровня профессионализма из Индии и из Индианы получают одинаковую зарплату.
Кстати и мимоходом, а что у нас с ценой этого американского образования?
Я работал в огромной (27 тысяч человек) старинной (из середины 19 века) корпорации ещё в то время, когда ею руководили не номенклатурные пришельцы как сегодня, но традиционно выходцы из своих собственных низов. Хотя это не имеет отношения к теме, но, кроме всего прочего, это означало человеческие отношения между верхами и низами. Ежегодно все сотрудники компании проходили несколько 2-5 дневных «курсов повышения квалификации» на учебном комбинате компании в соседнем городке. Однажды во время такой учебы и во время обеденного перерыва за наш стол из 10-12 сотрудников отдела подсел глава компании, СЕО, Гордон Смит. Поговорили о том о сем (некоторые «старшие» товарищи помнили его, а он их ещё из давних времён), и Гордон рассказал, что начинал работу в компании (где уже работал инженером его отец) с того, что каждый раз во время студенческих каникул два месяца копал ямки под электрические столбы. А дальше он сказал совершенно фантастическую фразу: «Заработанного как раз хватало на годовую оплату учёбы в Беркли».
Что-то совершенно безобразное произошло с ценой обучения с тех далёких пор. Данные из ВИКИ (College tuition in the US).
1980-2015 годы:
Стоимость жизни увеличилась на 120%
Стоимость только оплаты университетам, то, что называется tuition (есть множество дополнительной оплаты) на 260%.
То же за 1978-2008 годы, но с учётом ВСЕХ расходов на образование:
330%.
960%.
То есть, стоимость университетского образования росла в три раза быстрее, чем стоимость жизни.
Ну, и теперь о качестве образования и последствиях аутсорсинга.
Скандал с самолётами Боинга, которые «проектировали клоуны и руководили проектом мартышки» известен сегодня всем. Скандал с космической программой Боинга (на деньги налогоплательщиков — это государственный контракт) разгорается только сейчас, но он ещё серьёзнее.
Littoral combat ship (LCS) — «революционная» программа Министерства Флота, задуманная как строительство 55 кораблей нового типа в 1990-х, и скандально провалившаяся после строительства 15+ никому не нужных — история среди военных специалистов достаточно известная. В программе участвовали действительно лучшие на сегодняшний день военные корпорации с очень громкими именами и с выдающимися специалистами. Проблема, однако, не только в плохих идеях при создании, не только в неадекватном мышлении бюрократов министерства и промышленности, не только в удивительно небрежном проектировании, но и в том, что после всех мысленных и не мысленных задержек и перерасхода бюджета, редко какой из кораблей из находящихся на службе ВМФ добирается до порта приписки своим ходом. Само производство сравнительно мелких кораблей оказалось сегодня не под силу заводам (верфям)-изготовителям.
Но это ещё цветочки.
В мае 2017 военному флоту США официально передан новый и самый последний по идеям и заложенным возможностям авианосец «Джеральд Форд» (100 тысяч тонн грузоподъёмности, 337 м. длиной, 78 м. высотой). Официально считается, что передача состоялась всего на 18 месяцев после назначенного срока и он обошёлся всего на 2.5 миллиарда дороже проектного бюджета (12.99 вместо 10.5). Сегодня у нас июль 2020 года, прошло три года со дня передачи корабля военным. Что же мы имеем? «Перерасход, как бы он не был велик, сам по себе уже ничего не значит. Корабль до сих пор не получил необходимых сертификатов годности из-за многочисленных принципиальных проблем с турбо-генераторами, системой электро-магнитного запуска самолётов, системой торможения-остановки самолётов, лифтами для подъёма самолётов из ангара и подъёма вооружения (только 5 из 11 лифтов удалось запустить)… За попытку отладить неработающее оборудование Флот платит из операционного бюджета, который должен был бы быть потрачен на реальную эксплуатацию этой дорогой игрушки. На сегодня во Флоте считают, что смогут вывести авианосец «на работу» в океан в 2022 году, но специалисты в это не верят, так как критические испытания на “shock trials” еще впереди, а всё указывает, что электромагнитные системы запуска самолетов его не выдержат”.
Но это все “мелочи” в сравнении с настоящей проблемой.
Суть авианосца в том, чтобы нести на себе самолеты. Еще проще: чтобы довезти на себе самолеты как можно ближе к полю боя, чтобы самолеты эффективно отработали свои цели на поле боя. Поскольку у самолетов для выполнения боевой задачи есть определенная известная дальность полета, то авианосец должен более-менее длительное время находится в такой зоне, на таком расстоянии от берега предполагаемого противника, чтобы самолеты с грузом могли взлететь, выполнить свою работу, вернуться назад, перезаправиться, перезагрузить оружие (ракеты, бомбы) и заново улететь выполнять свою боевую задачу. Большая часть самой дорогой в истории человечества военной программы — создания и производства самолетов F-35 — была задумана именно для авианосцев. Под характеристики флотского F-35С авианосец должен находиться в районе 500 миль от берега предполагаемого противника.
Предполагаемый противник для ВМФ США сегодня один — Китай. Так вот, ни один из американских авианосцев сегодня сравнительно безопасно находиться на таком расстоянии от берега Китая не может. Это настолько не безопасно, что вопрос даже не обсуждается. Китай за последних 20 лет создал эффективное оружие “отгона” авианосцев, поэтому реальное, более-менее безопасное расстояние сегодня равно 1000 миль. Сегодня у американцев нет защиты от китайских противокорабельных ракет DF-21 и DF-26. Что делает много сотен миллиардную программу создания F-35С по факту выброшенными деньгами (есть вариант дозаправки F-35C FA-18E/F самолетов в воздухе, но его не рассматривают серьёзно из-за уязвимости медленно летящих танкеров с огромной радарной засечкой). Флотское начальство сегодня вынуждено оставило за авианосцами “контроль” за морями, и на том спасибо.
Забудем на минуту все описанные проблемы и примем на минуту, что все на корабле спроектировано и работает замечательно. Почему, однако, авианосец Джеральд Форд получился таким дорогим? Здесь тоже много причин. Начнем с того, что в США, в её гражданской экономике не осталось ни одного прокатного стана, способного давать сталь нужного качества для корпуса современного большого военного корабля. В военной промышленности они еще пока есть. Но аутсорсинг Америкой проектирования и строительства новых станов еще в 90-е, естественно, оставил страну без специалистов. Все же надо признать, проектирование стана для прокатки высокопрочной стали толщиной до 100 мм (а для подлодок еще более толстой, да к тому же титановой) немного сложнее, чем написать приложение для Ай-Фона. Таких специалистов за день и за год не приготовишь. Ломать — не строить: школы специалистов уничтожены и их уже, наверно, не восстановить. Сталь, однако откуда-то берется. Да, ее в США завозят из Китая, Тайваня, Европы, возможно, из Тьмутаракани. Ее еще делают на военных предприятиях… но без конкуренции, без новых технологий, на старом оборудовании она получается дорогая. Но это не беда — ведь налогоплательщик сильно разбогател на дешевых китайских рубашках и вьетнамских тапочках, он заплатит.
Хуже другое. При проектировании авианосца перед разработчиками и флотом стал принципиальный вопрос: делать его на атомных реакторах или на традиционных тепловых (нефтяных) котлах? Флот из-за десятка серьезных, объективных причин настаивал на традиционных, гораздо более дешевых и надежных в производстве и эксплуатации. Однако… Однако выяснилось, так и хочется написать — неожиданно, что в стране Соединенные Штаты Америки больше не проектируют и не строят такие котлы. Ну, совсем. Ну, при всем желании негде взять. А также, опять неожиданно, не проектируют и не строят корабельные турбины высокого давления. Которые чуть ли не столетие строили лучше, чем в любой другой стране мира. Оказалось, опять неожиданно, что их тоже того — аутсорснули.
В этом месте повествования я вспомнил об отечественной большой энергетике. Той самой, на которой в отличие от солнца, ветра и коровьего дерьма, держится американская экономика. Той самой, которая состоит из больших тепловых электростанций с очень большими турбинами, генераторами, котлами и трансформаторами высотой с трехэтажный дом. И вспомнил, что проектировщики новых станций — как всегда неожиданно — узнали, что, к примеру, трансформаторы высотой даже с двухэтажный дом больше в США не проектируют и не производят. И что, если кому-то взбредет на ум построить большую электростанцию, то надо вставать на очередь, лет на 6-8, пока на Тайване или во Франции тебе такой трансформатор построят. Если захотят. А могут и не захотеть, самим не хватает. Вот Китай еще подумает, скорее всего не даст.
Так что на авианосец пришлось ставить два дорогущих атомных реактора, а значит удорожать всё защищающее их атомную начинку, в том числе и от всяких военных летящих и плывущих железяк. А с этими атомными реакторами и защитой авианосец автоматически еще миль на 200 отодвинулся от берега нашего главного партнера по аутсорсингу.
Итак, имеем около 4 тысяч университетов, но нанимаем и не можем обойтись без сотен тысяч иностранцев, включая “специалистов” из страны предполагаемого главного военного противника. Имеем своих специалистов, выпускников своих университетов (в военной промышленности не граждане не работают), которые известны своим бездарным проектированием и неумением посмотреть на шаг вперед. Имеем стратегические отрасли промышленности, которые аутсорснули за рубеж, в том числе в страну предполагаемого военного противника номер один. Имеем бюрократов, которые лучше всего известны бессовестной тратой денег налогоплательщиков.
В общем, имеем то, к чему долго шли. Дошли. Имеем.
Хотя, конечно, виноват во всем Трамп.
Подпись. Печать.
(По материалам американской печати)
https://nashdom.us/home/public/publikatsii/igor-judovich-ekhali-ekhali
|
|
|
|
|
|
В этот день в Тифлисе под колёсами автомобиля 40-летнего Семёна Тер-Петросяна по кличке Камо, большевистского террориста и экспроприатора.Вечером в 11 часов вечера Камо (Симон Аршакович Тер-Петросян) на велосипеде по Верийскому спуску Тифлиса, где попал под встречный грузовой автомобиль. Получив тяжёлую черепно-мозговую травму без сознания был доставлен в ближайшую Михайловскую больницу, где скончался через несколько часов 14 июля 1922 года. «Удар был настолько силён, — писала тифлисская газета, — что товарища Камо отбросило в сторону, и, ударившись головой о тротуарную плиту, он потерял сознание… В больнице, не приходя в себя, он скончался».
Президент Союза криминалистов и криминологов
Игорь Михайлович Мацкевич
По материалам Википедии.
Разбойными нападениями, грабежами и шантажом Камо добывал деньги для партийной кассы. Ленин лично благословил многие его теракты (хотя официально утверждалось, что деятельность большевиков финансируется за счёт средств, поступающих от добровольных жертвователей). Самый знаменитый налёт Камо – на почтовую карету летом 1907 года в Тифлисе, в результате чего было похищено 340 тысяч рублей Бойцов своих многочисленных «летучих отрядов» Камо проверял на верность партии довольно необычным способом: устраивал инсценировки полицейских облав и под угрозой расстрела требовал «признаний». Некоторые террористы во время этих проверок сходили с ума или умирали от разрыва сердца. В 1912 году Камо был арестован в момент совершения очередной разбойной вылазки на Коджарской дороге, предан суду и приговорён к смертной казни, заменённой 20 годами каторги. После революции Камо работал в ЧК и Наркомате внешней торговли. Автокатастрофа, оборвавшая его жизнь, была странным происшествием – на весь тогдашний Тифлис приходилось с десяток автомобилей. Скорее всего, слишком много знавшего Камо устранили чекисты по заданию Сталина.
Игорь Джохадзде. Криминальная хроника человечества.
14 июля 1871 года состоялся первый гласный политический процесс в России над членами тайной организации Сергея Нечаева «Народная расправа» (или «Общество топора»). Общество было основано осенью 1869 года, «боевой костяк» его составляли студенты младших курсов Земледельческой академии в Москве. Целью «Народной расправы» была подготовка рабоче-крестьянской революции. Нечаев широко пользовался приёмами мистификации, выдавая себя за представителя несуществующего заграничного комитета. Как лидер организации, он требовал от «рядовых членов» беспрекословного подчинения, подавляя волю молодых людей, заставляя их друг за другом шпионить и заниматься доносительством, поощряя использование вымогательства и шантажа для добывания денег на революционное дело. В развёрнутом виде свою политическую «программу» Нечаев изложил в документе под названием «Катехизис революционера». В нём говорилось, что ради «освобождения народа, то есть чернорабочего люда», надлежит «разрушить существующее поганое общество». Для достижения поставленной цели годятся любые средства – мистификация, насилие, подложные документы и т. д., причем даже товарищам по организации для возбуждения их энергии разрешалось «объяснять сущность дела в превратном виде». Революционер объявлялся человеком «обреченным», отдавшим всего себя на борьбу «с проклятым миром». Он должен был разорвать всякую связь с законами этого мира, нравственностью, традициями и культурой, дабы усвоить «одну только науку – науку истребления и разрушения»… В декабре 1869 года, после убийства заподозренного в предательстве студента Иванова, общество было разгромлено, его участники (всего 85 человек) арестованы.
Нечаеву удалось бежать в Швейцарию, но он был депортирован по настоянию царского правительства и заточён в одиночку Петропавловской крепости. Сагитировав стороживших его жандармов, он вошёл в контакт с исполкомом «Народной воли», предлагая организовать побег заключённых из крепости. Но комитет был в это время занят подготовкой покушения на Александра II. Узнав об этом, фанатик заговора Нечаев отказался от рискованной затеи с побегом, чтобы не мешать действиям цареубийц.
Игорь Джохадзде. Криминальная хроника человечества.
14 июля 1881 года приведён в исполнение смертный приговор над 21-летним Уильямом Бонни по прозвищу Малыш Билли, знаменитым разбойником и конокрадом.
Его жизнь стала легендой. В 18 лет Малыш Билли обвинялся в убийстве 12 человек.
После того как его банда покусилась на местного шерифа и его помощника, Малыша схватили и приговорили к смертной казни. Убив двух охранников, он бежал из тюрьмы, но вскоре был пойман и расстрелян. Уильям Бонни – герой многочисленных голливудских вестернов и прототип заглавного персонажа балета «Билли Кид», написанного Аароном Коплендом в 1938 году.
Игорь Джохадзде. Криминальная хроника человечества.
14 июля 1939 года у себя на квартире в Брюсовском переулке в Москве агентами НКВД зверски убита актриса Зинаида Райх, жена арестованного Всеволода Мейерхольда. Убийцы нанесли жертве восемь ножевых ран, в машине «скорой помощи» по пути в больницу Райх скончалась. «Следствие» велось несколько лет. По сфабрикованному обвинению в убийстве были арестованы соседи Мейерхольда по дому – артист Большого театра Дмитрий Головин и его сын. Обоих судили и приговорили к длительным срокам заключения, однако впоследствии они были оправданы и освобождены.
Игорь Джохадзде. Криминальная хроника человечества.
14 июля 1950 года – загадочная смерть Сальваторе Джулиано, вождя сицилийских сепаратистов и главаря банды грабителей, в течение нескольких лет орудовавшей в горах Монтелепре. «Народный бандит» (награбленное раздавал крестьянам и пастухам) был предан своим же сообщником Фрэнком Копполой, влиятельным боссом мафии, контролировавшим район, где Джулиано скрывался от полиции. Убийство, однако, не входило в планы Копполы. Утром 14 июля 1950 года он известил карабинеров о том, что разыскиваемый бандит прячется на одной из вилл в городке Кастельветрано и в ближайшие дни собирается покинуть остров. Полицейские прибыли на место и обнаружили Джулиано… мёртвого. Труп, ещё тёплый, выволокли на улицу, положили рядом автомат и сообщили подоспевшим журналистам, что преступник убит в перестрелке.
В действительности всё обстояло совсем иначе. Вечером 13 июля Коппола пригласил Джулиано к себе на ужин, напоил его до бесчувствия и перевёз в Кастельветрано. В «операции» принимали участие Гаспаре Пишотта, родственник и доверенное лицо Джулиано, и мафиозный босс Лучано Лиджо. Они стерегли пленника до самого последнего момента. Когда во дворе виллы послышались шаги и голоса карабинеров, Лиджо (имевший, как впоследствии выяснилось, свои счёты с Джулиано) неожиданно выхватил пистолет с глушителем и на глазах у опешившего Пишотты в упор расстрелял спящего. После чего оба преступника бросились наутёк… У этой невесёлой истории есть продолжение. На состоявшемся вскоре судебном процессе Гаспаре Пишотта неожиданно объявил, что именно он застрелил Джулиано, – и представил в доказательство пистолет, из которого был убит преступник. Мафиози взял на себя вину, чтобы присвоить награду в 5 миллионов лир, обещанную властями за голову Джулиано. Он получил деньги, но потратить их не успел: два года спустя его отравили стрихнином в камере палермской тюрьмы. Мафия не прощает предателей.
Игорь Джохадзде. Криминальная хроника человечества.
14 июля 1984 года во время перевозки из тюрьмы Лефортово в следственный изолятор № 2 в автозаке приведён в исполнение приговор над 60-летним Юрием Соколовым, бывшим директором «Елисеевского» гастронома в Москве. В апреле 1983 года Соколов, один из крёстных отцов столичной торговой мафии, был привлечён к уголовной ответственности за взяточничество и хищения в особо крупных размерах.
Следствие установило, что за 10 лет работы директором магазина он получил взяток на общую сумму 297 тысяч рублей. В ноябре состоялся «показательный» судебный процесс, широко освещавшийся в прессе. Объявленная Соколову высшая мера была как гром среди ясного неба. Даже сотрудники КГБ, причастные к этому уголовному делу, вслух поражались столь суровому приговору человеку, который весьма активно сотрудничал со следствием (благодаря чему оказалось возможным привлечь к ответственности многих его «коммерческих партнёров» и довести дело до суда). Всего вероятнее, что Соколов поплатился жизнью как раз за эту свою сговорчивость (вернее, разговорчивость): для кого-то его чрезмерно длинный язык был опасен. Сознавая безнадёжность своего положения, обвиняемый даже не пытался защищать себя на суде, а только твердил, что его смерть «многим выгодна», что он стал «козлом отпущения» и «жертвой партийных распрей».
Игорь Джохадзде. Криминальная хроника человечества.
10 июля 2020 года С.Е. Нарышкин открыл музейно-выставочную экспозицию «Нюрнбергский набат».
Руководитель проекта, вице-президент Союза криминалистов и криминологов А.Г. Звягинцев
А.Г. Звягинцев провёл первую экскурсию по экспозиции. Одним из первых посетителей был С.Е. Нарышкин
С.Е. Нарышкин оставил памятную запись в книге посетителей
После просмотра экспозиции С.Е. Нарышкин вручил грамоту А.Г. Звягинцеву: «… за многолетний труд по изучению истории и значительный личный вклад в сохранение памяти о Нюрнбергском процессе».
