DOLPHIN: A Privacy-Preserving Digital Investigation Readiness Assessment Framework based on Offline Large Language Models and Retrieval-Augmented Generation
Este artículo presenta DOLPHIN, un marco de trabajo que preserva la privacidad y que aprovecha modelos de lenguaje de gran tamaño fuera de línea y la generación aumentada por recuperación para mejorar significativamente la preparación de la investigación forense digital al evaluar con precisión la integridad de la evidencia, detectar brechas específicas y reducir el tiempo de preparación de los casos, garantizando al mismo tiempo que los datos permanezcan locales.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de las investigaciones criminales, la labor más crítica suele ocurrir antes de que una sola pieza de evidencia sea analizada formalmente en un laboratorio. Antes de que los detectives puedan examinar un disco duro o un teléfono, primero deben determinar si tienen información suficiente para siquiera comenzar. Esta etapa preliminar, conocida como preparación forense (forensic readiness), implica la recopilación de una mezcla caótica de documentos: la declaración de una víctima, un informe policial, grabaciones de cámaras de seguridad, relatos de testigos, documentos de propiedad y marcas de tiempo digitales. Tradicionalmente, clasificar este cúmulo ha sido un proceso lento y manual. Si falta un documento clave o si una cronología no está clara, toda la investigación puede estancarse o, peor aún, proceder sobre una base inestable. El desafío no es solo encontrar la evidencia, sino evaluar rápidamente si los materiales disponibles son lo suficientemente completos como para sustentar una indagación seria, todo ello manteniendo los detalles sensibles estrictamente privados y alejados de internet.
Un nuevo marco llamado DOLPHIN ofrece una forma diferente de gestionar esta clasificación de etapa inicial. Desarrollado por investigadores del Instituto de Ciencia y Tecnología SRM en la India, el sistema está diseñado para actuar como un asistente centrado en la privacidad para los investigadores. En lugar de enviar archivos de casos confidenciales a un servidor en la nube donde podrían quedar expuestos, DOLPHIN se ejecuta enteramente en una computadora local. Utiliza un tipo de inteligencia artificial conocida como modelo de lenguaje de gran tamaño (large language model), que está entrenada para comprender y generar lenguaje humano, combinada con un sistema de recuperación que extrae hechos específicos de los documentos cargados. Esta configuración permite que la computadora lea un expediente de un caso, verifique qué piezas faltan y califique qué tan preparada está la investigación, todo sin salir jamás de la sala segura del investigador. El objetivo es convertir una lista de verificación tediosa y subjetiva en una evaluación rápida, fiable y privada.
Para probar si este enfoque funciona, los investigadores crearon un entorno controlado utilizando 300 escenarios de investigación simulados basados en casos de robo de vehículos. No utilizaron archivos policiales reales para proteger la privacidad; en su lugar, construyeron versiones digitales de los casos que variaban desde tener todos los documentos posibles hasta tener muy pocos. Algunos escenarios incluían una declaración completa de la víctima, un informe policial, imágenes de seguridad y relatos de testigos, mientras que otros omitían deliberadamente elementos como documentos de propiedad o marcas de tiempo digitales. Los investigadores luego introdujeron estos escenarios en el sistema DOLPHIN para ver si podía juzgar con precisión la integridad de cada caso. El sistema tenía dos tareas principales: primero, asignar una puntuación de preparación que indicara si un caso estaba listo para un análisis forense profundo, y segundo, identificar exactamente qué faltaba, como un vacío en la evidencia visual o una falta de corroboración de los testigos.
Los resultados mostraron que el sistema funcionó con una alta precisión. Cuando se le pidió clasificar la preparación de un caso, DOLPHIN coincidió con el juicio de expertos humanos aproximadamente el 92 por ciento de las veces. Fue particularmente bueno detectando tipos específicos de información faltante. Por ejemplo, pudo detectar de manera fiable cuando un caso carecía de una declaración de la víctima o cuando la cronología estaba interrumpida debido a la falta de metadatos digitales. El sistema categorizó estas piezas faltantes en cuatro grupos claros: brechas en la documentación, breach en la corroboración de testigos, brechas en la evidencia visual como CCTV, y brechas en la cronología. Al identificar estos huecos específicos, el sistema proporcionó a los investigadores una imagen clara de lo que necesitaban encontrar antes de seguir adelante, en lugar de dar simplemente una respuesta vaga de "sí" o "no".
Una parte crucial del estudio fue asegurar que el sistema no inventara cosas. Los modelos de lenguaje de gran tamaño pueden, a veces, generar información que suena convincente pero es falsa, un problema conocido como alucinación. Para prevenir esto, los investigadores utilizaron una técnica llamada generación aumentada por recuperación (retrieval-augmented generation), que obliga a la computadora a consultar los documentos reales del expediente del caso antes de responder. Mejoraron esto aún más filtrando los resultados de búsqueda con metadatos, asegurando que el sistema solo consultara documentos pertenecientes al caso específico que estaba analizando. Esta combinación redujo la tasa de declaraciones no respaldadas o falsas de más del 16 por ciento a solo un 2 por ciento. En otras palabras, el sistema se volvió mucho más confiable porque estaba estrictamente vinculado a la evidencia proporcionada, en lugar de depender de sus datos de entrenamiento generales.
Más allá de la precisión y la confianza, el estudio midió cuánto tiempo ahorró el sistema. Un investigador humano que revisaba manualmente el expediente de un caso tardaba un promedio de unos 15.5 minutos en verificar la integridad e identificar las piezas faltantes. Con la asistencia de DOLPHIN, ese tiempo cayó a aproximadamente 4.4 minutos por caso. Este aumento de velocidad no se produjo a costa de la calidad; los informes generados por el sistema eran más completos que los producidos por listas de verificación manuales, incluyendo consistentemente un resumen de la evidencia, una lista de elementos faltantes, una puntuación de preparación y recomendaciones de los siguientes pasos. El sistema demostró que podía encargarse del trabajo pesado de organizar la información, permitiendo que los investigadores humanos centraran su energía en la investigación real en lugar de en la clasificación administrativa.
Los investigadores enfatizaron que DOLPHIN no es una herramienta que toma decisiones legales finales o que reemplaza la necesidad del juicio humano. Está diseñado como un sistema de apoyo para ayudar a los investigadores a organizar sus pensamientos y materiales antes de que comience el examen forense formal. El estudio se realizó utilizando datos simulados en computadoras portátiles estándar de consumo, demostrando que este nivel de asistencia que preserva la privacidad no requiere supercomputadoras costosas de nivel empresarial. Si bien el sistema mostró una gran promesa en estas pruebas controladas, el autor señala que el trabajo futuro deberá validar su desempeño con casos policiales del mundo real, que pueden ser mucho más complejos, ambiguos y legalmente sensibles que las simulaciones utilizadas aquí. Por ahora, el estudio sugiere que mantener la inteligencia artificial local y fundamentada en documentos específicos puede ser una forma poderosa de preparar investigaciones digitales sin comprometer la privacidad.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.