DOLPHIN: A Privacy-Preserving Digital Investigation Readiness Assessment Framework based on Offline Large Language Models and Retrieval-Augmented Generation
यह शोधपत्र DOLPHIN को प्रस्तुत करता है, जो एक गोपनीयता-संरक्षण ढांचा है जो ऑफलाइन लार्ज लैंग्वेज मॉडल्स और रिट्रीवल-ऑगमेंटेड जनरेशन का लाभ उठाकर डिजिटल फॉरेंसिक जांच की तत्परता को महत्वपूर्ण रूप से बढ़ाने के लिए साक्ष्य पूर्णता का सटीक मूल्यांकन करता है, विशिष्ट अंतरालों का पता लगाता है और डेटा को स्थानीय रखते हुए केस तैयारी के समय को कम करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आपराधिक जांच की दुनिया में, सबसे महत्वपूर्ण कार्य अक्सर प्रयोगशाला में साक्ष्य के औपचारिक विश्लेषण से पहले ही संपन्न हो जाता है। इससे पहले कि जासूस किसी हार्ड ड्राइव या फोन की जांच कर सकें, उन्हें यह निर्धारित करना होता है कि क्या उनके पास शुरू करने के लिए पर्याप्त जानकारी है। यह प्रारंभिक चरण, जिसे 'फोरेंसिक रेडिनेस' (forensic readiness) कहा जाता है, इसमें दस्तावेजों के एक अव्यवस्थित मिश्रण को एकत्र करना शामिल है: पीड़ित का बयान, पुलिस रिपोर्ट, सुरक्षा कैमरा फुटेज, गवाहों के विवरण, स्वामित्व के कागजात और डिजिटल टाइमस्टैम्प। पारंपरिक रूप से, इस ढेर को छांटना एक धीमी, मैनुअल प्रक्रिया रही है। यदि कोई महत्वपूर्ण दस्तावेज गायब है या समयरेखा स्पष्ट नहीं है, तो पूरी जांच रुक सकती है, या इससे भी बुरा, एक कमजोर आधार पर आगे बढ़ सकती है। चुनौती केवल साक्ष्य खोजने की नहीं है, बल्कि यह तेजी से आकलन करने की भी है कि उपलब्ध सामग्री एक गंभीर जांच के समर्थन के लिए पर्याप्त पूर्ण है या नहीं, और यह सब करते हुए संवेदनशील विवरणों को पूरी तरह से निजी और इंटरनेट से दूर रखना है।
DOLPHIN नामक एक नया ढांचा इस शुरुआती चरण की छंटनी को संभालने का एक अलग तरीका प्रदान करता है। भारत के एसआरएम इंस्टीट्यूट ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं द्वारा विकसित, यह प्रणाली जांचकर्ताओं के लिए एक गोपनीयता-केंद्रित सहायक के रूप में कार्य करने के लिए डिज़ाइन की गई है। गोपनीय केस फाइलों को क्लाउड सर्वर पर भेजने के बजाय, जहाँ उनके उजागर होने का खतरा हो सकता है, DOLPHIN पूरी तरह से एक स्थानीय कंप्यूटर पर चलता है। यह एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करता है जिसे 'लार्ज लैंग्वेज मॉडल' (large language model) कहा जाता है, जो मानव भाषा को समझने और उत्पन्न करने के लिए प्रशिक्षित है, और इसे एक रिट्रीवल सिस्टम (retrieval system) के साथ जोड़ा गया है जो अपलोड किए गए दस्तावेजों से विशिष्ट तथ्यों को निकालता है। यह सेटअप कंप्यूटर को एक केस फाइल पढ़ने, लापता हिस्सों की जांच करने और जांच की तैयारी का स्कोर देने की अनुमति देता है, और यह सब बिना कभी जांचकर्ता के सुरक्षित कमरे से बाहर जाए। इसका लक्ष्य एक उबाऊ, व्यक्तिपरक चेकलिस्ट को एक तेज़, विश्वसनीय और निजी मूल्यांकन में बदलना है।
यह दृष्टिकोण काम करता है या नहीं, इसका परीक्षण करने के लिए, शोधकर्ताओं ने वाहन चोरी के मामलों पर आधारित 3ೋ०० सिम्युलेटेड (simulated) जांच परिदृश्यों का उपयोग करके एक नियंत्रित वातावरण बनाया। गोपनीयता की रक्षा के लिए उन्होंने वास्तविक पुलिस फाइलों का उपयोग नहीं किया; इसके बजाय, उन्होंने मामलों के डिजिटल संस्करण बनाए जो हर संभव दस्तावेज वाले मामले से लेकर बहुत कम दस्तावेज वाले मामलों तक विस्तृत थे। कुछ परिदृश्यों में पूर्ण पीड़ित बयान, पुलिस रिपोर्ट, सुरक्षा फुटेज और गवाहों के विवरण शामिल थे, जबकि अन्य में जानबूझकर स्वामित्व के कागजात या डिजिटल टाइमस्टैम्प जैसी विशिष्ट चीजें छोड़ दी गई थीं। शोधकर्ताओं ने इन परिदृश्यों को DOLPHIN सिस्टम में डाला ताकि यह देख सके कि क्या यह प्रत्येक मामले की पूर्णता का सटीक रूप से निर्णय ले सकता है। सिस्टम को दो मुख्य कार्यों के लिए नियुक्त किया गया था: पहला, एक 'रेडिनेस स्कोर' (readiness score) देना जो यह संकेत दे कि क्या मामला गहन फोरेंसिक विश्लेषण के लिए तैयार है, और दूसरा, ठीक से पहचानना कि क्या गायब है, जैसे कि दृश्य साक्ष्य में कमी या गवाहों के पुष्टीकरण का अभाव।
परिणामों ने दिखाया कि सिस्टम उच्च सटीकता के साथ प्रदर्शन करता है। जब किसी मामले की तैयारी को वर्गीकृत करने के लिए पूछा गया, तो DOLPH-IN ने लगभग 92 प्रतिशत बार मानव विशेषज्ञों के निर्णय से मेल खाया। यह विशेष रूप से सूचना के विशिष्ट प्रकार के गायब होने को पकड़ने में कुशल था। उदाहरण के लिए, यह विश्वसनीय रूप से पता लगा सका कि कब किसी मामले में पीड़ित का बयान गायब था या कब डिजिटल मेटाडेटा की कमी के कारण समयरेखा टूट गई थी। सिस्टम ने इन लापता हिस्सों को चार स्पष्ट समूहों में वर्गीकृत किया: दस्तावेजीकरण में अंतराल, गवाहों के पुष्टीकरण में अंतराल, विजुअल एविडेंस (जैसे CCTV) में अंतराल, और टाइमलाइन में अंतराल। इन विशिष्ट रिक्तियों की पहचान करके, सिस्टम ने जांचकर्ताओं को एक स्पष्ट तस्वीर प्रदान की कि उन्हें आगे बढ़ने से पहले क्या खोजने की आवश्यकता है, बजाय इसके कि वे केवल एक अस्पष्ट "हाँ" या "नहीं" का उत्तर दें।
अध्ययन का एक महत्वपूर्ण हिस्सा यह सुनिश्चित करना था कि सिस्टम मनगढ़ंत बातें न बनाए। लार्ज लैंग्वेज मॉडल कभी-कभी आत्मविश्वास से भरी लेकिन गलत जानकारी उत्पन्न कर सकते हैं, जिसे 'हैलुसिनेशन' (hallucination) की समस्या कहा जाता है। इसे रोकने के लिए, शोधकर्ताओं ने 'रिट्रीवल-ऑगमेंटेड जनरेशन' (retrieval-augmented generation) नामक तकनीक का उपयोग किया, जो कंप्यूटर को जवाब देने से पहले केस फाइल के वास्तविक दस्तावेजों को देखने के लिए मजबूर करती है। उन्होंने इसे मेटाडेटा के साथ खोज परिणामों को फ़िल्टर करके और बेहतर बनाया, जिससे यह सुनिश्चित हुआ कि सिस्टम केवल उसी विशिष्ट मामले से संबंधित दस्तावेजों को देखे जिसका वह विश्लेषण कर रहा है। इस संयोजन ने unsupported या गलत बयानों की दर को 16 प्रतिशत से घटाकर केवल 2 प्रतिशत कर दिया। दूसरे शब्दों में, सिस्टम बहुत अधिक भरोसेमंद हो गया क्योंकि यह अपने सामान्य प्रशिक्षण डेटा पर निर्भर रहने के बजाय, प्रदान किए गए साक्ष्यों से मजबूती से बंधा हुआ था।
सटीकता और विश्वास के अलावा, अध्ययन ने यह भी मापा कि सिस्टम ने कितना समय बचाया। एक मानव जांचकर्ता द्वारा केस फाइल की मैन्युअल समीक्षा करने में पूर्णता की जांच करने और गायब हिस्सों की पहचान करने में औसतन लगभग 15.5 मिनट का समय लगता था। DOLPHIN की सहायता से, वह समय घटकर लगभग 4.4 मिनट प्रति मामला रह गया। यह गति बिना गुणवत्ता की कीमत चुकाए आई; सिस्टम द्वारा तैयार की गई रिपोर्ट मैनुअल चेकलिस्ट द्वारा बनाई गई रिपोर्टों की तुलना में अधिक पूर्ण थी, जिसमें लगातार साक्ष्य का सारांश, गायब वस्तुओं की सूची, रेडिनेस स्कोर और अगले चरणों के सुझाव शामिल थे। सिस्टम ने सूचनाओं को व्यवस्थित करने का भारी काम संभालने की क्षमता सिद्ध की, जिससे मानव जांचकर्ताओं को प्रशासनिक छंटनी के बजाय वास्तविक जांच पर अपनी ऊर्जा केंद्रित करने का अवसर मिला।
शोधकर्ताओं ने इस बात पर जोर दिया कि DOLPHIN एक ऐसा उपकरण नहीं है जो अंतिम कानूनी निर्णय लेता है या मानव निर्णय की आवश्यकता को प्रतिस्थापित करता है। इसे एक सहायता प्रणाली के रूप में डिज़ाइन किया गया है जो औपचारिक फोरेंसिक परीक्षा शुरू होने से पहले जांचकर्ताओं को अपने विचारों और सामग्रियों को व्यवस्थित करने में मदद करती है। अध्ययन मानक उपभोक्ता-ग्रेड लैपटॉप पर सिम्युलेटेड डेटा का उपयोग करके किया गया था, जो यह दर्शाता है कि इस स्तर की गोपनीयता-संरक्षण सहायता के लिए महंगे, एंटरप्राइज-लेवल सुपरकंप्यूटर की आवश्यकता नहीं है। हालांकि इस अध्ययन ने नियंत्रित परीक्षणों में बहुत आशाजनक प्रदर्शन किया है, लेखक का कहना है कि भविष्य के कार्यों को वास्तविक दुनिया के पुलिस मामलों के साथ इसके प्रदर्शन को मान्य करने की आवश्यकता होगी, जो यहाँ उपयोग किए गए सिमुलेशन की तुलना में कहीं अधिक जटिल, अस्पष्ट और कानूनी रूप से संवेदनशील हो सकते हैं। फिलहाल, अध्ययन यह सुझाव देता है कि आर्टिफिशियल इंटेलिजेंस को स्थानीय और विशिष्ट दस्तावेजों तक सीमित रखना डिजिटल जांचों की तैयारी करने का एक शक्तिशाली तरीका हो सकता है, बिना गोपनीयता से समझौता किए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।