DOLPHIN: A Privacy-Preserving Digital Investigation Readiness Assessment Framework based on Offline Large Language Models and Retrieval-Augmented Generation
Este artigo apresenta o DOLPHIN, um framework de preservação de privacidade que utiliza modelos de linguagem de grande escala offline e geração aumentada por recuperação para aumentar significativamente a prontidão da investigação forense digital ao avaliar com precisão a completude das evidências, detectar lacunas específicas e reduzir o tempo de preparação de casos, garantindo que os dados permaneçam locais.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo das investigações criminais, o trabalho mais crítico ocorre frequentemente antes que uma única peça de evidência seja formalmente analisada em um laboratório. Antes que os detetives possam examinar um disco rígido ou um telefone, eles devem primeiro determinar se possuem informações suficientes para sequer começar. Esta fase preliminar, conhecida como prontidão forense, envolve a coleta de uma mistura caótica de documentos: o depoimento de uma vítima, um relatório policial, imagens de câmeras de segurança, relatos de testemunhas, documentos de propriedade e carimbos de data/hora digitais. Tradicionalmente, vasculhar essa pilha tem sido um processo lento e manual. Se um documento importante estiver faltando ou se uma linha do tempo estiver obscura, toda a investigação pode estagnar ou, pior, prosseguir sobre uma base instável. O desafio não é apenas encontrar a evidência, mas avaliar rapidamente se os materiais disponíveis são completos o suficiente para sustentar uma investigação séria, tudo isso mantendo detalhes sensíveis estritamente privados e longe da internet.
Um novo framework chamado DOLPHIN oferece uma maneira diferente de lidar com essa triagem inicial. Desenvolvido por pesquisadores do SRM Institute of Science and Technology, na Índia, o sistema foi projetado para agir como um assistente focado em privacidade para investigadores. Em vez de enviar arquivos confidenciais de casos para um servidor na nuvem onde poderiam ser expostos, o DOLPHIN funciona inteiramente em um computador local. Ele utiliza um tipo de inteligência artificial conhecido como modelo de linguagem de grande escala (LLM), que é treinado para entender e gerar linguagem humana, combinado com um sistema de recuperação que extrai fatos específicos dos documentos carregados. Essa configuração permite que o computador leia um arquivo de caso, verifique peças faltantes e pontue o quão pronta está a investigação, tudo sem nunca sair da sala segura do investigador. O objetivo é transformar uma lista de verificação tediosa e subjetiva em uma avaliação rápida, confiável e privada.
Para testar se essa abordagem funciona, os pesquisadores criaram um ambiente controlado usando 300 cenários de investigação simulados baseados em casos de roubo de veículos. Eles não usaram arquivos policiais reais para proteger a privacidade; em vez disso, construíram versões digitais de casos que variavam de ter todos os documentos possíveis até ter muito poucos. Alguns cenários incluíam um depoimento completo da vítima, um relatório policial, imagens de segurança e relatos de testemunhas, enquanto outros omitiam deliberadamente itens como documentos de propriedade ou carimbos de data/hora digitais. Os pesquisadores então alimentaram esses cenários no sistema DOLPHIN para ver se ele conseguia julgar com precisão a completude de cada caso. O sistema recebeu duas tarefas principais: primeiro, atribuir uma pontuação de prontidão que indicasse se um caso estava pronto para uma análise forense profunda e, segundo, identificar exatamente o que estava faltando, como uma lacuna na evidência visual ou uma falta de corroboração de testemunhas.
Os resultados mostraram que o sistema apresentou alta precisão. Quando questionado para classificar a prontidão de um caso, o DOLPHIN coincidiu com o julgamento de especialistas humanos cerca de 92% das vezes. Foi particularmente bom em detectar tipos específicos de informações ausentes. Por exemplo, ele podia detectar confiavelmente quando um caso carecia de um depoimento da vítima ou quando a linha do tempo estava quebrada devido à falta de metadados digitais. O sistema categorizou essas partes faltantes em quatro grupos claros: lacunas na documentação, lacunas na corroboração de testemunhas, lacunas na evidência visual, como CCTV, e lacunas na linha do tempo. Ao identificar essas lacunas específicas, o sistema forneceu aos investigadores uma imagem clara do que eles precisavam encontrar antes de prosseguir, em vez de apenas dar uma resposta vaga de "sim" ou "não".
Uma parte crucial do estudo foi garantir que o sistema não inventasse informações. Modelos de linguagem de grande escala podem às vezes gerar informações que parecem confiáveis, mas são falsas, um problema conhecido como alucinação. Para evitar isso, os pesquisadores utilizaram uma técnica chamada geração aumentada de recuperação (RAG), que força o computador a consultar os documentos reais no arquivo do caso antes de responder. Eles aprimoraram isso ainda mais filtrando os resultados de busca com metadados, garantindo que o sistema olhasse apenas para documentos pertencentes ao caso específico que estava analisando. Essa combinação reduziu a taxa de declarações não fundamentadas ou falsas de mais de 16% para apenas 2%. Em outras palavras, o sistema tornou-se muito mais confiável porque estava estritamente vinculado à evidência fornecida, em vez de depender de seus dados de treinamento gerais.
Além da precisão e da confiança, o estudo mediu quanto tempo o sistema economizou. Um investigador humano revisando um arquivo de caso manualmente levava, em média, cerca de 15,5 minutos para verificar a completude e identificar peças faltantes. Com o auxílio do DOLPHIN, esse tempo caiu para aproximadamente 4,4 minutos por caso. Esse aumento de velocidade não ocorreu à custa da qualidade; os relatórios gerados pelo sistema eram mais completos do que os produzidos por listas de verificação manuais, incluindo consistentemente um resumo das evidências, uma lista de itens faltantes, uma pontuação de prontidão e recomendações de próximos passos. O sistema provou que poderia realizar o trabalho pesado de organizar informações, permitindo que os investigadores humanos concentrassem sua energia na investigação real, em vez de na triagem administrativa.
Os pesquisadores enfatizaram que o DOLPHIN não é uma ferramenta que toma decisões legais finais ou substitui a necessidade de julgamento humano. Ele foi projetado como um sistema de suporte para ajudar os investigadores a organizar seus pensamentos e materiais antes que a exame forense formal comece. O estudo foi conduzido utilizando dados simulados em laptops de consumo padrão, demonstrando que este nível de assistência preservadora de privacidade não requer supercomputadores caros de nível empresarial. Embora o sistema tenha mostrado grande potencial nestes testes controlados, o autor observa que trabalhos futuros precisarão validar seu desempenho com casos policiais do mundo real, que podem ser muito mais complexos, ambíguos e juridicamente sensíveis do que as simulações utilizadas aqui. Por enquanto, o estudo sugere que manter a inteligência artificial local e fundamentada em documentos específicos pode ser uma maneira poderosa de preparar investigações digitais sem comprometer a privacidade.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.