Урок 1: Вступ — AI в OSINT-дослідженнях

Навігація курсу: Хаб: Уроки · ДЗ: ДЗ-01

Наступний урок: Урок-02-GenAI-для-аналітика

Слайди (Презентаційний текст)

Слайд 1 — Заголовок

Вступ: AI в OSINT-дослідженнях

Заняття №1 — Курс «AI для OSINT і розвідки»

Лектор: Василь Попов

Слайд 2 — Лектор курсу

Василь Попов

Co-founder, Software Engineer, Director of R&D в OSINT FOR UKRAINE
Засновник та CEO Probe Point Analytics
Керує OSINT-розслідуваннями, пов’язаними з війною в Україні
Проводить тренінги для Clooney Foundation, Amnesty International і EUROPOL
Автор OpenDossier — застосунку, що створює due diligence звіти з використанням штучного інтелекту
Займається консалтингом у сфері інтелекту та безпеки для B2B
Член команди проєкту Project Mariupol — інтерактивної карти війни в Україні
Розробив додатки для кібербезпеки, включаючи систему виявлення злитих паролів

Слайд 3 — План заняття

Що таке OSINT і роль AI
Можливості AI для аналітика
Ключові інструменти
Практичні кейси
Етика та право
Підсумок і питання для обговорення

Слайд 4 — Програма курсу (частина 1)

№	Тема
01	Вступ: AI в OSINT-дослідженнях
02	Генеративний AI для аналітика: промптинг, контроль якості, ЗАГ (RAG)
03	Верифікація та протидія маніпуляціям (текст / зображення / відео)
04	Соцмережі та медіапростір: збір, моніторинг, базовий аналіз
05	Entity resolution та зв’язки: від сутностей до графа
06	Теорія графів та графи знань — застосування в AI та OSINT
07	Автоматизація збору: API / скрапінг / пайплайни та гігієна даних
08	Воркшоп

Слайд 5 — Програма курсу (частина 2)

№	Тема
09	Патерни, тренди та кластеризація
10	Моніторинг у реальному часі та алерти
11	Інтеграція AI у робочі процеси: звіти, шаблони, візуалізації
12	Статистика в OSINT
13	Упередження (bias) оператора OSINT та AI: як уникати хибних висновків
14	Юридичні аспекти OSINT та застосування AI: як працювати безпечно
15	Бонусна лекція: майбутнє OSINT
16	Захист курсових робіт

Слайд 6 — Розвідка та OSINT: базові поняття

Що таке розвідка (Intelligence)?

Розвідка — це кінцевий продукт дисциплінованого процесу: збір сирих даних, їх структурування та аналіз для отримання практичних знань — знань, що підтримують прийняття рішень. Це не просто інформація — це інформація, яка пройшла оцінку, верифікацію та контекстуалізацію.

Що таке OSINT?

OSINT = Open Source INTelligence

Розвідка виключно з публічно доступних джерел: вебсайти, соцмережі, витоки баз даних, супутникові знімки, публічні реєстри тощо. Жодного прихованого доступу. У поєднанні з AI — OSINT стає на порядок потужнішим.

OSINT-цикл:

Збір → Обробка → Аналіз → Дія
(сирі дані)  (структурування)  (смисл і контекст)  (практична розвідка)

Слайд 7 — Спільний біль аналітика OSINT

Занадто багато даних. Занадто мало часу. Занадто багато шуму.

Проблема	Масштаб
Інформаційне перевантаження	Щодня генерується понад 2,5 квінтильйони байт даних. Аналітик фізично не здатен переглянути навіть малу частку релевантних джерел вручну.
Мовний бар’єр	Критична інформація існує десятками мов. Без AI — більшість іноземномовних джерел залишається поза аналізом.
Швидкість vs якість	Події розгортаються в реальному часі. Ручний аналіз завжди запізнюється. Рішення приймаються на основі неповної картини.

Саме тут AI змінює правила гри — не замінюючи аналітика, а знімаючи з нього рутину.

Слайд 8 — Що таке AI і чому він важливий в OSINT?

Штучний інтелект (AI) — технологія, яка імітує людський інтелект для виконання завдань: аналіз даних, розпізнавання образів, виявлення патернів і прогнозування.

AI охоплює: класичне машинне навчання, нейронні мережі, обробку природної мови (NLP) та комп’ютерний зір.

Чому це важливо для OSINT?

Обсяги публічної інформації у мережі подвоюються щороку — без AI аналітик фізично не може опрацювати всі релевантні джерела. AI дозволяє масштабувати можливості окремого дослідника до рівня цілої аналітичної команди:

Автоматизація рутинних завдань збору і фільтрації даних
Виявлення прихованих зв’язків між об’єктами
Прогнозування поведінки та розвитку подій
Обробка мультимодальних даних: текст, фото, відео, геодані

Слайд 9 — OSINT-цикл з GenAI: AI як мультиплікатор сили

Генеративний AI не замінює OSINT-цикл — він є мультиплікатором сили на кожному його етапі. Кожен крок отримує власне AI-підсилення, і ці ефекти накопичуються.

AI-інструменти прискорюють кожен етап — але аналітик залишається відповідальним за верифікацію, судження та етичне застосування результатів.

Слайд 10 — OSINT-цикл + GenAI: повний огляд

Етап	Роль AI
Планування та постановка завдань	AI допомагає з профілюванням цілей, створенням sock puppet-персон та генерацією легенд для прихованих онлайн-операцій
Збір	ВМM (LLM) генерують оптимізовані пошукові запити та пишуть вебскрапери — різко прискорюючи збір даних з публічних джерел
Обробка та експлуатація	AI виконує переклад, транскрипцію мовлення (Whisper), розпізнавання об’єктів на зображеннях (YOLO) та OCR із зашумлених документів
Аналіз та зведення	Семантичний пошук через векторні ембедінги, структурована інтерпретація, вилучення «мудрості» за допомогою Fabric
Поширення	AI перефразовує висновки для різних аудиторій, виявляє упередження у джерелах та генерує відполіровані розвідувальні звіти

Слайд 11 — Яку модель обрати: хмара чи локально?

Вибір способу розгортання AI — одне з найважливіших рішень для OSINT-аналітика. Безпека, можливості, вартість і відповідність законодавству — все це перетинається тут.

☁️ Хмарні рішення

Провайдер	Моделі
OpenAI	GPT-5.4, GPT-5.4 mini
Anthropic	Claude Sonnet 4.6, Claude Opus 4.6
Google	Gemini 3.1 Pro — мультимодальний, 1M контекст

Плюси: найсучасніші можливості, завжди оновлені.
Мінуси: дані покидають ваше середовище — ризик для чутливих розслідувань.

🖥️ Локальні рішення

Інструмент	Призначення
Ollama	Запуск моделей локально через CLI
LM Studio	Десктопний GUI для локальних ВМM (LLM)
Jan.ai	AI з пріоритетом приватності

Плюси: повний контроль над даними, можливість air-gap.
Мінуси: обмежені локальним залізом (VRAM), можуть відставати від frontier-моделей.

Ключові питання для вибору: Безпека даних? Розмір контекстного вікна? Мультимодальність? Вартість?

Слайд 12 — Промпт-інжиніринг для OSINT-аналітика

Промпт-інжиніринг — це дисципліна створення точних, структурованих запитів для отримання оптимальних відповідей від мовної моделі.

Це основний інтерфейс між аналітиком і AI — і найважливіша навичка в AI-підсиленому OSINT.

Шість стовпів (6-Pillar Framework):

#	Стовп	Що робити
1	Роль	Визначте, ким є AI
2	Завдання	Сформулюйте, що зробити
3	Контекст	Надайте вихідні дані
4	Міркування	Думайте крок за кроком
5	Формат виводу	Вкажіть формат результату
6	Зупинка	Визначте, коли завершити

Слайд 13 — Анатомія ідеального промпту

Структуровані промпти стабільно перевершують неструктуровані. Фреймворк «Шість стовпів», вдосконалений на основі рекомендацій OpenAI та практичного досвіду, дає повторюваний шаблон для якісних OSINT-промптів.

Стовп	Приклад
Роль	«Ви — аналітик кібербезпеки, що спеціалізується на атрибуції загроз…» — визначення персони AI активує релевантні знання та калібрує стиль відповіді
Завдання	Одна чітка інструкція. «Проаналізуйте наступні пости на форумі та визначте всі TTP загрозових акторів.» Одне завдання на промпт — найкращий результат
Контекст	Надайте сирі дані, вихідну інформацію або обмеження. Вставте документи, URL або структуровані дані безпосередньо у вікно контексту
Міркування + Формат + Зупинка	Попросіть модель думати крок за кроком, вкажіть формат виводу (JSON / маркований список / таблиця markdown) та визначте умови зупинки, щоб уникнути галюцинацій

Слайд 14 — Збір даних: AI-пошук та вебскрапінг

Ручний вебскрапінг — повільний, крихкий і вимагає навичок програмування. GenAI усуває ці бар’єри — будь-який OSINT-аналітик тепер може генерувати скрипти збору даних виробничої якості за секунди, використовуючи звичайну мову.

Генерація оптимізованих пошукових запитів
Попросіть ВМM (LLM) згенерувати булеві рядки пошуку, Google dorks та платформо-специфічні оператори пошуку під ваш розвідувальний запит. Модель знає синтаксис десятків платформ і баз даних.

Скрапери на замовлення
Промпт: «Напиши Python-скрапер з BeautifulSoup для [цільового сайту], що витягує [конкретні поля] та зберігає у JSON.» ВМM видає робочий код за секунди — без потреби в навичках програмування.

Навігація динамічними сайтами
Для JavaScript-важких сайтів — запитайте скрипти Playwright або Selenium. ВМM обробляє потоки автентифікації, пагінацію та стратегії обходу антибот-захисту.

Слайд 15 — Обробка: переклад та транскрипція

Мова більше не є бар’єром для OSINT-збору. GenAI забезпечує переклад майже людської якості та транскрипцію мовлення найвищого рівня десятками мов.

OpenAI Whisper: мовлення в текст

Whisper — відкрита багатомовна модель розпізнавання мовлення. Обробляє акцентоване мовлення, фоновий шум та перемикання мов. Доступна локально через Python або як API.

Підтримує 99 мов з коробки
Транскрипція записів прес-конференцій цільовими мовами
Обробка витоків голосових повідомлень
Конвертація відеобрифінгів у текст для пошуку
Генерація транскриптів із часовими мітками для реконструкції хронології

Слайд 16 — Кейс: аналіз переговорів з вимагачами (Ransomware)

Транскрипти переговорів з ransomware-групами, нормалізовані як структуровані JSON-файли, є цінним розвідувальним джерелом. ВМM можуть витягувати TTP загрозових акторів, психологічні профілі та оперативні індикатори.

Що може витягти ВМM:

Загальний тон переговорів: агресивний, примирливий чи за скриптом?
Суми викупу та хронологія ескалацій
TTP загрозового актора, вбудовані в стиль комунікації
Психологічний профіль: рівень терпіння, толерантність до ризику, ознаки ієрархії
Технічні індикатори: посилання на інфраструктуру, згадки інструментів

Приклади промптів:

«Підсумуйте тон переговорів та хронологію.»
«Які TTP простежуються в цій розмові?»
«Чи відповідає цей стиль комунікації відомим профілям ransomware-груп?»
«Визначте всі дати, дедлайни та ультиматуми.»

Слайд 17 — Регулювання AI: правовий ландшафт

У міру того як AI вбудовується в розвідувальні процеси, аналітики мають орієнтуватись у мінливому регуляторному середовищі. Відповідність законодавству — не опція.

Фреймворк	Суть
NIST (США) — Фреймворк управління ризиками AI	Добровільний фреймворк для ідентифікації, оцінки та управління ризиками AI-систем протягом усього їхнього життєвого циклу
EU AI Act — Закон ЄС про AI	Перший у світі комплексний правовий фреймворк для AI, що класифікує системи за рівнем ризику та накладає зобов’язання — включно з певними OSINT та наглядовими застосуваннями
Австралійський фреймворк етики AI	Добровільні принципи з наголосом на прозорості, підзвітності та людиноцентричному дизайні

Слайд 18 — Коли CEO воює у Twitter: вплив на AI-моделі

Онлайн-поведінка керівників AI-компаній має реальні наслідки для цілісності їхніх моделей.

Дезінформація в навчальних даних
Пости впливових технологічних діячів — включно з хибними твердженнями, особистими атаками та неперевіреними заявами — можуть бути зібрані та використані в навчальних датасетах AI, вбудовуючи ці упередження безпосередньо у відповіді моделі.

Відтворення та підсилення упереджень
AI-моделі, навчені на упередженому контенті соцмереж, можуть відтворювати та навіть підсилювати ці упередження. Для OSINT-аналітиків це означає: AI-зведення або аналіз можуть містити приховані перекоси, що походять із отруєних навчальних корпусів.

Слайд 19 — Grok та упередження медіа: урок для аналітика

Суперечливі скарги на Grok — що він одночасно надто поблажливий до хибних тверджень і надто поважає усталені медіа — ілюструють неможливе протиріччя, з яким стикаються AI-платформи.

Правило аналітика: завжди перехресно перевіряйте AI-висновки за кількома незалежними джерелами. Жодній окремій AI-моделі не можна довіряти як нейтральному арбітру істини.

Слайд 20 — AI-моделі можна маніпулювати через соціальний контекст

Проблема «хорошого бота»
Коли ChatGPT попросили оцінити AI-згенерований контент у соцмережах, він відповів «хороший бот» — фактично схваливши AI-пропаганду без критичного аналізу.

Ключові уроки для OSINT:

Результати AI можна маніпулювати через контекст соцмереж, поданий у промптах
Завжди верифікуйте AI-аналіз за первинними авторитетними джерелами
Отруєння контекстом соцмереж — реальний вектор атаки проти AI-підсиленого OSINT
Сприймайте AI як аналітика першого чернетки, а не кінцевого арбітра

Слайд 21 — AI відображає упередження своїх навчальних даних

Ключовий висновок: якість AI-розвідки прямо обмежена якістю навчального корпусу. Сміття на вході — сміття на виході, але у масштабі.

Упередження — структурне, не випадкове
AI-моделі не мають власних думок — але успадковують статистичні патерни навчальних даних. Якщо ці дані мають політичний, культурний або фактичний перекіс — результати моделі теж матимуть його.

Критична оцінка — обов’язкова
OSINT-аналітики мають сприймати AI-контент як відправну точку для аналізу, а не висновок. Перевіряйте кожне суттєве твердження AI за незалежними першоджерелами.

Документуйте методологію
Коли AI-інструменти використовуються в розслідуванні — фіксуйте: яка модель, яка версія, який промпт, які кроки верифікації. Відтворюваність і аудитабельність мають значення.

Слайд 22 — Великі мовні моделі (ВМM): основи

ВМM — нейронні мережі на основі трансформерів, навчені на величезних текстових корпусах. Здатні відповідати на запитання, виконувати арифметичні обчислення, розуміти нюансовану мову та генерувати текст людської якості.

Параметр	Значення
175B параметрів	Кількість параметрів GPT-3 — орієнтир, що приголомшив світ у 2020 році
8B параметрів	Підходить для споживачів — моделі вже працюють на ігрових GPU
4 основні можливості	Запитання й відповіді, арифметика, розуміння мови та генерація коду

Слайд 23 — Таблиця лідерів ВМM: порівняння 100+ AI-моделей

Ландшафт AI-моделей розвивається шаленими темпами. Таблиці лідерів надають OSINT-практикам об’єктивний, актуальний порівняльний огляд — допомагаючи обирати правильний інструмент для кожного етапу розвідувального циклу.

Відстежуються провайдери: OpenAI, Google, Anthropic, DeepSeek, Meta (Llama), Mistral, xAI та ще 20+ — як пропрієтарних, так і з відкритим кодом.

Жодна модель не перевершує інші в усьому. Таблиці лідерів дозволяють обирати модель під конкретну місію, а не покладатися на найпопулярніший бренд.

Слайд 24 — Ключові метрики оцінювання ВМM

Метрика	Що вимірює
Інтелект (IQ)	Загальне міркування, логіка та результати бенчмарків: MMLU, HellaSwag, ARC
Кодування	Здатність писати, налагоджувати й пояснювати код — критично для скраперів і автоматизації
Вікно контексту	Максимальна кількість токенів за один запит — визначає, чи може модель працювати з повними документами
Швидкість і вартість	Токенів за секунду та вартість за мільйон токенів — суттєво для pipeline OSINT

Слайд 25 — Головні моделі (станом на квітень 2026)

Станом на поточні бенчмарки ці передові моделі стабільно входять до числа найкращих за інтелектом, міркуванням і мультимодальними можливостями.

Модель	Ключові переваги
GPT-5.4 (OpenAI, березень 2026)	Чудове міркування, Computer Use (75% OSWorld), велике контекстне вікно. SWE-bench 57.7%. $2.50/$ 15 за 1M токенів
Claude Sonnet 4.6 (Anthropic, 2025)	Чудове виконання інструкцій, низький рівень галюцинацій, сильна для аналізу документів. 200K контекст
Gemini 3.1 Pro (Google, лютий 2026)	Мультимодальний лідер — аналіз зображень, відео та аудіо. 1M контекст. GPQA 94.3%, SWE 80.6%. $2.00/$ 4.00 за 1M
DeepSeek R1 (китайська, відкритий код)	Конкурує з frontier-моделями у бенчмарках на міркування за значно нижчу вартість. Може розгортатися локально

Слайд 26 — Моделі з відкритим кодом скорочують розрив

Одна з найважливіших подій: різке зближення між продуктивністю моделей з відкритим кодом і пропрієтарних. Те, що раніше вимагало підписки на API, тепер може працювати локально, приватно і безкоштовно.

Чому це важливо для OSINT:

Конфіденційні розслідування залишаються on-premises — дані ніколи не покидають вашу мережу
Немає вартості за токен для високонавантажених конвеєрів обробки
Можливе розгортання в air-gap середовищі для чутливих середовищ

Помітні моделі з відкритим кодом:

Llama 4 Scout/Maven (Meta) — найкраще сімейство open-weight моделей від Meta
Mistral / Mixtral — ефективна архітектура MoE
Qwen 3.5 (Alibaba) — сильні багатомовні можливості
DeepSeek R1 — міркування майже на рівні frontier-моделей

Слайд 27 — Фільтрація рейтингу під ваш сценарій

Найкращі рейтинги пропонують можливості фільтрації — дозволяючи практикам звузити вибір на основі конкретних операційних обмежень:

Постачальник — фільтруйте за OpenAI, Anthropic, Google, Meta, Mistral або китайськими провайдерами (DeepSeek, Alibaba/Qwen)
Лише відкриті моделі — обмежте результати open-weight моделями для локального запуску без передавання даних
Піддаються донавчанню — визначайте моделі, що підтримують fine-tuning для спеціалізованого навчання на OSINT-даних
Параметри та контекст — добирайте розмір моделі відповідно до можливостей обладнання

Слайд 28 — Порівняння моделей: можливості на одному погляді

Модель	Інтелект	Кодування	Мультимодальність	Міркування
GPT-5.4	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	✅ Зір + Computer Use	⭐⭐⭐⭐⭐
Claude Sonnet 4.6	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	✅ Зір	⭐⭐⭐⭐⭐
Gemini 3.1 Pro	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	✅ Повне AV (аудіо+відео)	⭐⭐⭐⭐⭐
DeepSeek R1	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	❌ Лише текст	⭐⭐⭐⭐⭐
Llama 4 Scout 8B	⭐⭐⭐⭐	⭐⭐⭐⭐	⚠️ Обмежено	⭐⭐⭐⭐

Використовуйте цю матрицю як відправну точку. Завжди тестуйте кандидатні моделі на ваших конкретних завданнях OSINT, перш ніж впроваджувати їх у робочий процес.

Слайд 29 — Цікаві моделі: жовтень–листопад 2025

Екосистема AI з відкритим кодом змінюється швидше, ніж будь-яка окрема організація може її відстежувати.

Жовтень 2025:

Llama 4 Scout (Meta) — краще дотримання інструкцій, покращена багатомовна підтримка, оптимізоване квантування для споживчих GPU
Qwen 3.5 (Alibaba) — посилені можливості для японської, корейської та китайської мов — релевантно для OSINT-операцій в Азійсько-Тихоокеанському регіоні

Листопад 2025:

GPT-o1 (OpenAI) — режими Instant (низька затримка) та Padding (розширене міркування)
Розширена нативна підтримка зображень, аудіо та відео у кількох сімействах моделей
Наступники DALL-E 3 з фотореалістичною якістю — підвищення планки (і ризику) для зображень, згенерованих ШІ

Слайд 30 — Інференс ВМM: калькулятори VRAM і продуктивності

Перш ніж розгортати локальний ВМM, оцініть, чи ваше обладнання здатне запустити модель. VRAM — основне обмеження для GPU-інференсу.

Інструмент	Для чого	Посилання
Калькулятор VRAM	Введіть розмір моделі та рівень квантизації → оцінка потреби у VRAM	apxml.com/tools/vram-calculator
Kolosal AI Memory Calculator	Порівняйте хмарне та локальне розгортання; введіть назву моделі + GPU + точність квантизації	kolosal.ai/memory-calculator
Калькулятор енергії інференсу	Оцінка споживання електроенергії на один інференс	energy.inference.net

Слайд 31 — Когнітивний ШІ vs Генеративний ШІ

Тип	Характеристики	Використання в OSINT
🧠 Когнітивний ШІ (Ліва півкуля)	Правиловий, детермінований, аналітичний. Дерева рішень, експертні системи	Структуровані запити до БД, витяг сутностей, зіставлення шаблонів, булевий пошук
✨ Генеративний ШІ (Права півкуля)	Нейронні мережі, що генерують новий контент. Імовірнісний, креативний	Наративне узагальнення, генерація персон, переклад, підготовка звітів, формування гіпотез

Найпотужніші робочі процеси OSINT поєднують обидва підходи: когнітивний ШІ — для структурованих запитів і фільтрації, генеративний ШІ — для синтезу, узагальнення та комунікації.

Слайд 32 — Генеративний ШІ та недетермінованість: проблема MoE

Архітектура Mixture of Experts (MoE) спрямовує токени через різні підмережі залежно від контексту — через це однакові запити можуть давати різні результати між викликами API.

Що таке недетермінованість?
Один і той самий запит, надісланий двічі, може повертати різні аналізи, різні витягнуті сутності або різні висновки — навіть за температури 0. Це властивість архітектури, а не помилка.

Наслідки для OSINT:
Звіти розслідувань, що спираються на аналіз ШІ, може бути складно відтворити точно.

Стратегії пом’якшення:

Фіксуйте всі запити та відповіді дослівно
Запускайте кілька ітерацій і порівнюйте результати
Використовуйте детерміновану постобробку (структуроване витягування) для нормалізації результатів

Слайд 33 — Планування: створення Sock Puppet (базовий рівень)

Sock puppet — це сфабрикована онлайн-ідентичність для прихованого збору OSINT без розкриття справжньої належності дослідника. GenAI значно прискорює створення персонажа.

Що запитати в ВМM:
Попросіть модель згенерувати повністю сформованого персонажа: повне ім’я, вік, місце проживання, професію, освіту, особисті інтереси, історію публікацій і мовні особливості стилю.

Генерація фото профілю:

thispersondoesnotexist.com — обличчя, згенеровані GAN
Generated.photos — ліцензовані синтетичні портрети
Midjourney / Stable Diffusion з конкретними демографічними підказками

Завжди перевіряйте, чи не були згенеровані зображення проіндексовані пошуковими системами зворотного пошуку.

Слайд 34 — Планування: створення Sock Puppet (просунутий рівень)

Просунуте створення персон виходить за межі базової генерації ідентичності — використовує AI для аналізу цільового середовища та узгодження персони.

Аналіз вебсайту для узгодження персони:
Передайте ВМM цільову платформу або вебсайт спільноти. Попросіть визначити типову демографію користувачів, мовні патерни, поширені теми та норми спільноти для калібрування персони.

Генерація повного досьє персони:
Поєднайте всі сигнали в комплексне, внутрішньо узгоджене досьє — таке, що витримає перевірку як з боку людини-оператора, так і автоматизованих систем верифікації платформи.

Слайд 35 — Планування: морфінг обличчя

Морфінг обличчя передбачає алгоритмічне поєднання або зміну зображень облич — корисно для перевірки правдоподібності прикриттів або дослідження меж систем розпізнавання облич.

Застосування в OSINT:

Перевірка правдоподібності прикритої ідентичності
Генерація синтетичної ідентичності для підпільних операцій
Тестування порогів виявлення API розпізнавання облич

Дослідники, як-от Matt Edmondson і Nico Dekens, публічно демонстрували техніки морфінгу в OSINT-контексті — поєднуючи ідентичності, щоб показати як наступальні можливості, так і прогалини в захисному виявленні.

Слайд 36 — Deepfakes: технологія

Deepfakes використовують deep learning — зокрема Generative Adversarial Networks (GANs) і новіші diffusion models — для заміни облич у відео з фотореалістичною якістю.

Інструмент	Опис
DeepFaceLab	Найпотужніший open-source фреймворк для навчання deepfake. Вимогливий до GPU, але забезпечує високоякісні результати
Roop	Заміна обличчя з одного зображення без навчання. Швидко, для статичних зображень і коротких кліпів
SimSwap	Заміна обличчя зі збереженням ідентичності. Краще зберігає характеристики цільової особи
faceswap	Проєкт з відкритим кодом, створений спільнотою. Докладна документація

Слайд 37 — Створення дипфейків: кроки 1–2

Розуміння конвеєра створення важливо для OSINT-практиків — для розпізнавання артефактів під час форензичного аналізу.

Крок 1: Витягти вихідні кадри
Вихідне відео розбивається на окремі кадри — зазвичай тисячі зображень. Якість кадрів безпосередньо визначає якість результату. Необхідне відео високої роздільної здатності.

Крок 2: Навчити модель на обличчі цілі
Окрему нейронну мережу навчають на наборі даних обличчя цілі — бажано з сотень або тисяч зображень під різними кутами та за різного освітлення. Час навчання: від годин до днів залежно від потужності GPU.

Слайд 38 — Виявлення дипфейків: артефакти та інструменти

Навіть найсучасніші дипфейки залишають форензичні сліди.

Типові візуальні артефакти:

Розмиття навколо щелепи та лінії волосся — артефакти межі накладання обличчя
Неприродні патерни моргання — ранні GAN рідко моргали природно
Непослідовна текстура шкіри — пори, зморшки не відповідають тілу
Невідповідність кольору — тон обличчя відрізняється від шиї та вух
Деформація фонових об’єктів — поблизу периферії обличчя

Інструменти виявлення:

FakeCatcher (Intel) — алгоритм для виявлення кровотоку
Deepware Scanner — сервіс виявлення відео-дипфейків
Microsoft Video Authenticator — оцінка достовірності на рівні кадру
InVID / WeVerify — браузерний плагін для аналізу провенансу

Слайд 39 — Виявлення дипфейків: аналіз області очей

Область очей — найнадійніший індикатор маніпуляції дипфейком.

Чому очі мають значення:
Генераторам дипфейків потрібно синтезувати надзвичайно дрібні деталі — текстуру райдужки, дзеркальні відблиски, природний напрям погляду, розширення зіниць — які важко переконливо відтворити в усіх кадрах.

Ключові ознаки для перевірки:

Невідповідні патерни відбиття між лівим і правим оком
Неприродна текстура або колір райдужки
Відсутні або спотворені відблиски в очах
Асиметрична частота моргання
Напрямок погляду, що не природно слідує за рухом голови

Дипфейки на основі diffusion (покоління 2024–2025) значно покращили синтез очей. Автоматизовані інструменти виявлення дедалі частіше необхідні поряд із ручним оглядом.

Слайд 40 — Deepfakes: загроза довірі в OSINT

Основний принцип: в епоху deepfake відеодоказ не є самодостатньо автентичним. Кожне відео, що має значення, потребує форензичної перевірки перед включенням до розвідувального звіту.

Методологія 4-рівневої перевірки:

Рівень	Дія
1. Компресійні артефакти	Перевірте повторне кодування та артефакти
2. Перевірка провенансу	Знайдіть найраніше завантаження та ланцюг поширення
3. Аналіз метаданих	Перевірте EXIF, GPS, часові позначки
4. Виявлення AI	Запустіть FakeCatcher, Deepware, InVID

Жодного окремого кроку недостатньо. Перехресно звіряйте всі чотири рівні. Документуйте кожен виконаний крок.

Слайд 41 — Мікровирази та InVID/WeVerify

Фінальний рівень: мікровирази
Мікровирази — мимовільні, субсекундні рухи обличчя, що передають автентичні емоційні стани. Справжня емоція передбачає десятки груп лицевих м’язів у точній координації — генератори дипфейків часто відтворюють лише домінуючий вираз без тонких супровідних рухів.

Шукайте: плаский афект під час заяв, які мали б викликати сильні емоції; асиметричні вирази; тимчасову неузгодженість між мовленням і виразом обличчя.

Рекомендований інструмент: InVID / WeVerify
Браузерний плагін для практиків. Надає: витяг кадрів, зворотний пошук зображень за ключовими кадрами, аналіз метаданих і інтеграцію з базами даних фактчекінгу — все прямо в браузері.

Слайд 42 — Аудіодипфейки: клонування голосу

Технологія клонування голосу тепер може відтворити голос будь-якої людини лише за кілька секунд аудіозразка.

Інструмент	Опис
ElevenLabs	Комерційний API для клонування голосу, дуже реалістичний, доступний через браузер
Vall-E (Microsoft)	Дослідницька модель: клонування голосу за 3 секунди аудіо
Tortoise TTS	З відкритим кодом, повільніший, але високоякісний — для локального розгортання

Зведений профіль загрози:
Коли візуальні й аудіодипфейки поєднуються, сфабриковане відео стає експоненційно переконливішим. Для OSINT-аналітиків це означає:

Незалежно перевіряти походження аудіо окремо від відео
Аналізувати спектральні аномалії та неприродну просодію
Порівнювати з відомими автентичними зразками мовлення

Слайд 43 — Веб-скрапінг: від промпта до продакшн-коду

Добре сформульований промпт для скрейпінгу одразу дає код, готовий до розгортання.

Практичний воркфлоу:

Інформаційна потреба → Промпт для ВМM → Код Python (BeautifulSoup/Playwright) → Структурований JSON

Приклад промпта:

«Напиши Python-скрипт для скрейпінгу всіх дописів із публічного форуму за адресою [URL]. Витягни автора допису, дату, заголовок і текст допису. Автоматично обробляй пагінацію та зберігай результати у структурований JSON-файл.»

Вихідний JSON містить:
post_author, timestamp, post_id, content_text, thread_url — структуровано для негайного аналізу.

Ітерація: Попросіть ВМM змінити скрипт для нових цільових сайтів, додати витяг полів або адаптуватися до змін структури сайту — за секунди.

Слайд 44 — Розширений веб-збір: AI + headless-браузер

Сучасні цілі використовують фронтенди з інтенсивним JavaScript, які долають прості HTTP-скрапери.

Архітектура Playwright + ВМM:
Використовуйте ВМM для генерації скриптів Playwright, які навігують складними JavaScript SPA — обробляючи динамічне завантаження, нескінченну прокрутку, логін-флоу та обходи CAPTCHA.

Навігація динамічними JavaScript-сайтами
Обробка автентифікації сесії
Витяг контенту, відрендереного на клієнті

Бекенди для зберігання та аналізу:

SQLite — легкий, портативний, для одиночних розслідувань
Elasticsearch — повнотекстовий пошук, масштабований для великого корпусу
ChromaDB / Weaviate — векторне сховище для семантичного пошуку

Слайд 45 — Демо транскрипції: YouTube → продукт розвідки

Один із найпрактичніших воркфлоу OSINT: перетворення будь-якого публічного відео на структурований продукт розвідки за лічені хвилини.

URL відео → Транскрипція (Whisper) → Обробка ВМM → Результат розвідки

Що ВМM може зробити з транскриптом:

Дія	Результат
Підсумувати	Короткий виклад усього відео цільовою мовою
Перекласти	Повний транскрипт робочою мовою аналітика
Витягнути сутності	Імена осіб, організацій, локацій, дати, криптоадреси
Хронологія	Хронологічна реконструкція подій на основі усного змісту

Слайд 46 — Ransomware переговори: розширений промптинг

Після початкового вилучення подальші запити заглиблюються в конкретні вимоги розвідки.

Криптовалютний та фінансовий intel:

«Які адреси криптовалютних гаманців згадуються або маються на увазі в цих переговорах? Перелічіть їх із контекстом.»

Психологічний профіль:

«На основі мовних патернів і поведінки під час переговорів у цьому транскрипті, яким є ймовірний психологічний профіль зловмисника? Оцініть: терплячість, схильність до ризику та операційну складність.»

Підсумок результату:

«Підсумуйте результат переговорів: чи було здійснено платіж? Якою була фінальна узгоджена сума? Чи було надано розшифрування? Позначте будь-які індикатори недобросовісності.»

Слайд 47 — Виявлення об’єктів AI на зображеннях

Моделі комп’ютерного зору можуть автоматично виявляти, класифікувати та локалізувати об’єкти на зображеннях — надаючи структуровану розвідку з візуальних даних зі швидкістю та масштабом, недосяжними для людини-аналітика.

Що AI може виявити:

Транспортні засоби: марка, модель, колір, зона номерного знака
Логотипи та брендові знаки
Зброя та військове обладнання
Орієнтири та архітектурні особливості для геолокації
Уніформа, прапори та ознаки організації

Інструменти виявлення:

YOLO — виявлення об’єктів у реальному часі, з відкритим кодом, для локального розгортання
Google Vision API — хмарний сервіс із широкою таксономією об’єктів
AWS Rekognition — корпоративного рівня аналіз зображень і відео
Roboflow — навчання користувацьких моделей для специфічних завдань виявлення

Слайд 48 — Об’єктне виявлення: практична OSINT-демонстрація

Розвідка транспортних засобів:
Завантажте зображення авто → AI повертає марку, модель, рік випуску, колір, область номера. Порівняйте з публічними базами даних транспорту/митниці.

Геолокація за орієнтирами:
AI визначає впізнавані будівлі, вивіски та ландшафтні особливості. Поєднайте з Overpass Turbo або Google Maps для точнішої оцінки координат.

Комбінований підхід:
Проганяйте виявлені об’єкти через зворотний пошук зображень (TinEye, Yandex), щоб знайти пов’язані зображення та сформувати повнішу геопросторову картину.

Слайд 49 — Мультимодальне підказування зображень

Мультимодальні ВМM — GPT-5.4, Claude Sonnet 4.6 і Gemini 3.1 Pro — можуть безпосередньо аналізувати зображення як частину запиту.

Приклад запиту:

«Опишіть це зображення максимально докладно. Визначте весь видимий текст, об’єкти, логотипи, обличчя, географічні ознаки, погодні умови та будь-які інші деталі, які можуть допомогти визначити місце, час або контекст цього зображення.»

Витяг тексту (вбудований OCR):
Мультимодальні ВМM можуть читати текст на зображеннях — вивіски, чеки, дошки, номерні знаки — без окремого OCR-процесу. Результат одразу придатний для аналітичних запитів.

Структурований вивід:
Попросіть вивід у форматі JSON або markdown-таблиці — структуровані описи безпосередньо потрапляють у розвідувальні звіти.

Слайд 50 — OCR на основі ШІ

Традиційні OCR-інструменти дають збій на зашумлених, перекошених або низькороздільних зображеннях. OCR на основі ШІ — особливо multimodal ВМM — справляється зі складними реальними документами.

Тип документа	Що витягує AI
Чеки та фінансові документи	Позиції, суми, дати та назви постачальників — навіть із зім’ятих, сфотографованих чеків
Знімки екрана та мобільний контент	Текст зі знімків месенджерів, постів у соцмережах — зберігаючи контекст макета
Рукописні нотатки	GPT-5.4 і Gemini 3.1 Pro читають рукописний текст із набагато вищою точністю, ніж класичні OCR

Слайд 51 — Збір + аналіз: вилучення «мудрості» з Fabric

Fabric (автор: Daniel Miessler) — відкритий фреймворк AI-підсилення, що застосовує структуровані «патерни» до будь-якого контенту — перетворюючи сирі вебсторінки, відео та документи на організовані розвідувальні продукти.

Команда:

fabric -y 'https://youtu.be/...' --stream extract_wisdom

Що витягує extract_wisdom:

Ключові ідеї та головні аргументи
Запам’ятовувані цитати з атрибуцією
Конкретні факти та статистика
Практичні рекомендації
Посилання та джерела
Резюме в одному реченні

Слайд 52 — Патерни Fabric для OSINT-аналізу

Патерн	Призначення
`extract_wisdom`	Основне вилучення розвідданих — ключові ідеї, факти, цитати та посилання з будь-якого джерела
`summarize`	Готові для керівництва резюме довгого контенту — у форматі списків, абзаців або markdown
`analyze_claims`	Систематична оцінка тверджень на логічну узгодженість, доказову підтримку та потенційну упередженість
`create_report`	Генерація форматованих розвідувальних звітів безпосередньо з сирого аналізу

Слайд 53 — Аналіз: крос-мовний семантичний пошук

Одна з найпотужніших можливостей AI для OSINT — семантичний пошук: здатність знаходити концептуально релевантний контент незалежно від мови.

«Я ненавиджу свою роботу і хочу більше грошей» → «私は仕事が嫌いで、もっとお金が必要です» — обидва відображаються на один семантичний вектор.

Як працюють векторні ембедінги (embedding):
Текст конвертується у багатовимірні числові вектори — числа, що кодують смисл, а не слова. Семантично схожий контент кластеризується у векторному просторі незалежно від мови. Пошук японською повертає англійські результати з тим самим концептуальним змістом.

Інструменти:

OpenAI text-embedding-3 — найсучасніша модель ембедінгів
Sentence Transformers — відкрита, розгортається локально
ChromaDB — легка локальна векторна база даних
Weaviate — корпоративний семантичний пошук з гібридними можливостями

Слайд 54 — Поширення: перефразування та виявлення упереджень

Фінальний етап розвідувального циклу — поширення. AI гарантує, що звіти є чіткими, адаптованими до аудиторії та вільними від вбудованих упереджень.

Виявлення упереджень:

«Визначте будь-які упередження, навантажену мову, відсутні перспективи або політичний нахил у цій статті [URL].»

AI позначає: ідеологічне фреймування, упередженість у виборі джерел та логічні невідповідності.

Перефразування для аудиторії:
Конвертуйте ті самі висновки у:

Виконавче резюме (стислість, стратегічні наслідки)
Технічний звіт (IOC, методологія, деталі інструментів)

Контроль якості розвідувального звіту:
Використовуйте AI як фінальний шар: перевірте непідкріплені твердження, непослідовну термінологію, надмірно впевнену мову без доказової бази та логічні прогалини перед поширенням.

Слайд 55 — Запитання для обговорення

Питання 1
Як AI змінює підхід до OSINT-розслідувань? Чи стає роль аналітика-людини менш важливою, чи навпаки — AI підвищує цінність людської експертизи? Які навички стають найбільш затребуваними в епоху AI-OSINT?

Питання 2
Які ризики пов’язані з використанням AI у зборі даних? Як збалансувати ефективність AI-систем із необхідністю захисту приватності, запобігання зловживанням і забезпечення достовірності результатів?

Питання 3
Чи можливо створити повністю автоматизовану систему OSINT? Де межа між автоматизацією та необхідністю людського судження? Які завдання в OSINT принципово потребують людського аналізу?

Слайд 56 — Підсумок заняття

AI автоматизує рутину, масштабує аналіз і підвищує точність — а людська експертиза залишається необхідною для інтерпретації результатів.

Ключові висновки:

OSINT-цикл (Збір → Обробка → Аналіз → Дія) отримує AI-підсилення на кожному етапі
Промпт-інжиніринг за фреймворком «6 стовпів» — базова навичка аналітика
Deepfakes і аудіодипфейки вимагають 4-рівневої форензичної перевірки
ВМM для скрапінгу, транскрипції, OCR і семантичного пошуку — не технологія майбутнього, а інструмент сьогодні
Жодній AI-моделі не можна довіряти як нейтральному арбітру — завжди перехресна перевірка

Далі в курсі: поглиблене вивчення GenAI для аналітика, промптинг, контроль якості та ЗАГ (RAG) у Уроці 2.

Домашнє завдання

→ ДЗ

Матеріали для студентів

Основні ресурси

Репозиторії та гайди:

OSINT-BIBLE 2026 (GitHub) — комплексний гайд по інструментах і методологіях
Awesome-AI-OSINT (GitHub) — список статей і інструментів для AI-OSINT
OSINT Framework — інтерактивна карта OSINT-інструментів
smixs/osint-skill (GitHub) — skill-репозиторій для AI-агентів (предмет домашнього завдання)

Аналітичні матеріали:

AI is undermining OSINT’s core assumptions — Reuters Institute
What is OSINT in 2025? — Social Links Blog

Навчальні курси:

OSINT Combine Academy — практичні курси з OSINT
Bellingcat Online Toolkit — набір інструментів від Bellingcat

Довідкові матеріали до цього уроку

Інструменти-та-посилання (див. матеріали) — каталог інструментів для уроків 1–2
Аналіз-OSINT-Skill-репозиторій (див. матеріали) — покроковий аналіз smixs/osint-skill: архітектура, встановлення, 8 ризиків

Наступний урок: Урок-02-GenAI-для-аналітика

AI для OSINT 2026

Провідник

Урок-01-Вступ