🧰Tool of the WeekІнструмент тижня
#01
AIS Imagery Search turns a ship track into a reviewable shortlist of satellite scenes
Source: Bellingcat AIS Imagery Search · Official repository, checked 8 August 2026
What happened
Bellingcat's AIS Imagery Search is a browser-based project that accepts user-supplied AIS ship-tracking data and searches Sentinel and Landsat catalogues for satellite scenes whose footprints overlap the vessel's approximate position at the imagery capture time. The tool parses timestamped longitude and latitude rows, normalises time to UTC, reduces very dense tracks for querying, searches imagery in chronological chunks, removes duplicate scene records, checks both temporal and spatial overlap, displays the track and matching footprints, and exports a shortlist as JSON or CSV. The repository emphasises that users must bring their own AIS data.
Why it matters
Maritime investigations often lose time manually checking image catalogues around every reported vessel position. This tool makes the candidate-generation step explicit: a scene enters the shortlist because a dated image footprint and a dated AIS point overlap under defined rules. For investigations into suspected grain transport from occupied Ukraine, sanctions evasion or maritime incidents, that creates a useful handoff from movement data to imagery without pretending that either source alone proves cargo, ownership, destination or intent.
How to use it
Start with a preserved AIS export whose source, time zone, collection period and vessel identifier are documented. Save the original file and hash, then record the tool version or repository commit, query time, temporal chunk size, spatial tolerance, imagery collections, candidate count and exported shortlist. For each shortlisted scene preserve the satellite product identifier, acquisition time, footprint, cloud or visibility limits and the matching AIS point. Confirm any substantive finding with the image itself, other dates, port observations, corporate or customs records and alternative movement sources.
Limits
AIS is incomplete and can be switched off, delayed, duplicated, wrongly attributed or manipulated. Satellite imagery may be cloudy, too coarse or captured between relevant movements. The tool generates scene candidates, not vessel identification or cargo findings. Do not publish live or tactically useful vessel movements, protected port activity or current routes that could facilitate targeting or evasion.
AIS Imagery Search перетворює маршрут судна на придатний до перевірки перелік супутникових знімків
Джерело: Bellingcat AIS Imagery Search · Офіційне сховище коду, перевірено 8 серпня 2026
Що сталося
Bellingcat AIS Imagery Search — браузерний проєкт, який приймає надані дослідником дані AIS про рух судна та шукає в каталогах Sentinel і Landsat супутникові сцени, чиї межі перетинаються з приблизним положенням судна в момент знімання. Засіб читає координати з часовими позначками, переводить час до UTC, скорочує надто щільний маршрут для запиту, шукає знімки за часовими відрізками, усуває повтори, перевіряє часовий і просторовий перетин, показує маршрут і межі знайдених сцен та вивантажує перелік у JSON або CSV. Власні дані AIS дослідник має надати сам.
Чому це важливо
У морських розслідуваннях багато часу йде на ручний перегляд каталогів знімків навколо кожної відомої позиції судна. Цей засіб робить створення переліку кандидатів явним: сцена потрапляє до нього тому, що датовані межі знімка й датована точка AIS перетнулися за визначеними правилами. Для дослідження ймовірного вивезення зерна з окупованої України, обходу санкцій або морських інцидентів це створює зрозумілий перехід від даних руху до зображень, не видаючи жодне з джерел за доказ вантажу, власності, пункту призначення чи умислу.
Як це застосувати
Починайте зі збереженого вивантаження AIS, для якого відомі джерело, часовий пояс, період збирання та ідентифікатор судна. Збережіть первинний файл і контрольну суму, а далі фіксуйте версію засобу або стан сховища коду, час запиту, розмір часових відрізків, просторовий допуск, колекції знімків, кількість кандидатів і вивантажений перелік. Для кожної сцени зберігайте ідентифікатор супутникового продукту, час знімання, межі, обмеження хмарністю чи видимістю та відповідну точку AIS. Змістовний висновок підтверджуйте самим знімком, іншими датами, портовими спостереженнями, корпоративними чи митними записами та альтернативними даними руху.
Обмеження
AIS неповний: передавання може бути вимкнене або запізніле, записи — повторні, помилково прив’язані чи навмисно спотворені. Супутниковий знімок може бути закритий хмарами, надто грубий або зроблений між важливими переміщеннями. Засіб створює перелік сцен для перевірки, а не встановлює судно чи вантаж. Не публікуйте поточний або тактично корисний рух суден, захищену діяльність портів чи маршрути, здатні допомогти наведенню або ухиленню.
tool-of-weekaissatellite-imagerymaritime-osintsentinellandsat
💥Munitions ReferenceДовідник боєприпасів
#02
OSMP makes munition comparison useful by keeping observed features separate from a tentative model
Source: Open Source Munitions Portal · Official portal, checked 8 August 2026
What happened
The Open Source Munitions Portal is a structured visual reference for documented munitions and remnants. Records can be filtered by reported location, year, munition category, functional use, tentative model, colour and markings, condition, mechanical features, guidance, domain, fins, calibre and other observable characteristics. Individual entries preserve a source, reported location, date where available, related images and citations. The portal prominently warns users never to approach munitions. Ukraine is one of the represented locations, including records sourced to Ukrainian state bodies and other public material.
Why it matters
Visual munition work is especially vulnerable to a false jump from one familiar feature to an exact model, manufacturer or operator. OSMP's fields encourage a safer ladder: first record what is visible, then compare it with documented examples, and keep the model designation tentative where the evidence remains incomplete. That is useful for Ukraine war-crimes documentation because a fragment can become a candidate family or model without silently becoming proof of launch platform, unit, command chain or legal responsibility.
How to use it
Work from photographs taken by trained authorities, investigators or other safe sources rather than handling the object. Record the image provenance, date, location status, scale reference, visible markings, dimensions where reliably documented, fins, fasteners, electronics, guidance components, paint, damage state and every excluded alternative. Save the OSMP record identifier and retrieval date for each comparison. Escalate an exact-model finding only when multiple independent features and documentary sources agree, and keep manufacturer, operator and legal attribution as separate questions.
Limits
Do not approach, move, dismantle, clean or manipulate unexploded or unknown munitions for the sake of identification. A visual match can be wrong because models share bodies, components and paint schemes, because remnants are damaged, or because an entry itself is tentative. The portal is a reference layer, not a substitute for explosive-ordnance professionals, laboratory analysis or case-specific attribution.
OSMP робить порівняння боєприпасів корисним, відділяючи видимі ознаки від попереднього визначення моделі
Джерело: Open Source Munitions Portal · Офіційний портал, перевірено 8 серпня 2026
Що сталося
Open Source Munitions Portal — впорядкований візуальний довідник задокументованих боєприпасів і їхніх залишків. Записи можна відбирати за заявленим місцем, роком, категорією, призначенням, попередньо визначеною моделлю, кольором і маркуванням, станом, механічними ознаками, наведенням, середовищем застосування, оперенням, калібром та іншими видимими характеристиками. Окремий запис зберігає джерело, заявлене місце, дату за наявності, пов’язані зображення й посилання. Портал окремо застерігає: до боєприпасів не можна наближатися. Серед місць є й Україна, зокрема записи з матеріалів українських державних органів та інших відкритих джерел.
Чому це важливо
Візуальне дослідження боєприпасів особливо вразливе до хибного стрибка від знайомої ознаки до точної моделі, виробника чи оператора. Поля OSMP підтримують безпечнішу послідовність: спочатку зафіксувати видиме, потім порівняти з документованими прикладами й залишити назву моделі попередньою, якщо доказів недостатньо. Для документування воєнних злочинів в Україні це дає змогу перейти від уламка до можливої родини чи моделі, не перетворюючи її непомітно на доказ носія, підрозділу, командування або правової відповідальності.
Як це застосувати
Працюйте з фотографіями, зробленими підготовленими фахівцями, слідчими або іншими безпечними джерелами, а не з самим предметом. Фіксуйте походження зображення, дату, стан встановлення місця, масштаб, видимі написи, надійно відомі розміри, оперення, кріплення, електронні й навігаційні складники, фарбування, стан пошкодження та кожну відхилену альтернативу. Для порівняння зберігайте ідентифікатор запису OSMP і дату перегляду. До точного визначення моделі переходьте лише тоді, коли збігаються кілька незалежних ознак і документальні джерела, а виробника, оператора та правову відповідальність перевіряйте окремо.
Обмеження
Не наближайтеся, не переміщуйте, не розбирайте, не очищайте й не змінюйте нерозірвані чи невідомі боєприпаси заради визначення. Візуальний збіг може бути помилковим: різні моделі мають спільні корпуси, складники й фарбування, уламки пошкоджуються, а сам запис може бути попереднім. Портал є довідковим шаром, а не заміною фахівців із вибухонебезпечних предметів, лабораторного дослідження чи встановлення відповідальності в конкретній справі.
munitionsweapons-identificationwar-crimes-verificationvisual-referenceukrainesafety
🗺️GeolocationГеолокація
#03
ShadowFinder turns height, shadow, date and time into a geographic candidate band—not a location verdict
Source: Bellingcat ShadowFinder · Official repository, checked 8 August 2026
What happened
ShadowFinder is a lightweight Bellingcat tool and notebook that estimates where on Earth a particular shadow geometry could occur. A researcher supplies a date and time plus either an object's height and shadow length or the sun's altitude angle. The result is plotted as a band of possible locations. The project can run in Google Colab, a local Jupyter environment, through a Python library or through a command-line interface; the repository notes that the command-line route is slower because its time-zone grid is regenerated without caching.
Why it matters
Shadow analysis is useful precisely when it narrows a search rather than pretending to solve it. A measured ratio plus a credible capture time can exclude large parts of the world or rank candidate regions, especially when a scene has few unique landmarks. The output also exposes uncertainty: small errors in object height, shadow endpoint, perspective or time can widen or shift the possible band, which is evidence against overconfident geolocation.
How to use it
Preserve the original image and its provenance first. Record the assumed capture time and whether it is local or UTC, object selected for measurement, basis for its height, shadow start and endpoint, perspective correction, measured ratio and all uncertainty ranges. Save the ShadowFinder version, inputs and output image. Intersect the result with independent clues such as language, road layout, architecture, terrain, vegetation, weather, satellite imagery and historical street-level material. Rerun the calculation using plausible upper and lower measurement bounds.
Limits
The method depends heavily on accurate time and geometry. Perspective, sloping ground, an unknown object height, soft or broken shadows and edited media can make the result misleading. A Colab run also sends the notebook workload to an external service, so sensitive material should not be uploaded merely for convenience. Never use the output to expose a protected person's current location or an operational military site.
ShadowFinder перетворює висоту, тінь, дату й час на смугу можливих місць, а не на готову геолокацію
Джерело: Bellingcat ShadowFinder · Офіційне сховище коду, перевірено 8 серпня 2026
Що сталося
ShadowFinder — легкий інструмент і записник Bellingcat, який оцінює, де на Землі могла виникнути певна геометрія тіні. Дослідник задає дату й час, а також або висоту об’єкта та довжину тіні, або висоту Сонця над горизонтом. Результат показується як смуга можливих місць. Проєкт можна запускати в Google Colab, локальному середовищі Jupyter, як бібліотеку Python або з командного рядка; у сховищі зазначено, що останній спосіб повільніший через повторне створення часової сітки.
Чому це важливо
Аналіз тіней корисний саме тоді, коли звужує пошук, а не вдає остаточне розв’язання. Виміряне співвідношення разом із надійним часом знімання може виключити великі частини світу або впорядкувати регіони-кандидати, особливо коли на сцені мало унікальних орієнтирів. Результат водночас показує невизначеність: невелика помилка у висоті об’єкта, кінці тіні, перспективі чи часі здатна розширити або змістити смугу можливих місць.
Як це застосувати
Спочатку збережіть первинне зображення та його походження. Фіксуйте припущений час знімання й те, чи він місцевий або UTC, обраний для вимірювання об’єкт, підставу для його висоти, початок і кінець тіні, поправку на перспективу, виміряне співвідношення та межі невизначеності. Збережіть версію ShadowFinder, вхідні значення й отримане зображення. Перетинайте результат із незалежними ознаками: мовою, плануванням доріг, архітектурою, рельєфом, рослинністю, погодою, супутниковими знімками та історичними наземними матеріалами. Повторюйте розрахунок для правдоподібних нижньої й верхньої меж вимірювань.
Обмеження
Метод дуже залежить від точності часу й геометрії. Перспектива, нахил землі, невідома висота об’єкта, нечітка або перервана тінь і редаговані матеріали можуть спотворити результат. Запуск у Colab використовує зовнішню службу, тому чутливі матеріали не слід туди завантажувати лише заради зручності. Ніколи не використовуйте результат для викриття поточного місця захищеної людини чи чинного військового об’єкта.
geolocationshadow-analysissun-positionbellingcatcandidate-generationopsec
🕰️Map HistoryІсторія картографування
#04
ohsome makes OpenStreetMap change queryable without confusing mapping history with ground truth
Source: HeiGIT ohsome · Official service, checked 8 August 2026
What happened
HeiGIT's ohsome platform provides history statistics and quality analysis for OpenStreetMap. The public dashboard can query selected areas, tags and object types over time, compare regions, measure counts or lengths and export analytical results as CSV or JSON. The underlying ohsome API supports time-specific extraction and historical OpenStreetMap information. At the time of review, the dashboard reported frontend version 1.9.0 and ohsome API version 1.10.4.
Why it matters
For occupation, infrastructure and place-name research, the question is often not only what OpenStreetMap says now but when a feature, tag or geometry appeared, changed or disappeared. ohsome makes those changes measurable and exportable. That can expose candidate dates for renaming, rebuilding, remapping or bursts of mapping activity, while preserving a crucial boundary: an OpenStreetMap edit is evidence about the map and contributor activity, not direct proof that a physical event occurred at the same time.
How to use it
Save the area of interest, exact tag or filter, object type, measure, time interval, grouping, dashboard or API version, query permalink where available, retrieval time and exported file with a hash. For a feature-level investigation preserve the OpenStreetMap object identifier, versions, relevant changesets and a before/after geometry or tag comparison. Corroborate the suspected real-world change with imagery, official records, local reporting, archived pages or other independent evidence.
Limits
OpenStreetMap coverage and editing intensity are uneven. A feature can be mapped long after construction, removed because of a tagging dispute, renamed without a physical change or altered by vandalism. Missing history is not proof of absence on the ground. Avoid turning mapping activity into claims about a contributor's identity or intent, and do not highlight fresh sensitive military or shelter mapping.
ohsome дає змогу запитувати історію OpenStreetMap, не плутаючи зміни карти з подіями на місцевості
Джерело: HeiGIT ohsome · Офіційний сервіс, перевірено 8 серпня 2026
Що сталося
Платформа ohsome від HeiGIT надає історичну статистику та оцінювання якості OpenStreetMap. Відкрита панель дає змогу задавати ділянку, теги й типи об’єктів, порівнювати території в часі, рахувати об’єкти або довжини та вивантажувати результати аналізу в CSV чи JSON. Базовий інтерфейс ohsome API підтримує вибірки на визначений момент і роботу з історичними відомостями OpenStreetMap. Під час перевірки панель указувала версію 1.9.0, а ohsome API — 1.10.4.
Чому це важливо
У дослідженнях окупації, інфраструктури й топоніміки часто важливо не лише те, що OpenStreetMap показує зараз, а й коли ознака, тег або геометрія з’явилися, змінилися чи зникли. ohsome робить такі зміни вимірюваними й придатними до вивантаження. Це допомагає знаходити дати-кандидати для перейменування, перебудови, перемальовування або сплесків картографічної активності, але зберігає важливу межу: редагування OpenStreetMap є доказом зміни карти й діяльності дописувачів, а не прямим доказом фізичної події на місцевості в той самий час.
Як це застосувати
Зберігайте ділянку дослідження, точний тег або умову, тип об’єкта, показник, часовий проміжок, спосіб групування, версію панелі чи API, постійне посилання на запит за наявності, час отримання та вивантажений файл із контрольною сумою. Для окремого об’єкта фіксуйте його ідентифікатор OpenStreetMap, версії, пов’язані набори змін і порівняння геометрії чи тегів до та після. Ймовірну зміну на місцевості підтверджуйте знімками, офіційними записами, місцевими повідомленнями, архівними сторінками або іншими незалежними доказами.
Обмеження
Покриття OpenStreetMap і інтенсивність редагування нерівномірні. Об’єкт можуть нанести на карту значно пізніше за його появу, видалити через суперечку щодо тегів, перейменувати без фізичної зміни або спотворити вандальним редагуванням. Відсутність запису в історії не доводить відсутності об’єкта на місцевості. Не перетворюйте картографічну активність на твердження про особу чи намір дописувача й не привертайте увагу до свіжого чутливого картографування військових об’єктів або укриттів.
openstreetmapmap-historyohsomechange-detectionprovenanceoccupation-research
🤖Civilian Harm TriageПервинний відбір шкоди цивільним
#05
Bellingcat's civilian-harm model ranks Telegram posts so humans spend time verifying rather than endlessly searching
Source: Bellingcat · 25 June 2026; updated 3 July 2026
What happened
Bellingcat documented a machine-learning workflow developed from its Ukraine civilian-harm monitoring. Researchers had collected and geolocated more than 2,500 incidents between February 2022 and September 2025. For triage, they built a labelled collection of 5,848 verified positive Telegram URLs and 48,545 surrounding negative posts after exclusions, represented the posts with 893 numerical features, compared several models and selected XGBoost. The resulting interface ranked incoming posts by likelihood of containing civilian-harm material; a researcher still confirmed candidates before they moved to preservation and collaborative verification systems. Bellingcat describes the model as a work in progress.
Why it matters
The strongest design choice is the division of labour. The model reduces the queue, but it does not geolocate an incident, establish that the affected person was civilian, identify the weapon, attribute the attack or make a legal finding. The training process also exposes measurable trade-offs between recall and precision and creates a place for reviewing what the model misses. For Ukrainian accountability teams, this is a reusable pattern for high-volume monitoring: automate prioritisation, preserve a random audit stream, and keep the evidence decision with trained reviewers.
How to use it
Define the positive class and exclusion rules before training. Preserve labelled examples, source and collection dates, deduplication rules, feature definitions, train/validation/test split, model version, threshold, precision and recall metrics, reviewer decisions and a sample of posts the model did not flag. Keep discovery, preservation, geolocation, victim-status assessment, weapons review and publication in separate queues. Retrain only with reviewed feedback and compare each new version against a fixed holdout set.
Limits
Telegram posts remain leads until independently verified. The model inherits biases from channel selection, labels, keywords and historical reporting patterns; emotional reactions or familiar words can correlate with relevance without proving harm. Cloud processing can expose sensitive text, while graphic content can harm reviewers. Do not feed protected witness data, private groups or unnecessary personal information into external services, and never publish a model score as an allegation.
Модель Bellingcat ранжує повідомлення Telegram про можливу шкоду цивільним, залишаючи перевірку людині
Джерело: Bellingcat · 25 червня 2026; оновлено 3 липня 2026
Що сталося
Bellingcat описала методику машинного навчання, створену на основі спостереження за шкодою цивільним в Україні. Від лютого 2022 до вересня 2025 року дослідники зібрали й геолокували понад 2500 подій. Для первинного відбору вони сформували розмічену сукупність із 5848 перевірених посилань Telegram із позитивними випадками та 48 545 сусідніх повідомлень без таких випадків після очищення, подали записи через 893 числові ознаки, порівняли кілька моделей і обрали XGBoost. Інтерфейс упорядковував нові повідомлення за ймовірністю наявності матеріалу про шкоду цивільним; дослідник однаково мав підтвердити кандидата перед збереженням і спільною перевіркою. Bellingcat прямо називає модель незавершеною.
Чому це важливо
Найсильніше рішення тут — розподіл праці. Модель скорочує чергу, але не геолокує подію, не встановлює цивільний статус потерпілої людини, не визначає зброю, не встановлює виконавця й не дає правового висновку. Навчання також робить вимірюваним компроміс між повнотою виявлення й точністю та залишає місце для перевірки пропущених повідомлень. Для українських команд з документування відповідальності це придатна схема роботи з великим потоком: автоматизувати пріоритет, зберігати випадкову контрольну вибірку й залишати доказове рішення підготовленим перевіряльникам.
Як це застосувати
До навчання визначте позитивний клас і правила виключення. Зберігайте розмічені приклади, джерела й дати збирання, правила усунення повторів, опис ознак, поділ на навчальну, перевірну й підсумкову вибірки, версію моделі, поріг, показники точності та повноти, рішення перевіряльників і вибірку повідомлень, яких модель не позначила. Розділяйте черги пошуку, збереження, геолокації, встановлення статусу потерпілої людини, дослідження зброї та публікації. Повторно навчайте лише на перевіреному зворотному зв’язку й порівнюйте нову версію з незмінною контрольною вибіркою.
Обмеження
Повідомлення Telegram залишаються зачіпками до незалежної перевірки. Модель успадковує упередження від вибору каналів, розмітки, ключових слів та історичних закономірностей повідомлень; емоційні реакції або знайомі слова можуть збігатися з релевантністю, не доводячи шкоди. Зовнішнє опрацювання здатне викрити чутливий текст, а графічні матеріали — травмувати перевіряльників. Не передавайте зовнішнім службам дані захищених свідків, приватних груп або зайві персональні відомості й ніколи не публікуйте оцінку моделі як звинувачення.
ukrainecivilian-harmmachine-learningtelegramtriagehuman-review
🗃️Public RecordsВідкриті реєстри
#06
Aleph joins documents and structured records while keeping every name match a lead
Source: OCCRP Aleph · Official documentation, checked 8 August 2026
What happened
Aleph is an open-source investigative data platform created and maintained by OCCRP. It can search large volumes of structured records and unstructured documents, make scanned documents searchable, visualise relationships, create timelines and compare people or company names across datasets. Its technical documentation describes a common FollowTheMoney data model for entities such as people, companies, documents and contracts, along with ingestion of tabular files and many document formats. The OCCRP-hosted instance supports datasets with different access levels, while the software can also be run independently.
Why it matters
Accountability investigations routinely move between company registries, sanctions, procurement files, court documents and names mentioned in PDFs. Aleph provides one reviewable workspace for that cross-referencing instead of forcing every relationship into a spreadsheet or a diagram detached from its source. Its main evidentiary advantage is not the graph itself but the ability to retain the underlying record and access context behind a relationship. A fuzzy or repeated name can surface a candidate; identifiers, dates and documents must establish whether it is the same entity.
How to use it
Create separate source datasets and document collections with clear provenance, retrieval dates, access conditions and retention rules. Normalise entity names without deleting original spellings. For each candidate match preserve the query, matched fields, identifiers, dates, source records, contradictions and reviewer decision. Use investigations or workspaces to separate projects and permissions. Export only the minimum records needed for publication or partner review, and retain a stable citation path back to the source document or row.
Limits
A large searchable platform can magnify both useful connections and bad data. OCR errors, transliteration, common names, stale registries and copied records can create false links. Some Aleph deployments contain restricted or leaked material; availability inside a system does not make republication lawful or necessary. Do not use it for credential hunting, private-person dossiers, home addresses or family data, and do not turn network proximity into guilt.
Aleph поєднує документи й структуровані записи, не перетворюючи збіг імені на встановлену особу
Джерело: OCCRP Aleph · Офіційна документація, перевірено 8 серпня 2026
Що сталося
Aleph — відкрита платформа OCCRP для дослідницьких даних. Вона дає змогу шукати у великих масивах структурованих записів і документів, робити скановані документи придатними до пошуку, показувати зв’язки, створювати часові лінії та зіставляти імена людей чи компаній між наборами даних. Технічна документація описує спільну модель FollowTheMoney для таких сутностей, як люди, компанії, документи й договори, а також завантаження таблиць і багатьох форматів документів. Розміщена OCCRP версія працює з різними рівнями доступу, а саму програму можна розгортати окремо.
Чому це важливо
Розслідування відповідальності постійно переходять між корпоративними реєстрами, санкціями, закупівлями, судовими документами та іменами всередині PDF. Aleph дає одне середовище для такого зіставлення замість примусового зведення всіх зв’язків до таблиці або схеми, відірваної від джерела. Його головна доказова перевага не в самому графі, а в можливості зберегти первинний запис і умови доступу, на яких ґрунтується зв’язок. Нечіткий або повторюваний збіг імені лише створює кандидата; тотожність мають встановлювати ідентифікатори, дати й документи.
Як це застосувати
Створюйте окремі колекції джерел і документів із чітким походженням, датами отримання, умовами доступу та правилами зберігання. Нормалізуйте назви сутностей, не видаляючи первинного написання. Для кожного можливого збігу зберігайте запит, поля збігу, ідентифікатори, дати, первинні записи, суперечності й рішення перевіряльника. Розділяйте проєкти та права доступу окремими робочими просторами. Для публікації або перевірки партнером вивантажуйте лише необхідний мінімум і зберігайте сталий шлях посилання до первинного документа чи рядка.
Обмеження
Велика пошукова платформа підсилює і корисні зв’язки, і помилкові дані. Помилки розпізнавання тексту, транслітерація, поширені імена, застарілі реєстри та скопійовані записи можуть створювати хибні зв’язки. Деякі розгортання Aleph містять матеріали з обмеженим доступом або витоки; наявність усередині системи не робить повторне оприлюднення законним чи необхідним. Не використовуйте її для пошуку даних входу, досьє на приватних людей, домашніх адрес або даних родини й не перетворюйте близькість у графі на доказ вини.
alephoccrppublic-recordsdocument-searchentity-resolutionfollowthemoney
🖼️Visual TriageПервинний відбір зображень
#07
Smart Image Sorter can shrink a photo backlog locally, but every label still needs human review
Source: Bellingcat Smart Image Sorter · Official repository, checked 8 August 2026
What happened
Smart Image Sorter is a Bellingcat Python project for zero-shot image classification using open-source models from the Hugging Face ecosystem. It can batch-process an image collection, assign one of researcher-supplied labels, organise files into labelled folders and write classification results to CSV. It supports a command-line route and a Jupyter interface; Bellingcat also provides a Colab option. Because the classifier is zero-shot, researchers can define useful categories without first training a bespoke image model.
Why it matters
Visual investigations can contain thousands of screenshots, Telegram images, satellite crops or document photographs before anyone knows which files deserve attention. A local classifier can prioritise categories such as vehicle, building damage, map, document or unrelated image and leave the original files intact. The useful output is a review queue and a CSV of model decisions, not a factual finding. This can reduce exposure to irrelevant graphic material and make a large collection auditable if the original file identifier is preserved.
How to use it
Work on copies and hash the source collection first. Define mutually understandable labels and include an 'other' or review class so the model is not forced into a false substantive category. Record the model name and version, tool commit, labels, operation mode, batch size, run time and CSV output. Manually review all high-stakes categories and a random sample of every other category, calculate error rates, and preserve the original file path or identifier alongside every classification. For sensitive images, prefer local execution.
Limits
Zero-shot models can confidently force an image into the wrong supplied label, especially when categories overlap, specialist objects are unfamiliar or text in the image dominates the model. Small changes in label wording can change results. Colab or other hosted processing can expose sensitive imagery. Do not use automated labels to identify a person, weapon, unit or crime without independent review, and never move or delete original evidence based only on classification.
Smart Image Sorter може локально скоротити чергу зображень, але кожна мітка однаково потребує людської перевірки
Джерело: Bellingcat Smart Image Sorter · Офіційне сховище коду, перевірено 8 серпня 2026
Що сталося
Smart Image Sorter — проєкт Bellingcat на Python для класифікації зображень без попереднього навчання моделі на власному наборі прикладів, із використанням відкритих моделей екосистеми Hugging Face. Він може пакетно опрацювати колекцію, призначити одну з категорій, заданих дослідником, розкласти файли по відповідних теках і записати результати класифікації в CSV. Доступні запуск із командного рядка та інтерфейс Jupyter; Bellingcat також надає варіант у Colab. Дослідник може визначити потрібні категорії без окремого навчання власної моделі.
Чому це важливо
Візуальне розслідування може містити тисячі знімків екрана, зображень із Telegram, фрагментів супутникових сцен або фотографій документів ще до того, як стане зрозуміло, що варте уваги. Локальний класифікатор може пріоритезувати категорії на кшталт «транспорт», «пошкодження будівлі», «карта», «документ» або «не стосується справи», не змінюючи первинні файли. Корисним результатом є черга для перевірки й таблиця рішень моделі, а не фактичний висновок. За збереження сталого ідентифікатора файла це також зменшує зайвий контакт із графічними матеріалами та робить великий масив придатним до аудиту.
Як це застосувати
Працюйте з копіями, а первинний масив спочатку зафіксуйте контрольними сумами. Визначайте зрозумілі й взаємно відмінні категорії та додавайте категорію «інше» або «потребує перевірки», щоб модель не була змушена призначати хибний змістовний клас. Фіксуйте назву й версію моделі, стан сховища коду, перелік категорій, режим роботи, розмір пакета, час запуску та отриманий CSV. Вручну перевіряйте всі категорії з високими наслідками й випадкову вибірку з решти, рахуйте помилки та зберігайте первинний шлях або ідентифікатор файла поруч із кожною класифікацією. Для чутливих зображень віддавайте перевагу локальному запуску.
Обмеження
Модель без попереднього навчання на ваших категоріях може впевнено призначити неправильну мітку, особливо коли категорії перетинаються, спеціалізовані об’єкти їй незнайомі або текст на зображенні переважає. Навіть невелика зміна формулювання категорії здатна змінити результат. Colab та інші зовнішні служби можуть викрити чутливі зображення. Не використовуйте автоматичні мітки для встановлення людини, зброї, підрозділу чи злочину без незалежної перевірки й не переміщуйте або видаляйте первинний доказ лише за результатом класифікації.
image-classificationvisual-triagebellingcatzero-shotlocal-processinghuman-review
