Das Potenzial von Metadaten in der Videotechnik

Die Demokratisierung von Künstlicher Intelligenz und die Verfügbarkeit von Metadaten aus der Bildanalyse mischen die Karten in Sachen Videoüberwachung neu – und sie erfordern ein Mitdenken in Sachen Datenschutz. Dabei sind Überwachungskameras längst Teil des Alltags von vielen Menschen – meist ohne, dass sie es überhaupt bemerken. Weltweit sind 770 Millionen Überwachungskameras im Einsatz. Und: bis Ende 2021 werden voraussichtlich weltweit über 1 Milliarde Überwachungskameras in Betrieb sein.

Trotz der hohen Verbreitung befindet sich der Sicherheitsmarkt derzeit in einer entscheidenden Phase des technologischen Wandels. Denn Künstliche Intelligenz hält immer mehr Einzug – die Verfügbarkeit von Metadaten aus Videoüberwachung nimmt ebenfalls stetig zu. Diese Entwicklungen sind sowohl aus technologischer als auch aus ethischer Perspektive bedeutend – und bei beiden Punkten setzt Europa Maßstäbe.

Von der militärischen Nutzung über die Verbreitung im privaten Gebrauch bis hin zur vernetzten Videoüberwachung, die wir heute kennen: Der Markt für Videoüberwachung hat bis heute schon mehrere kleine Revolutionen durchlebt. Anfangs ging es nur darum, eine Kamera aufzustellen, um einen definierten Bereich aufzuzeichnen. Eine der ersten großen Änderungen war die Einführung der IP-Kamera – oder Netzwerkkamera, die, über ein Ethernet-Netzwerk verbunden, von einem einfachen Sensor zu einem vollwertigen Computer-Tool wurde. Zu dieser Zeit, in den 2000er Jahren, als der Markt für Videosicherheit boomte, wurden die ersten Algorithmen der künstlichen Intelligenz entwickelt und in den Systemen eingesetzt. Sie ermöglichten es, Videoflüsse zu analysieren und begründeten somit die Bildanalyseindustrie in den Überwachungskameras. Dank der Fähigkeit, die Menge sich bewegender Pixel im Bild zu analysieren, können diese Systeme beispielsweise eine anormale Bewegung im Video erkennen – etwa, dass eine Person anwesend ist, und die Informationen melden.

Der einzige Nachteil ist, dass die Umgebung, in der sich das System befindet, die Genauigkeit dieser Analyse bestimmt. Zum Beispiel können starker Regen oder Wind die Erkennung erschweren, indem sie Fehlalarme auslösen oder sogar einen Einbruch nicht erkennen. Ein weiteres Hindernis für diese Technologien sind die Kosten der Infrastruktur: Um Videos zu analysieren und ein relevantes Ergebnis zu liefern, bedarf es Computerserver mit einer großen Rechenkapazität. Und das sind nicht die einzigen Herausforderungen, die im Laufe der Zeit deutlich wurden. Überwachungskameras werden oft kritisiert, weil sie ein weiteres operatives Problem aufwerfen: Denn sämtliche aufgezeichnete Videos müssen auch verarbeitet werden. Dies erfordert beträchtlich personelle Ressourcen, insbesondere in städtischen Sicherheitszentren. Dies kalkuliert jedoch nicht die jüngste Entwicklung von Videoüberwachungssystemen ein, die, verstärkt durch Fortschritte in der künstlichen Intelligenz, jetzt immer effizienter und autonomer werden.

Je präziser die Algorithmen, desto proaktiver die mit Bildanalyse ausgestatteten Kameras. Dies ist insbesondere dann nützlich, wenn es darum geht, Informationen an den Benutzer eines Videoüberwachungssystems zurückzuspielen. Die neue Generation von Künstlicher Intelligenz ermöglicht es heute, präzisere Voranalysen von Situationen vorzunehmen. Im Falle einer Stadt werden die neuen Algorithmen beispielsweise in der Lage sein, die Aufmerksamkeit der Betreiber auf Menschenmengen oder anormale Bewegungen von Menschenmengen zu lenken.

Wie ist das möglich? Ganz einfach durch eine neue Methode zur Gestaltung dieser Bildanalysealgorithmen: Deep Learning. Damit können große Datenmengen zum Trainieren von Künstlicher Intelligenz verwendet werden. Wenn wir mit all diesen Daten Systeme der Künstlichen Intelligenz trainieren, können sie verschiedene Formen erkennen: einen Mann, eine Frau, eine Katze. Sie können aber auch Farben erkennen, dann etwa einen Mann mit rotem T-Shirt und Schnurrbart, ein Kind auf einem Roller, ein bestimmtes Gesicht. All dies wird durch Deep-Learning-Algorithmen ermöglicht, die in der Lage sind, eine exponentielle Datenmenge zu verarbeiten. Hinzu kommen Fortschritte bei der Rechenleistung und die Miniaturisierung von Computerprozessoren, die nun direkt in Überwachungskameras integriert sind. Auf diese Weise werden die Kosten für den Einsatz dieser Technologien für Endnutzer erschwinglicher.

Heutige Videoüberwachungssysteme sind daher zu Experten für die Erkennung von Mustern geworden. Auf der Grundlage des Erkannten erstellen sie eine Metadatenbank, die sich selbst versorgt und eine immer feinere Analyse der Bilder ermöglicht. Dies ist die Grundlage für biometrische und gesichtserkennende Systeme. Beängstigend, wenn es um den Schutz personenbezogener Daten geht? Nicht wirklich, denn der Rechtsrahmen in Europa schützt streng die individuellen Freiheiten (DSGVO). Aus Sicherheitssicht besteht das Ziel von Metadaten nicht darin, Bürger zu identifizieren (was in Europa ohnehin nicht erlaubt ist), sondern darin, die Nutzung des Videoschutzes zu optimieren und proaktiv und vorausschauend zu gestalten. Vernetzte In-Car-Kameras zur Vermeidung von Unfällen, intelligente Städte, die Flüsse optimieren und Vorfälle begrenzen oder Kameras, die die Mikroausdrücke einer Person mit einem Schlaganfall erkennen.

Die Möglichkeiten sind unbegrenzt und einige bereits Realität. Die heutigen Sicherheitssysteme sind von Grund auf so konzipiert, dass sie über eine Schutzlogik hinausgehen. Bis 2024 werden schätzungsweise 30 % der auf dem Markt verkauften Kameras in der Lage sein, Deep Learning einzubetten. Die auf Künstlicher Intelligenz basierende Bildanalyse boomt. Es ist jetzt nur noch eine Frage der Zeit: die Zeit, die benötigt wird, um Infrastrukturen bereitzustellen und KI-Anwendungen zu entwickeln, um die Gesellschaft zum Besseren zu wandeln.