Die Wünsche hinsichtlich Künstlicher Intelligenz sind auch im Bereich der Sicherheitsanwendung vielfältig.
Foto: Adobe Stock / sdecoret

Perimeterschutz

Was kann KI in der Perimetersicherung leisten?

Die Freilandüberwachung wird zum Einsatzgebiet der Künstlichen Intelligenz. Doch wie smart sind die Systeme und welche Probleme stellen sich am Perimeter?

Künstliche Intzelligenz (KI) gilt als treibende Kraft der digitalen Transformation, auch in Anwendungen der Sicherheitstechnik, wie etwa dem Perimeterschutz. KI soll in wenigen Jahren alle Bereiche der Gesellschaft durchdringen. Schon heute gibt es viele Anwendungen. Etwa Sprachassistenten wie Siri oder Alexa. Internetnutzer erhalten über Intranet-Suchmaschinen Ergebnisse, die durch Maschinelles Lernen (ML) erzeugt wurden. Versicherungen bestimmen ihre Tarife über KI und Banken entscheiden über Aktienkäufe und -verkäufe. Die Polizei nutzt die „vorhersagende Analyse“ (Predictive Analytics) um zu bewerten, in welchen Regionen Einbrüche wahrscheinlich sind.

Zuverlässige und robuste KI ist ein Gebot der Stunde

Die Wünsche hinsichtlich Künstlicher Intelligenz sind auch im Bereich der Sicherheitsanwendung vielfältig, die Lösungen aber lassen – noch – auf sich warten. Zwar liefern die Hersteller schon heute Systeme, die mit mehr oder weniger gut entwickelter KI ausgestattet sind, eine vollkommen autarke, vom Menschen unabhängige Überwachung von Freiflächen und schutzbedürftiger Gebäude ist noch nicht verfügbar. Zu komplex ist die Aufgabe. Wechselnde Licht- und Schattenbedingungen, Wetterlagen mit Regen, Schnee und Nebel sowie die Jahreszeiten stellen hohe Anforderungen.

Unterstützende Maßnahmen in der Perimetersicherung

Aktuell behelfen sich die Anbieter etwa mit Zonensystemen bei Thermalsensoren. Sie gestatten es, bestimmte Bereiche auszublenden oder mit geringerer Empfindlichkeit zu überwachen. Das ist hilfreich, aber nicht unbedingt „smart“. Intelligenter ist hier schon das von der Firma Optex angebotene System der Glasfaserkabelsensoren. Die Zentraleinheit erkennt aus den Intensitätsschwankungen des Laserlichtes in der Glasfaser Veränderungen am Kabel. Während einer Trainingsphase „lernt“ die Überwachungselektronik, ob es sich um Wind, ein Kleintier oder einen Einbruchsversuch handelt. Noch ist das System für den Käufer eine Blackbox, legt man die vom BSI jüngst formulierten Forderungen an lernfähige Überwachungssysteme an das Gerät an, müssten der innere Aufbau der Mustererkennung sowie die jeweils gelernten, ortsspezifischen Störmuster transparent gemacht werden.

Vermutlich wird das heute verwendete System allerdings irgendwann durch eine leistungsfähigere Einheit ersetzt oder ergänzt. Schon heute plant die Firma, den Ort einer Störung präziser eingrenzen zu können. Hier bietet sich in Zukunft die Kombination aus Lichtschranken, IR-Sensoren und Videokameras an, die sehr schnell Klarheit über die Ursache der Störung liefern können. Idealerweise inklusive automatischer Unterscheidung zwischen Vandalismus, ernsthaftem Angriff, sowie Störungen durch Tiere und Witterung.

Videosicherheit trifft auf Künstliche Intelligenz

Die auf Videoüberwachung spezialisierte Firma Dallmeier arbeitet bereits seit einiger Zeit mit KI, um Videosignale analysieren zu können. Eine vollautomatische Auswertung, das stellt sie in einem Positionspapier fest, ist derzeit noch nicht in Sicht. Es wäre illusorisch, bei der Suche nach einem „vergessenen“ Bombenkoffer ausschließlich auf KI zu setzen. Man müsse, so die Firma, zwischen funktionierenden Lösungen und Forschungsvorhaben unterscheiden. Erste Einsatzszenarien und Lösungen sind bei der verbesserten Objektklassifizierung im Perimeterschutz, der unterstützten Personenverfolgung im Bereich der Stadtüberwachung sowie der Casinoüberwachung kommerziell verfügbar.

Trainingsdaten für KI-Systeme sind entscheidend

Unabhängig davon stellen sich für die Anbieter und Nutzer nun eine Reihe Fragen. Um KI-Systeme sinnvoll zu betreiben, sind sehr viele Trainingsdaten nötig, wenn möglich etliche Millionen. Da kaum ein Anwender über so viele Bilder von Sabotage- oder Einbruchsereignissen verfügen dürfte, sind hier externe Dienstleister und/oder die Hersteller gefragt. Folgt man den Forderungen des BSI, müssen sie Herkunft und Tauglichkeit der Testdaten belegen können. Im Anschluss müsste auch der gelernte Inhalt validiert werden. Dies stellt eine bislang nicht vorhandene Hürde dar. Das BSI erhebt seine Forderungen aber nicht grundlos. US-Forscher konnten zeigen, wie leicht sich in den Millionen von Testdaten putativ schädlicher Inhalt verstecken lässt. Das System könnte so trainiert werden, dass es beim Anblick eines Gegenstandes oder einer Person seinen Betrieb einstellt oder jeden Alarm unterdrückt. So ließe sich quasi ab Werk eine virtuelle Tarnkappe programmieren, die mit den heute verfügbaren Methoden nicht aufzuspüren ist.

Was steckt technologisch hinter KI?

Machine Learning (ML) und Deep Learning (DL) sind Teilgebiete der Künstlichen Intelligenz (KI). DL gilt derzeit als vielversprechendste Variante des Machine Learnings, erfordert aber eine sehr große Anzahl (Millionen) von Beispielfällen (Trainingsdaten). Seit den 1960er Jahren diskutieren Forscher über die Möglichkeit, Computern mit menschenähnlicher Intelligenz zu konstruieren. Neuronale Netze (NN), sind ein Versuch, dieses Vorhaben zu realisieren. In diesen Netzen operieren künstliche Neuronen. Sie sind den menschlichen Neuronen in Gehirn nachempfunden, und speichern Informationen über mehr oder weniger starke Verknüpfungen (ML). Zum Training sind enorm große Datenmengen nötig (DL). Das Wissen wird in diesen Netzen in einer Unzahl von Parametern (numerischen Werten) kodiert. Diese repräsentieren in den NN die statistische Struktur der Daten. KI hat seine Leistungsfähigkeit bewiesen, indem es die besten Schach- und Go-Spieler schlug (1996 und 2016). Notwendig war dazu neben einer großen Datenmenge schnelle Hardware. Heute werden bevorzugt schnelle und preiswerte GPUs (Graphical Processing Units) verwendet.

Bernd Schöne