Die Globalisierung ist längst bei den Sicherheitsbehörden angekommen. In vielen Phänomenbereichen nehmen der Vernetzungsgrad der beteiligten Akteure und damit die Komplexität der Ermittlungen zu. Damit steigt die Menge an Daten, die während der Ermittlungen ausgewertet werden müssen.

Verfahrensübergreifende Recherchesysteme geben einen Überblick über Informationen, die in unterschiedlichen Datenquellen liegen. Daneben gibt es eine wachsende Zahl analytischer Anwendungen, die spezielle Fragestellungen in Phänomenbereichen wie organisierter Kriminalität, KiPo oder Extremismus behandeln. Ihnen ist gemein, dass sie mit Hilfe von Analytik und künstlicher Intelligenz relevante Informationen aus riesigen Datenbeständen extrahieren, in einen Gesamtzusammenhang stellen und dem Ermittlungsprozess zuführen.

Anforderungen an analytische Anwendungen

Der Einsatz von Analytik und künstlicher Intelligenz bei Sicherheitsbehörden wird von der Öffentlichkeit aufmerksam beobachtet. Groß ist die Angst vor Überwachung durch staatliche Behörden. Umso wichtiger ist es, die eingesetzte Analytik transparent und nachvollziehbar zu gestalten. Damit steigen die Anforderungen an die Erstellung und den Einsatz analytischer Anwendungen. Es reicht nicht, mit Open Source schnell mal einen Algorithmus zu programmieren.

Mit zunehmender Anzahl analytischer Anwendungsfälle, steigen auch die Herausforderungen. Analytische Anwendungen im Bereich der Sicherheitsbehörden werden oft unabhängig voneinander entwickelt und betrieben. Das führt zu besonderen Herausforderungen für die IT. Es müssen eine Vielzahl analytischer Modelle erstellt, in den Wirkbetrieb überführt und anschließend betrieben werden. Ohne Standards und eine integrative analytische Plattform entsteht so schnell Wildwuchs und damit einhergehend hohe Betriebsaufwände. Synergien bei der Entwicklung neuer analytischer Anwendungsfälle sind so ebenfalls kaum zu erzielen.

Was sollte eine analytische Plattform leisten?

Um die Entwicklung und den Betrieb analytischer Anwendungen zu beschleunigen und gleichzeitig die an sie gestellten Anforderungen zu erfüllen, sollte eine analytische Plattform Folgendes leisten:

Standards setzen

Bewährte Prozesse, wie der analytische Lebenszyklus, erhöhen die Geschwindigkeit der Modellentwicklung und gleichzeitig die Qualität der Modelle. Eine Modellbibliothek enthält Modelle und Funktionen, die zeitraubende Routineaufgaben übernehmen. Selbst entwickelte Modelle und Funktionen werden über die Bibliothek anderen Entwicklern zugänglich gemacht und erhöhen den Grad der Wiederverwendung anstelle von Neuentwicklungen.

Grafische Modellentwicklung

Eine weitere Beschleunigung erhält der Modellentwicklungsprozess durch grafische Oberflächen und intelligente Vorschläge, sogenannte Recommendation Engines. Trotzdem sollte Code erzeugt und verändert werden können, um die volle Kontrolle und Transparenz über die Modelle sicherzustellen.

Dokumentation und Nachvollziehbarkeit

Die Dokumentation des Modellentwicklungsprozesses sollte weitestgehend automatisch erfolgen und den kompletten analytischen Lebenszyklus transparent und nachvollziehbar abbilden.

Modell Management

Nach Entwicklung, Test und Validierung eines Modells wird es in einem Modell-Repository registriert. Das registrierte Modell wird dann mit einem Klick produktiv gesetzt. Auch dieser Vorgang wird automatisch dokumentiert. So ist immer nachvollziehbar, wann welches Modell im Einsatz war. Die im Wirkbetrieb laufenden Modelle werden automatisch überwacht. Falls sich im Laufe der Zeit die Modellgüte verschlechtern sollte, wird dies registriert und es kann ein Re-Training angestoßen werden.

Was passiert mit bestehenden analytischen Anwendungen?

Neben den oben genannten Aspekten muss eine verfahrensübergreifende Analyseplattform auch integrativ sein. Das bedeutet, sie muss zum einen Standards setzen aber gleichzeitig auch offen sein. Offen für bereits vorhandene analytische Anwendungen und für deren verwendete Programmiersprachen wie beispielsweise R oder Python. Die integrative verfahrensübergreifende Analyseplattform kann bestehende analytische Anwendungen ohne großen Anpassungsaufwand aufnehmen. Danach profitieren auch diese Anwendungen von den oben beschriebenen Vorteilen.

Integration von Analytik und KI in den Alltag von Sicherheitsbehörden

Nachdem wir die Entwicklung und den Betrieb analytischer Anwendungsfälle betrachtet haben, geht es nun darum, Analytik und künstliche Intelligenz zugänglich zu machen, in den Alltag von Sicherheitsbehörden zu integrieren. Der Schlüssel dazu sind rollengerechte Oberflächen. Sie unterstützen die Zusammenarbeit der am Entwicklungsprozess beteiligten Personen. Das gilt für die Entwickler untereinander aber im Besonderen für die Abstimmung zwischen Entwicklern/Data Scientisten und Experten/Analysten. Dabei arbeiten alle Benutzertypen auf dem gleichen System mit dem gleichen Datenbestand. So wird die Verständnislücke zwischen den Gruppen erfolgreich überbrückt. Schnellere Entwicklung und höhere Benutzerakzeptanz sind die positiven Folgen.

Ein weiterer Vorteil rollengerechter Oberflächen ist, dass Analytik einer größeren Gruppe von Anwendern nähergebracht werden kann. Das ist gerade in Zeiten von Fachkräftemangel ein wichtiger Punkt. Letztendlich müssen die mit Hilfe von Analytik und künstlicher Intelligenz gewonnen Informationen dem Ermittler und Analysten in einer ihm vertrauten Form zur Verfügung gestellt werden. Dabei ist es unerheblich, ob es sich um Personen, Orte, Ereignisse und Sachen handelt. Alles muss an einer Stelle im Zusammenhang dargestellt werden, damit der Ermittler/Analyst seine Schlüsse ziehen kann.

Letztendlich helfen rollengerechte Oberflächen eine analytische Kultur in der Organisation zu etablieren.

Fazit

Integrative verfahrensübergreifende Analyseplattformen professionalisieren und beschleunigen die Erstellung und den Betrieb analytischer Anwendungen bei den Sicherheitsbehörden. Sie machen Analytik und künstliche Intelligenz zugänglich und integrieren sie in den Alltag von Sicherheitsbehörden.

Mehr Informationen finden Sie unter www.sas.de/polizei.