Zum Inhalt springen
zensation

Forschungsüberblick

Drei Tracks, Architektur und Agenda

Publikationen

Preprints, Software, Identifikatoren

Methodik

Operative Standards und Validierung

Forschungsethik

Grundrechtsbezug und Compliance

Ressourcen

Code, Daten, Zitation, Open Science

KI einführen

Neutraler Fahrplan & interaktive Simulation

Behörden & Förderung

Kooperationen im öffentlichen Sektor

Schutz öffentlicher Räume

Track B — grundrechtswahrende Frühwarnung

Technologie

Die Architektur hinter allen Anwendungen

Playground

Den offenen Memory-Kern live ausführen

ZusammenarbeitÜberOpen SourceBlog
Kontakt
zensation
ForschungsüberblickPublikationenMethodikForschungsethikRessourcen
KI einführenBehörden & FörderungSchutz öffentlicher RäumeTechnologiePlayground
ZusammenarbeitÜberOpen SourceBlogKontakt
Blog
Analyse

Grundrechte zuerst: Forschung zur Sicherheit im öffentlichen Raum

Alexander Bering
Alexander Bering
25. März 2025 · 3 min Lesezeit

Eine andere Frage, dieselbe Disziplin

Neben der Arbeit am Gedächtnis hatte sich eine zweite Frage geformt: Kann ein System helfen, eine sich entwickelnde Gefahrensituation in einem belebten öffentlichen Raum früh genug zu erkennen, um zu zählen — ohne zu einem Instrument der Überwachung zu werden?

Die beiden Hälften dieses Satzes werden gewöhnlich als Zielkonflikt behandelt. Der größte Teil unserer Arbeit Anfang 2025 floss in die Weigerung, diesen Zielkonflikt zu akzeptieren — indem wir die Randbedingungen vor der Wahl jeder Methode festlegten.

Die Randbedingungen kommen zuerst

Wir gingen von dem aus, was das System nicht tun darf, und behandelten diese Liste als Architektur, nicht als Policy:

  • Keine biometrische Identifikation von Personen.
  • Kein Echtzeit-Tracking von Menschen und keine dauerhaften Tracking-Pipelines.
  • Kein Predictive Policing in dem Sinne, den die EU-KI-Verordnung untersagt.
  • Keine Klassifikation politischer Versammlungen als Anomalien — ein Schutz, den wir für nicht verhandelbar halten.
  • Keine deterministischen Personen-Labels — nur kalibrierte, probabilistische Hinweise auf die Dynamik eines Kollektivs.

Das sind keine am Ende für die Compliance ergänzten Features. Wer sie am Anfang akzeptiert, schließt ganze Methodenklassen aus — und das ist der Punkt. Ein Design, das ein Gesicht erkennen könnte, aber so konfiguriert ist, dass es das nicht tut, ist eine andere — und schwächere — Garantie als ein Design, das auf Bewegung und Crowd-Dynamik arbeitet und ein Gesicht niemals repräsentiert.

Arbeit mit kollektiver Dynamik statt mit Identitäten

Was bleibt, sobald Identitäten vom Tisch sind, ist das Verhalten der Menge als Ganzes: Bewegung, Dichte, die Art, wie ein Kollektiv auf etwas reagiert, bevor Einzelne es bewusst tun. Die Forschungsfrage lautet, ob sich strukturell auffällige Muster in diesem kollektiven Signal erkennen und kalibrieren lassen, ohne je bis zu einer Person aufzulösen.

Eine ordnende Idee aus dieser Zeit ist ein Modell, das Rollen über ihre statistische Signatur in der kollektiven Bewegung unterscheidet, nicht über Identität — etwa die Trennung einer Störungsquelle von den Menschen, die zu Hilfe eilen. Der Schutz von Helfenden — sicherzustellen, dass ein System Hilfe niemals mit Bedrohung verwechselt — wurde zu einem expliziten Ziel des Designs, nicht zu einem Nebeneffekt.

Warum das öffentlich sagen, und so früh

Wir beschreiben eine Forschungsrichtung, kein eingesetztes Produkt, und wir meinen, die Randbedingungen verdienen es, festgehalten zu werden, bevor ein Ergebnis existiert. Eine Sicherheitsmethode, deren grundrechtliche Eigenschaften nachträglich angeschraubt werden, verliert sie unter Druck. Zuerst genannt, öffentlich, werden sie zu etwas, woran ein künftiger Partner — eine Hochschule, eine Behörde, eine Ethik-Prüfung — uns messen kann.

Der rechtliche Rahmen, in dem wir arbeiten (DSGVO Art. 89 für Forschung, die EU-KI-Verordnung für Hochrisiko-Klassifikation), ist kein Hindernis, um das herum zu navigieren wäre. Für diese Art Forschung kommt er einer Spezifikation näher. Die Arbeit, die folgte, war ein Versuch, ihn genau einzuhalten.

Wie diese Disziplin zur Methode des gesamten Programms wurde: Forschung als Dokumentation.

Auf X teilenAuf LinkedIn teilen

Ähnliche Artikel

Die Daten sind da. Nur kommt niemand mehr ran.

Ein Sender in St. Louis kommt seit März nicht mehr an sein eigenes Archiv — 50 Terabyte, 70 Jahre. Die Dateien sind nicht gelöscht. Sie liegen unversehrt in einem Rechenzentrum. Der Grund ist keiner, den ein Backup löst.

Das schmale Band

Warum ein funktionierendes System auf einer schmalen Kante sitzt — und warum sich bei KI kleine Fehler nicht addieren, sondern potenzieren.

Vertrauen kann man nicht hosten

„EU-gehostet

zensationUnabhängiges KI-Forschungslabor · Kiel
ForschungPublikationenMethodikForschungsethikRessourcenKI einführenBehördenSchutz öffentlicher RäumeTechnologieSystem-ExplorerPlaygroundZusammenarbeitOpen SourceÜber unsBlogChangelog
GitHubLinkedInarXivZenodoORCIDScholarSemantic ScholarHuggingFacenpmDiscussions

© 2026 Alexander Bering / ZenSation Enterprise Solutions

RSSDatenschutzImpressumBarrierefreiheit