Künstliche Intelligenz in der Überwachung: vom Signal zur Entscheidung

Eine betriebliche Kette, keine magische Funktion

Ein nützliches System beginnt mit einem konkreten Risiko: nächtliches Eindringen, unberechtigter Zutritt, beginnender Brand, Sturz oder zurückgelassener Gegenstand. Anschliessend wählt das Team Sensoren, Regeln, Konfidenzwerte und Verfahren. KI kann ein Ereignis vorqualifizieren; eine Bedienperson verifiziert den Alarm, prüft den Kontext und entscheidet, ob sie einen Eigentümer kontaktiert, eine Sicherheitsfachperson entsendet oder nichts unternimmt. Eine Kette zu automatisieren, bevor Zuständigkeiten feststehen, beschleunigt lediglich die Verwirrung.

• Dokumentierte Tatsache: Heutige Systeme können Objekte, Bewegungsbahnen und Auffälligkeiten in einem definierten Bereich erfassen.
• Realistische Fähigkeit: mehrere Hinweise zu einem Alarm mit Kontext zusammenführen.
• Grenze: Hohe Wahrscheinlichkeit beweist weder Identität noch Absicht oder eine Straftat.
• Illustratives Szenario: Nach der Erkennung einer Person ausserhalb der Öffnungszeiten wird vor jeder Reaktion das Video geprüft.

Von Rohpixeln zu einem überprüfbaren Alarm

Eine Kamera kann pro Sekunde Dutzende Bilder erzeugen. Eine Bedienperson benötigt jedoch ein strukturiertes Ereignis: Bereich, Zeit, vorgeschlagene Klasse, Bewegungsbahn, Konfidenz sowie Video unmittelbar davor und danach. Zeitliche Verfolgung verhindert, dass eine Person in zwanzig Sekunden zwanzig Alarme auslöst. Betriebliche Regeln ergänzen Kontext: Eine Lieferung um 14:00 ist normal; dieselbe Bewegung hinter einem geschlossenen Tor um 02:10 verdient eine Prüfung.

Auf komplexen Arealen ist die Verknüpfung entscheidend. Eine einzelne Videoerkennung könnte eine Reflexion sein. Zusammen mit einem Torkontakt und einem Radarereignis im selben Zeitfenster wird sie glaubhafter. Umgekehrt kann eine gültige Zutrittsberechtigung ihre Priorität senken. Eine tragfähige Architektur bewahrt widersprüchliche Hinweise, statt künstliche Gewissheit zu erzwingen. Die anwendbaren Vorgaben finden Sie in Verordnung (EU) 2024/1689 über künstliche Intelligenz (Europäische Union).

• Erkennen: Anwesenheit, Übertritt, scheinbaren Rauch oder ungewöhnliche Veränderung finden.
• Klassifizieren: Person, Fahrzeug, Tier, Paket oder eine andere definierte Klasse vorschlagen.
• Verknüpfen: Video, Wärmebild, Zutrittskontrolle, Radar, Akustik und Roboter- oder Drohnenposition verbinden.
• Priorisieren: Schweregrad, Konfidenz, Zeit, Zone und Teamverfügbarkeit berücksichtigen.

Identifizierung ist eine eigene Entscheidung

Eine Kategorie zu erkennen bedeutet nicht, einen Menschen zu identifizieren. Gesichtserkennung und Kontrollschilderkennung werfen andere technische und rechtliche Fragen auf. NIST misst weiterhin demografische Unterschiede zwischen Gesichtserkennungsalgorithmen und weist darauf hin, dass Bildqualität, Beleuchtung und Winkel falsch negative Ergebnisse beeinflussen. Für viele private Sicherheitsbedürfnisse genügen Einbruchserkennung und Szenenprüfung; die Erfassung der Identität wäre unverhältnismässig. Die zugrunde liegende Forschung finden Sie in Face Recognition Technology Evaluation: demografische Effekte (NIST).

Computer Vision: Objekte, Zonen und Bewegungsbahnen

Computer Vision kann Menschen und Fahrzeuge erkennen, Bewegungen verfolgen, Übertritte zählen oder Grenzverletzungen feststellen. Die Leistung hängt von Sichtfeld, Pixelzahl auf dem Ziel, Verdeckung, Wetter und Beleuchtung ab. Ein gutes Modell kann enttäuschen, wenn die Kamera zu hoch hängt, Vegetation ständig bewegt ist oder reflektierende Kleidung das Bild irritiert. Die Standortplanung bleibt entscheidend.

Anomalieanalyse lernt oder definiert, was üblich ist, und meldet Abweichungen. Sie kann Bewegung zu ungewöhnlicher Zeit oder ein Fahrzeug gegen die normale Fahrtrichtung aufzeigen. Selten bedeutet jedoch nicht gefährlich. Ein unangemeldeter Wartungstechniker ist eine berechtigte Abweichung. Solche Systeme helfen vor allem bei Entdeckung und Priorisierung, gestützt auf sorgfältige menschliche Prüfung.

Wärmebildtechnik und Fusion mehrerer Sensoren

Wärmebildtechnik hilft, eine warme Signatur in Dunkelheit, leichtem Dunst oder einer kontrastarmen Szene zu finden. Hersteller wie Axis positionieren sie für Perimetererkennung und weisen darauf hin, dass Wärmebilder nicht dieselben Identifizierungsdetails wie sichtbare Kameras liefern. Warme Oberflächen, thermische Reflexionen, Tiere und saisonale Veränderungen verlangen weiterhin lokale Kalibrierung. Eine Bedienperson kann zur Alarmbeurteilung eine auf dieselbe Zone gerichtete optische Kamera aufrufen. Die anwendbaren Vorgaben finden Sie in ISO/IEC 42001:2023, Managementsysteme für KI (ISO).

Fusion kann früh durch Zusammenführung von Rohdaten oder spät durch Verknüpfung der von einzelnen Sensoren erzeugten Ereignisse erfolgen. Späte Fusion ist im Sicherheitsbetrieb häufig verständlicher und robuster: Fällt ein Sensor aus, arbeiten die anderen weiter, und die Belege hinter einem Alarm bleiben sichtbar. Ein gutes System zeigt diese Herkunft statt nur eines undurchsichtigen Gesamtwerts.

• Sichtbares Bild: Kontextdetails zur Verifikation, abhängig von den Bildbedingungen.
• Wärmebild: Erkennung bei Tag und Nacht sowie geringem sichtbarem Kontrast, mit begrenzten Identitätsdetails.
• Radar oder LiDAR: Entfernung, Richtung und Bewegung, ohne die Szene selbstständig zu erklären.
• Zutrittssensoren: genaue Ereignisse, wobei Berechtigungen dennoch verliehen oder gestohlen sein können.

Die Abwägung für jedes Szenario treffen

Bei einem Perimeteralarm zählen Sekunden, und eine instabile Verbindung kann kritisch sein. Lokale Erkennung, verschlüsselter Zwischenspeicher und ein Betrieb bei eingeschränkter Funktion sind deshalb vorzuziehen. Für Trendanalysen über mehrere Lager kann eine zentrale Plattform passen. Neben Lizenzkosten zählen Stromversorgung, Modellpflege und Bandbreite.

Testen Sie den Betrieb bei Störungen. Was geschieht, wenn Internetverbindung, GPS, Analyseserver oder Netzwerkuhr ausfallen? Sensoren sollten ihre eigene Nichtverfügbarkeit melden, kritische Ereignisse aufgezeichnet bleiben und dem Team ein alternatives Verfahren zur Verfügung stehen. Eine KI, die ausdrücklich keine Schlussfolgerung ziehen kann, ist sicherer als ein unbemerkter Ausfall.

Vor der Übertragung minimieren

Beschränkung auf den relevanten Ausschnitt, Maskierung benachbarter Flächen, Umwandlung von Video in Metadaten oder rasches Löschen irrelevanter Datenströme reduzieren die Exposition. Lokale Verarbeitung macht ein System nicht automatisch regelkonform oder sicher: Ein schlecht verwaltetes Edge-Gerät bleibt ein vernetzter Computer. Inventarisieren Sie Geräte, kontrollieren Sie Zugänge, verschlüsseln Sie Kommunikation und regeln Sie Updates.

Eine belastbare Referenz schaffen

Ground Truth bezeichnet die menschliche Kennzeichnung, an der ein Modell beurteilt wird. Sie muss definieren, was tatsächlich zählt: Ist eine Silhouette hinter einem Zaun ein Eindringen, wenn die Person auf dem Trottoir bleibt? Zwei beurteilende Personen können widersprechen; solche Differenzen zeigen häufig eine unklare Betriebsregel. Klären Sie diese vor dem Einsatz, statt Unsicherheit in einem Zahlenwert zu verstecken.

Der Prüfdatenbestand sollte Tag, Nacht, Jahreszeiten, Regen, Schnee, Gegenlicht, Schutzausrüstung sowie Menschen unterschiedlicher Grösse und Mobilität abdecken. Seltene Fälle verdienen kontrollierte Tests: simuliertes Eindringen, eine offene Tür oder eine teilweise verdeckte Kamera. Aufnahmen von Menschen müssen notwendig, verhältnismässig, gesichert und zeitlich begrenzt aufbewahrt sein.

Drift: Nach der Abnahme verändert sich die Welt

Ein neuer Zaun, eine versetzte Kamera, wachsende Vegetation, ein Softwareupdate oder veränderte Betriebsabläufe können Eingaben und Ergebnisse verändern. Nur die Serververfügbarkeit zu überwachen genügt nicht. Verfolgen Sie die Alarmverteilung, prüfen Sie erneut Stichproben negativer Fälle, vergleichen Sie die Leistung je Kamera und validieren Sie nach wesentlichen Änderungen erneut. Modellupdates sollten versioniert und rückgängig zu machen sein.

Eine globale Genauigkeitszahl verdeckt die nützlichen Fragen

Genauigkeit ohne Kontext sagt wenig. Verlangen Sie die Konfusionsmatrix, Alarmpräzision, Erkennungsquote relevanter Ereignisse sowie Ergebnisse nach Kamera, Zeit und Bedingungen. Bei seltenen Ereignissen kann selbst eine geringe Falsch-Positiv-Rate mehr falsche als richtige Alarme erzeugen. Alarme pro Schicht und die dafür benötigte Arbeitszeit beschreiben den betrieblichen Effekt deutlicher.

Verzerrungen können durch Daten, Optik, Kennzeichnung, Schwellenwerte oder Nutzungskontext entstehen. Die Gesichtserkennungsprüfungen von NIST zeigen demografische Unterschiede und den Einfluss der Bildqualität. Die Antwort ist nicht die Behauptung eines neutralen Modells, sondern gezielte Prüfung, begrenzter Einsatz sensibler Funktionen und eine Möglichkeit zum Widerspruch, wenn Ergebnisse Menschen betreffen. Die zugrunde liegende Forschung finden Sie in Adversarial Machine Learning: Angriffe und Gegenmassnahmen (NIST).

Genügend erklären, um zu handeln und zu prüfen

Im Sicherheitsbetrieb muss eine nützliche Erklärung keine mathematische Herleitung sein. Eine Bedienperson benötigt die ausgelöste Zone, vorgeschlagene Klasse, bestätigende Sensoren, den Kontextausschnitt, angewendeten Schwellenwert und die Modellversion. Eine verantwortliche Person sollte rekonstruieren können, weshalb ein Alarm eskaliert oder verworfen wurde. Eine Heatmap kann helfen, ersetzt aber weder Dokumentation noch Tests.

• Fehlertoleranzen nach Szenario und Schweregrad festlegen.
• Tests nach relevanten Bedingungen aufteilen, statt sich auf einen Durchschnitt zu verlassen.
• Verworfene Alarme regelmässig stichprobenartig auf übersehene Ereignisse prüfen.
• Modellversion, Schwellenwert, Begründung und menschliche Handlung protokollieren.

Ein kurzer Ablauf für jeden Alarm

Jedes Szenario sollte festlegen, wer den Alarm erhält, welche Belege geprüft werden, welche Reaktionszeit gilt, wer kontaktiert werden kann und wann eine Eskalation gerechtfertigt ist. Die Oberfläche sollte die relevanten Sekunden vor und nach dem Ereignis, einen Lageplan und Zustände naher Sensoren zeigen. Bei Unsicherheit muss die Bedienperson das Ergebnis als unbestimmt markieren können, statt es zwingend als harmlos oder böswillig einzuordnen.

Sensible Entscheidungen sollten nicht durch eine einzelne Wahrscheinlichkeit ausgelöst werden. Ein Roboter kann zu einem freigegebenen Beobachtungspunkt fahren, Licht kann eingeschaltet oder eine Durchsage aus der Ferne gemacht werden. Eine Sicherheitsfachperson zu entsenden oder Behörden zu verständigen verlangt aber eine Prüfung des Kontexts. Dringliche Sicherheitsverfahren dürfen nur stärker automatisiert werden, wenn sie risikobeurteilt, getestet und mit sicherer Rückfallebene gestaltet sind.

Menschen darin schulen, KI zu hinterfragen

Automatisierungsverzerrung verleitet dazu, Systemvorschläge zu übernehmen. Alarmmüdigkeit verleitet dazu, wiederholte Meldungen abzutun. Schulungen müssen beides behandeln. Bedienpersonen sollten Konfidenzwerte, Sensorgrenzen und Szenen ausserhalb der Trainingsverteilung erkennen und darin bestärkt werden, begründeten Widerspruch zu dokumentieren. Diese Abweichungen sind wertvolle Daten für Kalibrierung und Verantwortungssteuerung.

Mehrstufige Sicherheit bleibt die stärkste Verteidigung

Segmentieren Sie das Sicherheitsnetz, deaktivieren Sie unnötige Dienste und schützen Sie die Administration durch starke Authentifizierung. Verschlüsseln Sie Kommunikation und Sicherungskopien und begrenzen Sie Rechte nach Rollen. Führen Sie ein Inventar von Geräten, Firmware, Modellen und Abhängigkeiten mit Verantwortlichen, Versionen und Supportenddaten. Testen Sie signierte Updates vor der Einführung und erhalten Sie die Möglichkeit zur Rücksetzung.

Protokolle sollten eine deaktivierte Kamera, einen veränderten Schwellenwert, einen Massenexport oder eine ungewöhnliche Verbindung sichtbar machen. Wichtige Videosequenzen brauchen überprüfbare Integrität. Klassische Penetrationstests bleiben nötig, ergänzt durch Robustheitstests: teilweise Kameraverdeckung, irreführende Muster, Daten ausserhalb der Trainingsverteilung und Alarmüberflutung. Keine Abwehr ist absolut. Deshalb muss der Vorfallsplan Isolation, Weiterbetrieb, Meldung und Wiederherstellung abdecken.

• Eindeutige Identitäten, minimale Rechte und regelmässige Zugriffsprüfungen.
• Netzsegmentierung, Verschlüsselung und Geräteüberwachung.
• Herkunft von Modellen und Daten, Signaturen und kontrollierte Updates.
• Getestete Sicherungskopien, Betrieb bei Störungen und Verfahren für Cybervorfälle.

Der Fall Coop: Funktionale Grenzen können Menschen schützen

Im Oktober 2025 schloss der EDÖB seine Vorabklärung zu intelligenten Kameras an bestimmten Self-Checkout-Kassen von Coop ab. Nach Prüfung der Funktionsweise stellte er fest, dass weder Gesichtserkennung noch Analyse des Einkaufsverhaltens erfolgte. Er kam zum Schluss, dass die Bearbeitung dem DSG entsprach und kein erhöhtes Risiko für betroffene Personen schuf. Dieser dokumentierte Fall genehmigt nicht jede KI-Kamera. Er zeigt den Nutzen eines begrenzten Zwecks, klarer Information und ausdrücklich ausgeschlossener Funktionen. Die anwendbaren Vorgaben finden Sie in Vorabklärung bei Coop: intelligente Kameras an Self-Checkout-Kassen (EDÖB) und Videoüberwachung am Arbeitsplatz (EDÖB).

Bei privaten Projekten sollte die Erfassung auf das Grundstück beschränkt bleiben, öffentlicher Raum grundsätzlich ausgespart, Personen informiert, notwendige Aufbewahrung festgelegt und Daten geschützt werden. Am Arbeitsplatz dürfen Sicherheitsaufnahmen nicht zur dauernden Verhaltenskontrolle werden. Folgenabschätzungen, Privatzonenmasken und unabhängige Prüfung sind Gestaltungsinstrumente, keine nach der Installation zu erledigende Formalität.

Auf die EU vorbereiten, ohne Rechtsordnungen zu vermischen

Der EU AI Act tritt am 2. August 2026 in seine allgemeine Anwendungsphase ein; für einige Pflichten und Hochrisikosysteme gelten gesonderte Termine. Er beschränkt mehrere biometrische Anwendungen streng. Ein Schweizer Unternehmen, das ein System in der EU anbietet oder betreibt, muss seine Rolle und den Anwendungsfall bestimmen. Auch wenn die Verordnung nicht unmittelbar gilt, unterstützen dokumentierte Risiken, Daten, Leistung, Aufsicht und Änderungen Vertrauen und internationale Einsatzfähigkeit. Die anwendbaren Vorgaben finden Sie in Zeitplan zur Anwendung des AI Act (Europäische Kommission).

Freiwillige Rahmenwerke ergänzen rechtliche Pflichten. Das NIST AI RMF gliedert die Steuerung in Govern, Map, Measure und Manage. ISO/IEC 42001 definiert ein Managementsystem für die kontinuierliche Verbesserung von KI. Keines ersetzt das Recht oder eine kontextspezifische Rechtsprüfung. Beide schaffen aber gemeinsame Begriffe für Sicherheit, IT, Geschäftsleitung, Lieferanten und Datenschutzfachpersonen. Die anwendbaren Vorgaben finden Sie in Artificial Intelligence Risk Management Framework 1.0 (NIST).

Wirkung über die gesamte Kette messen

Lesen Sie technische und menschliche Kennzahlen gemeinsam: Erkennungsquote, Alarmpräzision, Anteil unbestimmter Ergebnisse, Verfügbarkeit, Anzeigeverzögerung, Prüfzeit und Zeit bis zur Handlung. Ergänzen Sie Alarme je Bedienerstunde, unbemerkte Ausfälle und Unterschiede nach Bedingungen. Eine attraktive Quote kann einen zu späten Alarm nicht ausgleichen.

Messung muss zu einer Entscheidung führen: beibehalten, neu kalibrieren, erweitern, begrenzen oder stoppen. Verlangen Sie vor der Ausweitung Datenrechte und Export von Protokollen, Aufbewahrungsregeln, Leistung je Szenario, Schweizer Support, Rückgängigmachbarkeit und Verantwortung für Fehler. Lehnen Sie Garantien ohne Fehlalarme und Modelle ab, die sich ohne Versionshistorie verändern.

• 1. Risiken, Zonen, betroffene Personen und mögliche Reaktionen erfassen.
• 2. Referenzkennzeichnung, Schwellenwerte, Grenzfälle und Abbruchkriterien definieren.
• 3. Unter realen Bedingungen testen, einschliesslich Ausfällen, Wetter und widersprüchlichen Szenarien.
• 4. Bedienpersonen schulen, Entscheidungen dokumentieren und Ausnahmefälle prüfen.
• 5. Erst erweitern, wenn betrieblicher Nutzen und Risikobeherrschung nachgewiesen sind.

Was My Robot Guard beiträgt

My Robot Guard kann Sensoren, Kameras, Roboter, Drohnen, Analysen und menschliche Aufsicht anhand Ihrer tatsächlichen Szenarien zusammenführen. Ziel ist nicht, überall KI einzusetzen, sondern eine nachvollziehbare Kette zu schaffen: Welches Signal wird erfasst, wie wird es eingeordnet, wer prüft es und welche Handlung wird dadurch möglich? Je nach Standort ist eine einfache Regel, die Verknüpfung mehrerer Sensoren oder eine gezielte mobile Patrouille die beste Antwort.

Eine sorgfältige Beurteilung beginnt mit Räumen, Bewegungsströmen, befürchteten Ereignissen und Datenschutzanforderungen. Daraus entstehen eine Architektur, Tests und Kennzahlen, die Sicherheits-, IT- und Führungsteams kritisch prüfen können. So wird KI vom abstrakten Versprechen zu einem messbaren Werkzeug zur Entscheidungsunterstützung.