INTEGER - Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken - BMBF-Innovationsforum "Zivile Sicherheit" ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
INTEGER – Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken BMBF-Innovationsforum „Zivile Sicherheit“ Berlin 19. Juni 2018
Megatrends verändern das Arbeitsumfeld für Analysten (1/2) § Entstehung von (neuen) spezialisierten Sozialen Netzwerken § Nutzung der Sozialen Netzwerke verändert sich rasant § Hohes Datenvolumen (Text, Video und Bilder) 19. Juni 2018 2
Megatrends verändern das Arbeitsumfeld für Analysten (2/2) § Rechtlichen Rahmenbedingungen ändern sich ebenfalls (EU-DSGVO, Polizeigesetze der Länder) § Gesellschaftlicher Diskurs § Monitoring & Auswertung von Sozialen Netzwerken oft eine „Grauzone“ § Software-Produkte sind oft eine Black-Box ohne Transparenz 19. Juni 2018 3
INTEGER: Zielsetzung § Erforschung der rechtlichen und technischen Rahmenbedingungen anwenderfreundlicher Software- Plattformen, welche Analysten in deutschen Sicherheitsbehörden bei der Bearbeitung der kommunikativen Lage A C in Sozialen Medien unterstützen. § Durch die Entwicklung technischer Bewertungsdemonstratoren sollen die Anforderungen der Endnutzer B technisch, ethisch und rechtlich bewertet werden. § Ziel: Erstellung einer rechtssicheren Software-Plattformdemonstrators 19. Juni 2018 4
INTEGER* – Konsortium P1: Munich Innovation Labs Assoziierte Endnutzer (MIL) E1: LKA Berlin P2: Technische Universität Berlin (ZTG) P3: Universität Mainz (JGU) P4: Bundeskriminalamt (BKA), IZ32 *INTEGER: Visuelle Entscheidungsunterstützung von Analysten bei der Auswertung von Daten aus Sozialen Netzwerken 19. Juni 2018 5
Merkmale des INTEGER Vorgehens 1. Endnutzerorientiert - Gemeinsame Definition von 6 Nutzerszenarien 2. Visual Analytics - Auswertung von komplexen Daten durch visuelle Analysetools 3. Detaillierte Rechtliche Prüfung von Softwarefunktionen 19. Juni 2018 6
Maschinell lernende Algorithmen können die Arbeit von Analysten durch Priorisierung erleichtern Rohdaten: Kommentare/ Diskussionen Maschinell lernender Algorithmus trainiert durch den Analysten Bewertung/Sortierung nach Relevanz Nicht-relevante Inhalte Relevante Inhalte 0.00 0.20 0.40 0.60 0.80 1.00 19. Juni 2018 8
Beispiele für Visualisierungen / II: Identifikation von Schlüsselakteuren § Identifikation von Schlüsselakteuren durch Bildung von Schnittmengen C mehrerer Datensätze A § A / B / C: Datensätze § Blaue Knoten: Nutzer, die mit den B Datensätzen interagieren (Größe steht für Relevanz) 19. Juni 2018 9
Fallstudie: Waffenerkennung (1/2) § Waffen in Bildern zu erkennen ist für Algorithmen eine Herausforderung, da große Variabilität vorherrscht § Training auf Abbildung von Waffen in Filmen der Webseite „Internet Movie Firearms Database“ § Bildung zweier Klassen: Pistolen und Sturmgewehre Quelle: http://www.imfdb.org 19. Juni 2018 11
Fallstudie: Waffenerkennung (2/2) § Händisch annotierter Trainingsdatensatz: 1162 Pistolen und 387 Sturmgewehre § Trainingsdatensatz muss repräsentativ sein: Waffen in der Hand, liegend auf dem Tisch, teilverdeckt … § Training eines Suchnetz-Klassifikators mit 2 Klassen (Convolutional Neuronal Network / TensorFlow) § Testdatensatz: Weitere 40 Pistolen und 40 Sturmgewehre sowie 734 zufällige Bilder ohne Waffen als Falschpositiv- Testdatensatz Quelle: http://www.imfdb.org/ 19. Juni 2018 12
Beispiele Waffenerkennung (1/2) Quelle: Flickr 19. Juni 2018 13
Beispiele Waffenerkennung (2/2) Quelle: Flickr 19. Juni 2018 14
Klassifikation: Suchnetz / Lernendes Bestätigungsnetz Entscheidungen des Analysten Bestätigungsnetz: Pistole? Pistole? Suche Bilddaten ! Bestätigungnetz: Vorschlag für den Sturmgewehr? Analysten Sturmgewehr? Sturmgewehr! Netz 1 mit hoher Sensitivität: Netz 2 mit hoher Finden von Spezifität: Vorschlag und Daten aus Objekten im Verifikation von Bestätigung durch Sozialen Medien gesamten Bild Bildausschnitten den Analysten 19. Juni 2018 15
Fallstudien § Fallstudie 1: Waffenerkennung § Fallstudie 2: Personenerkennung 19. Juni 2018 16
Fallstudie: Automatische Gesichts- und Personenerkennung In sozialen Netzwerken fallen große Datenmengen mit Bildern von Personen an. Eine automatische Gesichtserkennung unterstützt den Analysten bei der Auswertung. 19. Juni 2018 17
Fallstudie: Personenerkennung Beispielvideo 19. Juni 2018 18
Ausblick / Danksagung § Der gleiche Ansatz wie zur Waffenerkennung ist für beliebige andere relevante Gegenstände denkbar, z.B. verfassungswidrige Symbole, Symbole terroristischer Vereinigungen etc. Teile der hier vorgestellten § Schnelles Screening von Videomaterial Arbeiten entstanden im Rahmen des Projektes § Suche nach bestimmten Personen in den „INTEGER“, gefördert durch vorhandenen Daten: „Wo ist diese Person das BMBF Deutschlands, FK 13N14377. noch abgebildet und mit wem?“ § Phase II von INTEGER (wurde beantragt) 19. Juni 2018 19
Danke für Ihr Feedback § Wir bedanken uns für Ihr Interesse und stehen für Rückfragen jederzeit gerne zur Verfügung. www.mi-labs.de 19. Juni 2018 20
Sie können auch lesen