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
Munich Innovation Labs – Profil
19. Juni 2018 7
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
Fallstudien
§ Fallstudie 1: Waffenerkennung
§ Fallstudie 2: Personenerkennung
19. Juni 2018 10Fallstudie: 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 11Fallstudie: 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 12Beispiele Waffenerkennung (1/2)
Quelle: Flickr
19. Juni 2018 13Beispiele Waffenerkennung (2/2)
Quelle: Flickr
19. Juni 2018 14Klassifikation: 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 15Fallstudien
§ Fallstudie 1: Waffenerkennung
§ Fallstudie 2: Personenerkennung
19. Juni 2018 16Fallstudie: 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 17Fallstudie: Personenerkennung Beispielvideo
19. Juni 2018 18Ausblick / 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 19Danke für Ihr Feedback
§ Wir bedanken uns für Ihr Interesse und stehen für Rückfragen jederzeit gerne zur Verfügung.
www.mi-labs.de
19. Juni 2018 20Sie können auch lesen
