Die "Epstein files", Rasterfahndung und künstliche Intelligenz

Tatsächlich hat die Veröffentlichung der so genannten "Epstein files" international nicht nur für Aufregung gesorgt, sondern auch für Verhaftungen, Rücktritte und ein gewaltiges Medienecho.

Zukünftig wird der künstliche Intelligenz auch im Bereich Kriminalistik eine größere Rolle zukommen. Mehr dazu im Kommentar zu diesem Beitrag. Ich startete zuerst mit der Geschichte vom ersten Computereinsatz in Bereich kriminelle Ermittlungen:

Rote Armee Fraktion (RAF) und die Geburtsstunde der Rasterfahndung

-> Die sogenannte Rasterfahndung entstand in der Bundesrepublik der 1970er Jahre als Reaktion auf den Terrorismus der RAF. Insbesondere während des „Deutschen Herbstes“ 1977, im Kontext der Entführung von Hans-Martin Schleyer, setzte das Bundeskriminalamt (BKA) erstmals systematisch EDV-gestützte Datenanalysen ein.

Technisches Prinzip (damals)

• Abgleich großer Meldedatenbestände (Einwohnermeldeämter)

• Filterung nach bestimmten Mustern („Raster“), z. B.:

  • junge Männer

  • ohne festen Arbeitsplatz

  • bestimmte Wohnkonstellationen

• Ausschlussverfahren: Wer nicht ins Profil passte, wurde „ausgerastert“

Methodisch handelte es sich um eine frühe Form datenbankbasierter Mustererkennung – allerdings ohne KI im heutigen Sinne. Die Rechenleistung beruhte auf Großrechnern mit sequentieller Batch-Verarbeitung.

Im Fall Schleyer gab es tatsächlich einen Hinweis auf eine konspirative Wohnung. Die Täter waren jedoch bereits weitergezogen – ein klassisches Problem zeitverzögerter Datenverarbeitung.

Von der Rasterfahndung zu Palantir

Palantir Technologies

Heute operieren Sicherheitsbehörden mit hochintegrierten Analyseplattformen wie „Gotham“ von Palantir.

Charakteristika moderner Systeme

• Datenfusion: Polizeidaten, Telekommunikationsdaten, Finanztransaktionen, Social Media

• Graphanalysen (Netzwerkanalyse)

• Echtzeit-Visualisierung

• semantische Verknüpfung heterogener Datenquellen

Im Unterschied zur klassischen Rasterfahndung:

• nicht mehr primär Ausschlussverfahren,

• sondern Beziehungs- und Mustererkennung in Netzwerken,

• oft mit probabilistischen Modellen.

KI und prädiktive Kriminalitätsanalyse

Die nächste Evolutionsstufe ist der Einsatz maschinellen Lernens:

Technische Verfahren

• Supervised Learning (z. B. Random Forests, Gradient Boosting)

• Deep Learning für Bild- und Videoauswertung

• Spatio-temporale Prognosemodelle (Hot-Spot-Analysen)

• Bayesianische Risikoabschätzung

Zielsetzung

• Prognose von Tatorten („predictive policing“)

• Identifikation von Risikopersonen

• Ressourcenallokation (Streifenplanung)

Kritische Dimensionen

1. Rechtsstaatlichkeit

• Verhältnismäßigkeit

• Zweckbindung

• informationelle Selbstbestimmung (BVerfG-Urteile zur Rasterfahndung 2006)

2. Bias-Problematik

KI-Modelle lernen aus historischen Daten. Wenn diese strukturelle Verzerrungen enthalten, werden sie reproduziert oder verstärkt.

3. Prädiktion vs. Prävention

Eine Prognose ist keine Tat. Das zentrale rechtsphilosophische Problem lautet: Darf Wahrscheinlichkeit staatliches Handeln legitimieren?

Historische Linie

1970er Rasterfahndung	2000er Datenfusion	2020er KI-Systeme
statische Filter	relationale Analyse	probabilistische Prognose
Batch-Rechner	vernetzte Datenbanken	lernende Modelle
reaktiv	semi-reaktiv	präventiv-orientiert

Das Thema ist uferlos. Mehr dazu im Kommentarbereich.

Ich erinnere auch an den Film "minority report" mit Tom Cruise, in dem zum ersten Mal die Kriminalitätsvorhersage und daraus resultierende Prävention thematisiert wurde.