Zukunftspreis für *um Data Scientist Daniel Haake und die KI-basierte Vorhersage von Einbrüchen

Predictive Policing: Zukunftspreis für *um Data Scientist Daniel Haake

Kann man prognostizieren, ob es nach einem Wohnungseinbruch erneut dazu kommen wird? Mit korrekten Daten, der richtigen Fragestellung und einem intelligenten Algorithmus kann man. Sogar mit deutlich besseren Ergebnissen als eine aktuell eingesetzte Polizei-Software. Data Scientist Daniel Haake hat das in einem Forschungsprojekt bewiesen. Für seine Masterarbeit „Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen“ wurde er mit dem 2. Platz beim Zukunftspreis Polizeiarbeit 2020 ausgezeichnet.

Die Zukunft der Polizeiarbeit hat längst begonnen

Daniel Haake, Data Scientist bei The unbelievable Machine Company GmbH (*um) und noch vor einiger Zeit in den Diensten der Polizei des Landes Brandenburg, hat die Ermittlungsarbeit der Polizei ein gutes Stück in die Zukunft gebracht. Bei seiner Forschungsarbeit an der Hochschule Albstadt-Sigmaringen in Kooperation mit der Universität Mannheim ging es darum, zu prognostizieren, ob es nach einem erfolgten Wohnungseinbruchdiebstahl innerhalb einer gewissen Zeit und eines gewissen Umkreises um den bereits erfolgten Wohnungseinbruch zu einem erneuten Wohnungseinbruch kommen wird.
Dafür hat er die Erkenntnisse der Near-Repeat-Theorie aufgegriffen – eines Ansatzes aus der Prädiktiven Polizeiarbeit (Predictive Policing), der besagt, dass bei einer Deliktart in einem bestimmten Gebiet die Wahrscheinlichkeit für Folgetaten im gleichen Gebiet steigt.

Einen ähnlichen Ansatz verfolgte die kommerzielle Software PRECOBS. Im Rahmen des Predictive Policing wurde sie in einigen deutschen Bundesländern von den Polizeibehörden in zeitlich befristeten Pilotprojekten oder Testbetrieben eingesetzt.
PRECOBS ist ein so genanntes Expertensystem. Sprich, es wurden vorher Annahmen getroffen, wann von einer Serientat ausgegangen wird. Bei Eintreffen der Annahmen in einem vorher berechneten Near-Repeat-Gebiet wurde ein Alarm ausgegeben.

Besser als die Polizei erlaubt

Zur Effizienzprüfung von PRECOBS gab es in Baden-Württemberg eine Studie des Freiburger Max-Planck-Instituts für ausländisches und internationales Strafrecht. Dabei konnte eine Prognosegüte („Precision“) für Vorhersagen innerhalb von 7 Tagen und 600 Metern um die ursprüngliche Tat von 25 Prozent nachgewiesen werden. Weiter wurde festgestellt, dass Prognosen für den ländlichen Raum quasi nicht möglich waren.

Beim Forschungsprojekt von Daniel Haakes Masterarbeit wurden hingegen keine Annahmen implementiert. Vielmehr hat er versucht, mittels Machine-Learning-Algorithmen Muster in den Daten selbst zu finden, die Prognosen von Wohnungseinbrüchen ermöglichen. Dabei lagen ebenfalls Daten aus Baden-Württemberg vor, was eine Vergleichbarkeit der Prognosewerte mit der Software PRECOBS besonders gut gewährleistet.
Mit beeindruckendem Resultat: Für Prognosen innerhalb von 7 Tagen und 600 Metern konnte eine Prognosegüte von rund 60 Prozent erreicht werden – eine erhebliche Steigerung gegenüber PRECOBS. Bessere Werte konnten im Zuge der Masterarbeit bei einer weltweiten Recherche nicht ausfindig gemacht werden. Anders als bei bisherigen Lösungen, waren außerdem auch Prognosen im ländlichen Raum möglich. Das ließe erstmals den Einsatz für ganze Bundesländer zu, statt nur für einzelne urbane Gebiete.

Für diese Resultate und seine dazugehörige Masterarbeit „Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen“ wurde Daniel Haake Anfang Februar mit dem 2. Platz beim Zukunftspreis Polizeiarbeit 2020 ausgezeichnet. Wann darauf Taten folgen, ist noch offen.


Daniel Haake (3.v.r.) beim Zukunftspreis Polizeiarbeit 2020
Foto © Behördenspiegel

Wir haben ein paar Fragen…

PRECOBS erinnert stark an die „Precogs“, Menschen mit hellseherischen Fähigkeiten, die im Film „Minority Report“ Morde der Zukunft voraussehen und verhindern sollen. Der Film spielt im Jahr 2054. Wird diese Science Fiction jetzt schon Realität?

Die Software lief zunächst tatsächlich unter dem Arbeitstitel PRECOGS und sollte an „Minority Report“ erinnern. Später wurde der Name dann in PRECOBS umbenannt: „Pre Crime Observation System“. Sicherlich sollte der Name weiterhin genau diese Assoziation zulassen.

Mit der Software sollten Regionen kenntlich gemacht werden, in denen mit einem erhöhten Einbruchsrisiko gerechnet werden kann. Für Morde ist eine solche Software nicht gedacht. Das halte ich auch für nur schwer umsetzbar, da es sich in den meisten Mordfällen um Beziehungstaten handelt und bei uns auch kein Massendelikt darstellt. Von den moralischen Bedenken mal ganz zu schweigen, wenn es um die Prognosen von Tätern geht. Auch bei der Prognose von Wohnungseinbrüchen geht es nicht darum zu prognostizieren, dass Herr Klaus-Peter Mustermann um 18 Uhr 42 in die Hauptstraße 12 einbrechen wird.

Worum geht es dann? 

Generell geht es nicht um die Prognose von Tätern, so dass es dort keine datenschutzrechtlichen Bedenken geben muss. Vielmehr geht es um die Detektion von Gebieten, für die innerhalb einer gewissen Zeitspanne ein erhöhtes Risiko besteht. Dadurch kann den Polizeibeamten ein weiteres Einsatzmittel an die Hand gegeben werden, was sie bei ihrer gezielten Streifentätigkeit unterstützt. Dafür sollte eine solche Software auch da sein.

Was bedeutet das für die Polizeiarbeit der Zukunft?

Für die Polizei bedeuten die Möglichkeiten des maschinellen Lernens vielverspechende Software-Lösungen, die den Polizeidienst deutlich unterstützen können. Zum Beispiel bei der Ermittlung von Kinderpornografie. Dort müssen Polizeibeamte auf Computern von Tatverdächtigen nach kinderpornografischem Material suchen und sich das Material auf das Vorliegen von Straftatbeständen hin untersuchen – also anschauen. Zwar gibt es Kataloge von bereits im Umlauf befindlichem kinderpornografischem Material, gegen die die Dateien auf dem Computer geprüft werden können. Für noch unbekanntes Material ist das aber nicht möglich.
Heutzutage ist die Speicherung von großen Datenmengen auf heimischen Computern mit Terabyte an Festplattenspeicher kein Problem mehr. Für die Suche nach kinderpornografischem Material bedeutet das allerdings eine sehr zeitraubende Arbeit.

Und die Software kann schnelle Hilfe bieten?

Genau. Primär geht es dabei um den Schutz von Kindern, die gefunden werden müssen, weshalb erst recht das schnelle Auffinden solcher Dateien wichtig ist. Aber auch für die Polizeibeamten ist das eine Arbeit, die psychisch extrem belastend ist. Eine Bilderkennung für Fotos und Videos, die anhand eines trainierten neuronalen Netzes automatisch Dateien mit kinderpornografischem Inhalt auffinden kann, ist daher sicherlich sehr wünschenswert. Generell können Softwarelösungen mit Hilfe von maschinellem Lernen sehr hilfreich bei der Massendatenauswertung sein.

Kann man die Erkenntnisse und Ergebnisse aus deinem Forschungsprojekt auf künftige Projekte abstrahieren?

Aus der Presse konnte man erfahren, dass Baden-Württemberg mit den Ergebnissen aus der Studie zum Einsatz von PRECOBS nicht komplett zufrieden war, weshalb das Forschungsprojekt erst einmal eingestellt wurde. Ich weiß nicht, ob die Ergebnisse aus meiner Masterarbeit das Thema wieder präsenter werden und das Vertrauen in die Möglichkeiten wieder steigen lassen. Meine Ergebnisse sind ja nun erst sehr frisch. Daher kann ich noch nicht abschätzen, was in diesem Bereich in Zukunft passieren wird.

Waren dir deine Erfahrungen als ehemaliger Polizist bei der Masterarbeit behilflich?

Ja, auf jeden Fall. Zum einen waren mir dadurch die verschiedenen kriminologischen Theorien bekannt, die ich zur Prognose von Wohnungseinbrüchen habe mit einfließen lassen. Auch meine eigenen Erfahrungen aus dem Streifendienst waren dabei sicherlich hilfreich. Für mich war auch die Sicht eines Polizisten wichtig: Unter welchen Umständen würde mir eine Software zur Prognose einen Mehrwert geben?
Expertenwissen ist immer wichtig, um in die richtige Richtung suchen zu können. Der Data Scientist muss selbst nicht unbedingt der Fachexperte im jeweiligen Themengebiet sein, doch er sollte einen Fachexperten zu Rate ziehen. Wenn der Data Scientist gleichzeitig auch Fachexperte ist, macht es das natürlich einfacher.

Mittlerweile bist du Data Scientist bei Unbelievable Machine. Warum hast du dich dafür entschieden?

Zum einen wollte ich meinen Horizont im Bereich Data Science erweitern. Durch die unterschiedlichen Projekte bei *um kann ich mein Wissen gut einbringen, mich aber auch stetig weiter verbessern. Zum anderen ist es toll, dass bei *um von Operations über Softwareentwicklung bis Data Engineering und Data Science alles aus einer Hand kommt – „from idea to cable“ –, weshalb hier maßgeschneiderte Produkte geliefert werden können. Das ist toll für die Kunden und auch spannend für uns Mitarbeiter.

Abschließend natürlich noch herzlichen Glückwunsch zum Zukunftspreis. Was machst du mit dem Preisgeld?

Danke sehr. Das Preisgeld von 1.000 Euro habe ich einer mir bekannten Kita aus Potsdam gespendet. Sie haben ein wundervolles Team, das die Kinder während ihrer ersten Lebensjahre mit viel Herz und voller Hingabe begleitet und sie wunderbar auf ihre weiteren Lebensabschnitte vorbereitet. Ich bin mir sicher, dass das Geld dort gut aufgehoben ist.


Daniel Haake, vermutlich
der nächste James Bond

Das könnte dich auch interessieren:
Predictive Maintenance: Wie Datenexperten mit Anomalieerkennung Maschinenausfälle verhindern
Was ist Predictive Maintenance? Probleme beheben, bevor sie entstehen
Was ist Predictive Analytice? Datengetrieben wissen, was kommt

This post is also available in: Englisch