🤖 AI

SentinelAI: A Multi-Agent Framework for Structuring and Linking NG9-1-1 Emergency Incident Data

Die Arbeit stellt SentinelAI vor, ein Multi-Agenten-Framework, das Rohdaten aus Notfallkommunikationen in standardisierte, NENA-konforme JSON-Datensätze umwandelt, um eine nahtlose Integration und vernetzte Analyse von Notfalldaten im NG9-1-1-Umfeld zu ermöglichen.

Ursprüngliche Autoren: Kliment Ho, Ilya Zaslavsky

Veröffentlicht 2026-03-27

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Kliment Ho, Ilya Zaslavsky

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

SentinelAI: Der digitale Lotsen für Notrufe – Eine einfache Erklärung

Stellen Sie sich vor, ein Notruf ist wie ein riesiges, chaotisches Puzzle, das aus tausenden verschiedenen Teilen besteht. Ein Anrufer ruft an und sagt: „Es brennt!" Ein Polizist meldet später: „Wir sind vor Ort." Ein Feuerwehrwagen schickt ein Foto, und ein lokales Nachrichtenportal schreibt einen Artikel über die Rauchwolken.

Das Problem: Alle diese Informationen kommen in unterschiedlichen Sprachen, Formaten und zu unterschiedlichen Zeiten an. Die Feuerwehr spricht eine andere „Sprache" als die Polizei, und ein Nachrichtenartikel sieht ganz anders aus als ein offizieller Polizeibericht. Wenn man diese Teile nicht zusammenfügt, sieht man nie das ganze Bild – man sieht nur einzelne Puzzleteile.

SentinelAI ist wie ein hochintelligenter, digitaler Lotsen, der dieses Chaos ordnet. Es ist kein einzelner Roboter, sondern ein Team aus drei spezialisierten Helfern (Agenten), die zusammenarbeiten, um aus dem Chaos eine klare, verständliche Geschichte zu machen.

Hier ist, wie dieses Team funktioniert:

1. Der Übersetzer (Der EIDO-Agent)

Stellen Sie sich diesen Agenten als einen sehr geduldigen Dolmetscher vor.

Das Problem: Ein Anrufer sagt vielleicht: „Ich bin bei der großen Eiche am Fluss, das Auto brennt!" Ein Polizeibericht sagt: „Vorfall 211A, Code 3".
Die Lösung: Der EIDO-Agent nimmt diese wilden, unordentlichen Nachrichten und übersetzt sie in eine einheitliche, maschinenlesbare Sprache (genannt EIDO-JSON). Er wandelt „Code 3" in eine klare Prioritätszahl um und schreibt „bei der großen Eiche" in ein standardisiertes Format. Er sorgt dafür, dass alle Daten so aussehen, als wären sie von derselben Person geschrieben worden.

2. Der Detektiv (Der IDX-Agent)

Dieser Agent ist wie ein erfahrener Ermittler, der alle Puzzleteile zusammenbringt.

Das Problem: Oft gibt es viele Berichte über dasselbe Ereignis. Der erste Bericht kommt um 10:00 Uhr, der zweite um 10:15 Uhr von einer anderen Behörde. Ohne Hilfe denkt das System vielleicht, es wären zwei verschiedene Brände.
Die Lösung: Der Detektiv vergleicht die neuen Berichte mit den alten. Er fragt: „Passen Zeit, Ort und Inhalt zusammen?" Wenn ja, klebt er die neuen Informationen an das bestehende Ereignis. Er baut keine neue Akte, sondern erweitert die alte. So entsteht eine lebendige Geschichte, die wächst, je mehr Informationen reinkommen, ohne dass alte Details verloren gehen.

3. Der Karten-Leser (Der Geocoding-Agent)

Dieser Agent ist wie ein ortsansässiger Freund, der die Gegend genau kennt.

Das Problem: Menschen geben Notrufe oft mit umgangssprachlichen Orten an: „Beim alten Bahnhof", „Hinter dem Supermarkt" oder „Am roten Haus". Computer verstehen das oft nicht, weil es keine offizielle Adresse ist.
Die Lösung: Der Karten-Leser nimmt diese Beschreibungen und sucht sie in seiner Datenbank nach bekannten Orten, kombiniert sie mit Karten-Diensten und dem Kontext des Vorfalls. Er verwandelt „Beim alten Bahnhof" in genaue Koordinaten auf einer Karte, damit die Einsatzkräfte genau wissen, wohin sie müssen.

Warum ist das so wichtig? (Die große Idee)

Früher mussten Behörden oft warten, bis alle Informationen zusammen waren, um ein Bild zu bekommen. Das war zu langsam.

SentinelAI behandelt Notfälle wie einen Live-Stream.
Stellen Sie sich vor, Sie schauen ein Fußballspiel im Fernsehen. Wenn ein Tor fällt, wird es sofort gemeldet. Wenn ein Spieler verletzt wird, kommt sofort ein Update. Sie müssen nicht auf das Ende des Spiels warten, um zu wissen, was passiert ist.

SentinelAI macht das mit Notfällen:

Es nimmt jede Nachricht sofort entgegen.
Es übersetzt sie sofort.
Es fügt sie sofort an das richtige Ereignis an.
Es aktualisiert die Karte sofort.

Der praktische Test: Die Flut in San Diego

In dem Papier wird ein Beispiel gezeigt:

Quelle 1: Ein offizieller Wetterbericht warnt vor Überschwemmungen in einem ganzen Landkreis.
Quelle 2: Eine Zeitung meldet, dass eine bestimmte Straße überflutet ist und der Strom ausfällt.

Ohne SentinelAI wären das zwei getrennte Meldungen. Mit SentinelAI erkennt der „Detektiv", dass beide Meldungen zum selben Sturm gehören. Er verbindet sie. Plötzlich haben die Einsatzkräfte eine einzige, vollständige Karte: Sie sehen die offizielle Warnung für den ganzen Bezirk und die genauen Details der betroffenen Straße.

Fazit

SentinelAI ist kein System, das Entscheidungen trifft (wie „Sollten wir evakuieren?"). Es ist das System, das sicherstellt, dass alle Beteiligten dasselbe Bild haben. Es sorgt dafür, dass die Daten nicht im Chaos verschwinden, sondern zu einer klaren, verständlichen Geschichte werden, auf der Menschen und Computer aufbauen können, um Leben zu retten.

Es ist im Grunde der Kleber, der die zerstreuten Teile der Notfallwelt zu einem funktionierenden Ganzen zusammenhält.

1. Problemstellung

Notfallreaktionssysteme generieren Daten aus einer Vielzahl von Quellen (Polizei, Feuerwehr, medizinische Dienste, Behörden, Nachrichten), die oft in unterschiedlichen Formaten vorliegen (strukturierte Datenbankfelder, unstrukturierter Freitext, Audio, Bilder). Die Herausforderung besteht darin, diese heterogenen Datenströme konsistent zu korrelieren und zu aktualisieren, um ein einheitliches Bild eines sich entwickelnden Vorfalls zu erhalten.

Bestehende Ansätze, die auf monolithischen Datentransformationspipelines basieren, stoßen an ihre Grenzen, wenn es darum geht, Sprachinterpretation, zeitliche Korrelation, räumliche Interpretation und semantische Normalisierung in einem einzigen Workflow zu vereinen. Zudem fehlt es oft an einer standardisierten, maschinenlesbaren Darstellung, die den Anforderungen des Next Generation 9-1-1 (NG9-1-1) entspricht, insbesondere der Fähigkeit, Vorfälle als dynamische, sich entwickelnde Entitäten zu behandeln, anstatt als statische Datensätze.

2. Methodik: Das SentinelAI-Framework

SentinelAI ist ein Datenintegrations- und Standardisierungsframework, das die komplexe Aufgabe der Datenstrukturierung in diskrete Teilaufgaben zerlegt, die von spezialisierten autonomen Agenten übernommen werden. Das System basiert auf dem NENA EIDO-Standard (Emergency Incident Data Object, NENA-STA-024.1.1-2025), der ein kanonisches JSON-Schema für Notfallvorfälle definiert.

Das Framework besteht aus drei koordinierten Agenten:

EIDO Agent (Strukturierung und Interpretation):
- Funktion: Dient als primärer Ingest-Punkt. Er transformiert heterogene Eingabedaten (z. B. Dispositionsnotizen, Funkprotokolle, Nachrichtenartikel) in standardkonforme EIDO-JSON-Dokumente.
- Technik: Nutzt Sprachmodelle (LLMs) zur Extraktion von Entitäten (Personen, Orte, Organisationen) und zur Normalisierung von Daten.
- Aufgaben: Übersetzung von agentenspezifischen Codes (z. B. „Code 3") in standardisierte IANA-Registrierungswerte, Synthese von Zeitstempeln in ISO 8601-Format und Anwendung konfigurierbarer Templates für verschiedene Vorfallkategorien.
IDX Agent (Vorfallkorrelation und Synthese):
- Funktion: Verknüpft neue EIDO-Dokumente mit bestehenden Vorfallkontexten oder initiiert neue Vorfälle. Dies ist essenziell, da ein realer Vorfall oft durch viele partielle Berichte aus verschiedenen Quellen entsteht.
- Algorithmus: Berechnet eine Ähnlichkeitsbewertung ( $\Sigma$ $Σ$ ) zwischen einem neuen EIDO und bestehenden Vorfällen basierend auf drei Gewichtungsfaktoren:
  1. Zeitlich ( $\phi_t$ ): Zeitliche Nähe zu aktuellen Aktivitäten.
  2. Räumlich ( $\phi_g$ ): Geografische Distanz (Luftlinie oder Reisezeit).
  3. Semantisch ( $\phi_s$ ): Vergleich der Vorfallbeschreibungen mittels Vektor-Embeddings.
- Logik: Ein neuer Bericht wird einem Vorfall zugewiesen, wenn die gewichtete Summe einen konfigurierbaren Schwellenwert ( $\tau$ ) überschreitet. Andernfalls wird ein neuer Vorfallkontext erstellt.
Geocoding Agent (Räumliche Anreicherung):
- Funktion: Adressiert das Problem, dass Notfallmeldungen oft informelle Ortsbeschreibungen (Landmarken, lokale Namen) statt formaler Adressen enthalten.
- Technik: Kombiniert lokale Wissensdatenbanken (kuratierte Landmarken), Abfragen externer Kartendienste (z. B. Google Maps, OpenStreetMap) und den Kontext des Vorfalls zur Disambiguierung. Das Ergebnis wird als Koordinaten, Landmarke und vertrauenswürdige Adresse in das EIDO-JSON integriert.

Datenmodell: Das System behandelt Vorfälle nicht als einzelne statische Datensätze, sondern als verbundene Menge von EIDO-Objekten ( $I = \{E_1, E_2, ..., E_n\}$ ). Eine composite Darstellung (Zusammenfassung) wird dynamisch aus den verknüpften Updates generiert, wobei die Historie und Traceability der einzelnen Quellen erhalten bleiben.

3. Integration und Interoperabilität

Ein wesentlicher Aspekt der Arbeit ist die Demonstration der Enterprise-Interoperabilität durch die Integration mit FME (Feature Manipulation Engine) von Safe Software.

EIDOReader: Wandelt EIDO-JSON-Dokumente in FME-Features um, um sie in bestehenden GIS-Workflows zu verarbeiten.
EIDOWriter: Erstellt aus strukturierten FME-Daten (z. B. aus Dispatch-Systemen oder Datenbanken) valides EIDO-JSON.
Dies ermöglicht einen bidirektionalen Datenaustausch, ohne dass bestehende operative Systeme modifiziert werden müssen.

4. Ergebnisse und Fallstudie

Die Autoren präsentieren eine Fallstudie zu Überschwemmungen im San Diego County (Januar 2026):

Szenario: Eine offizielle Warnung der National Weather Service (NWS) und ein separater Nachrichtenbericht über Straßenschäden und Stromausfälle.
Prozess: Der EIDO Agent strukturierte beide Texte in separate EIDO-JSON-Dokumente. Der Geocoding Agent löste die Ortsangaben („Central San Diego County" vs. „San Diego River").
Korrelation: Der IDX Agent erkannte aufgrund zeitlicher Nähe, räumlicher Überlappung und semantischer Ähnlichkeit („Flood", „Rain"), dass beide Berichte denselben Vorfall betreffen.
Ergebnis: Die Dokumente wurden zu einem einzigen composite Vorfall verknüpft. Das System lieferte eine umfassende operative Sicht, die die offizielle Warnung mit den spezifischen Schadensdetails kombinierte, während die Originaldokumente für die Nachverfolgung erhalten blieben.

5. Hauptbeiträge

Referenzarchitektur: Implementierung eines Multi-Agenten-Frameworks (EIDO, IDX, Geocoding), das asynchron arbeitet und sich strikt an den NENA EIDO-Standard hält.
Operatives Verknüpftes Vorfallmodell: Eine Methodik, bei der Vorfälle als sich entwickelnde Repräsentationen behandelt werden, die inkrementell aktualisiert werden, ohne Informationen in einen einzigen Datensatz zu kollabieren.
Enterprise-Interoperabilität: Nachweis der Praxistauglichkeit durch nahtlose Integration in etablierte Geodaten- und Management-Systeme via FME.

6. Bedeutung und Ausblick

SentinelAI adressiert kritische Lücken in der Notfallkommunikation, indem es die Datenstrukturierung und Interoperabilität in den Vordergrund stellt, anstatt sich auf operative Entscheidungsunterstützung zu konzentrieren. Durch die Bereitstellung einer standardskonformen, maschinenlesbaren Datenbasis ermöglicht das Framework:

Bessere Analyse und Interpretation komplexer Ereignisse durch KI-Systeme und menschliche Operateure.
Eine robuste Grundlage für zukünftige Forschung und Systementwicklung im NG9-1-1-Umfeld.
Die Überwindung von Silos zwischen verschiedenen Behörden und Datenquellen.

Das Framework ist als Open-Source-Referenzimplementierung verfügbar und dient als Blaupause für die nächste Generation von Notfallmanagementsystemen.