In der weiten, sich ständig wandelnden Welt der globalen Sicherheit stehen Geheimdienstanalysten vor einem Problem, das so alt ist wie die Navigation selbst: wie man aus einem chaotischen Ozean von Informationen Sinn schöpft. Schiffe bewegen sich, Fracht wechselt den Besitzer und Menschen reisen, wobei sie eine Spur von Beobachtungen hinterlassen, die oft fragmentiert, widersprüchlich oder im Offensichtlichen verborgen sind. Jahrzehntelang haben Experten versucht, dies durch den Aufbau von „semantischen Spuren“ zu lösen, bei denen es sich im Wesentlichen um digitale Ordner handelt, die jede bekannte Tatsache über ein bestimmtes Schiff, eine Person oder eine bestimmte Fracht sammeln. Die Idee dahinter ist: Wenn man einen Visumantrag mit einem Flugpfad und einer Finanztransaktion verknüpfen kann, erkennt man vielleicht ein Muster, das auf eine Gefahr hindeutet, bevor diese eintritt. Diese Systeme waren jedoch historisch gesehen zu schwer zu bedienen. Sie erforderten, dass menschliche Operatoren eine starre, rein computergestützte Sprache sprachen und für jede einzelne Beobachtung manuell komplexe Regeln eintippten. Dieser Engpass bedeutete, dass die Technologie zwar existierte, um die Punkte zu verbinden, die Menschen vor Ort sie aber nicht schnell genug nutzen konnten, um sie in Echtzeit effektiv einzusetzen.

Ein neuer Ansatz, der in einer Arbeit von Frederick Roth detailliert beschrieben wird, schlägt vor, diese Barriere vollständig zu beseitigen, indem man es Menschen ermöglicht, natürlich zu sprechen, während die Computer die schwere Arbeit der Übersetzung übernehmen. Der Kern dieser Methode beruht auf einer einfachen, aber kraftvollen Verschiebung: Anstatt die Analysten dazu zu zwingen, Daten in strikte logische Formate zu kodieren, können sie ihre Beobachtungen nun in alltäglichem Englisch eintippen oder aussprechen. Ein Large Language Model (ein großes Sprachmodell), eine Art künstliche Intelligenz, die auf riesigen Mengen menschlicher Texte trainiert wurde, hört diesen Berichten zu und wandelt sie sofort in strukturierte, organisierte Datensätze um. Diese Datensätze, sogenannte „Semantic Assertion Records“, fungieren wie beschriftete Ordner, die ein vollständiges Ereignis – wie etwa das Beladen einer Kiste auf ein Schiff zu einer bestimmten Zeit durch eine bestimmte Person – in einer einzigen, kompakten Einheit erfassen. Dieses System speichert nicht nur die Fakten; es verknüpft sie so, dass der Computer über sie schlussfolgern kann, wodurch ungewöhnliche Kombinationen erkannt werden, die einem Menschen entgehen könnten.

Die Forscher testeten diese Architektur anhand zweier detaillierter Szenarien, um zu prüfen, ob sie in der Praxis funktionieren kann. Im ersten Beispiel rekonstruierten sie eine historische Situation, die eine Gruppe von Personen betraf, die später als Urheber eines großen Anschlags bekannt werden sollte. Das System erhielt separate Berichte von verschiedenen Behörden: Einer stellte fest, dass ein Student das Fliegen lernte, sich aber nur für Start und Reiseflug interessierte, nicht aber für die Landung; ein anderer erwähnte seine Reisehistorie in bestimmte Länder; ein dritter markierte, dass sein Visumsstatus nicht mit seiner langfristigen Flugausbildung übereinstimmte. Individuell betrachtet schienen diese Berichte jeweils nur ein geringfügiges administratives Detail zu sein. Doch als das System diese Berichte in natürlicher Sprache in seine strukturierten Datensätze übersetzte und miteinander verknüpfte, erkannte es ein gefährliches Muster. Die Kombination aus unvollständiger Flugausbildung, Interesse an der Treibstoffkapazität von Flugzeugen und einer spezifischen Reisehistorie deutete stark auf einen Plan hin, ein Verkehrsflugzeug als Waffe einzusetzen. Das System benötigte keinen Menschen, der eine Regel schrieb nach dem Motto „diese Kombination ist schlecht“; die künstliche Intelligenz erkannte das Muster, weil sie durch ihr Training gelernt hatte, was diese spezifischen Details bedeuten, wenn sie gemeinsam auftreten.

In einem zweiten, unmittelbareren Szenario wandte das Team dieselbe Methode auf einen maritimen Sicherheitsvorfall mit einem Frachtschiff an. Berichte trafen von Hafeninspektoren, Zollbeamten und Finanzüberwachern ein. Ein Bericht stellte fest, dass das Siegel eines Schiffscontainers manipuliert worden war und eine Kiste fehlte. Ein anderer Bericht meldete, dass ein Besatzungsmitglied vom Schiff verschwunden war. Ein dritter Bericht zeigte, dass eine Person unter einem Pseudonym in einem Baumarkt Dünger und Elektrokabel gekauft hatte. Auch hier handelte es sich um getrennte Informationsstränge. Das System übersetzte jeden Bericht in sein strukturiertes Format und verknüpfte die fehlende Kiste mit dem verschwundenen Besatzungsmitglied und das Besatzungsmitglied mit dem verdächtigen Kauf. Es bewertete dann die möglichen Erklärungen und kam zu dem Schluss, dass die Wahrscheinlichkeit für die führende Hypothese bei 0,68 lag: Das Besatzungsmitglied hatte die Kiste während des Transports entfernt, um ein Sprenggerät zu bauen, und befand sich wahrscheinlich noch in der Nähe. Das System schlug spezifische nächste Schritte vor, wie etwa die sofortige Lokalisierung der Person, da diese Maßnahme die wertvollsten neuen Informationen liefern würde, um die Bedrohung zu bestätigen oder zu widerlegen.

Was diese Arbeit signifikant macht, ist nicht nur die Verwendung fortschrittlicher künstlicher Intelligenz, sondern die Art und Weise, wie sie den Arbeitsablauf für menschliche Operatoren verändert. Die Forscher argumentieren, dass die frühere Anforderung, dass Analysten komplexe Programmiersprachen erlernen mussten, der Hauptgrund dafür war, dass diese leistungsstarken Tracking-Systeme nie voll ausgeschöpft wurden. Durch die Ermöglichung von natürlicher Sprache als Eingabe wird das System für jeden zugänglich, der einen Bericht schreiben kann. Die künstliche Intelligenz übernimmt die Übersetzung, weist jeder Information Konfidenzniveaus zu und führt verschiedene Berichte über dieselbe Person oder dasselbe Objekt zusammen, selbst wenn die Namen oder Details leicht variieren. Dies schafft eine lebendige Karte von Verbindungen, die sich in Echtzeit aktualisiert. Das System ist darauf ausgelegt, Routineinformationen, die bereits Bekanntes bestätigen, herauszufiltern und sich stattdessen auf die seltenen, ungewöhnlichen Verbindungen zu konzentrieren, die auf eine neue und gefährliche Möglichkeit hindeuten.

Die Arbeit zeigt, dass dieser Ansatz mit der aktuellen Technologie technisch machbar ist und nicht auf zukünftige Durchbrüche warten muss. Der Autor hat das spezifische Vokabular und die Methoden, die sie verwendet haben, als öffentliches Wissen veröffentlicht, um sicherzustellen, dass diese Art der Organisation von Geheimdienstinformationen nicht hinter proprietären Mauern verschlossen bleibt. Indem sie das System auf einem theoretischen Rahmen aufbauen, der diese Verbindungen als geometrische Muster in einem hochdimensionalen Raum behandelt, zeigen die Forscher auf, wie die künstliche Intelligenz Anomalien erkennen kann, die außerhalb des normalen Verhaltens liegen. Das Ergebnis ist ein Werkzeug, das es Geheimdiensten ermöglicht, Informationen effektiver zu teilen und einen unzusammenhängenden Strom von Berichten in ein klares, handlungsorientiertes Bild dessen zu verwandeln, was vor Ort geschieht. Die Barriere für die Nutzung dieser hochentwickelten Modelle wurde entfernt, was es ermöglicht, sie sofort einzusetzen, um Seerouten und andere kritische Infrastrukturen zu schützen.