NET 3/2025

16 www.net-im-web.de 03/25 KR I T I S CHE KOMMUN I K AT I ON Künstliche Intelligenz in TETRA-Netzwerken Erfassung hochaufgelöster Netzdaten in Echtzeit Dr. Nils Grupe Der Durchbruch der „Künstlichen Intelligenz“ (KI) hat in den letzten Jahren viele Branchen und An- wendungen radikal verändert. KI ist ein Teilgebiet des maschinellen Lernens und ermöglicht es, klassi- sche Probleme auf ganz neue Art und Weise zu lösen. Eine wahre Stärke KI-basierter Anwendungen ist die Fähigkeit, in Datensätzen Muster zu erkennen. So ist es kein Wunder, dass gerade Objekterken- nung in Bild-, Video- und Audio- daten massiv von den Fähigkeiten der KI profitiert. Dr. Nils Grupe ist Technical Solutions Expert bei der HMF Smart Solutions GmbH – ein Mitgliedsunternehmen des Bundesverbandes Professioneller Mobilfunk (PMeV) Während KI-basierte An- wendungen regelrecht zu einem Hype geworden sind, hat KI auch die Fähigkeit, realistisch aussehende Daten zu generieren. Solche oftmals böswilligen Manipulationen verlei- hen dem Forschungsgebiet der künstlichen Intelligenz auch ein negatives Image. Dabei ist KI keine Black Box – wie viele glauben –, sondern eine dem biologischen Hirn nach- empfundene Mathematik. Auch TETRA-Netzwerke im Be- reich der kritischen Infrastruktur (KRITIS) können von den analytischen Fähigkeiten der KI profitieren. Das Basiselement einer KI ist das Neuron. Dieses besitzt mehrere Eingangswerte, die je nach anliegendem Wert zu einem neuen Ausgabewert führen. Verkoppelt man mehrere tausend solcher Neuronen miteinander, entsteht ein neuro- nales Netzwerk ähnlich dem menschlichen Gehirn. Auch hier feuern einzelne Neuronen ein Signal an benachbarte Neuronen ab, die bei Überschreiten eines Schwellwertes ein neues Signal erzeugen. Bei einem digitalen neuronalen Netzwerk wird eine Eingabe zu- nächst in ein Anregungssignal übersetzt (die sogenannten Features). Die Neuronen führen eine Reihe an Multiplikations- und Addi- tionsoperationen aus, und nachDurchlaufen des Netzwerkes ergibt sich ein Ausgangs- signal (siehe Grafik). Auf diese Art lassen sich neuronale Netzwerke erschaffen, die bei Eingabe eines Fotos (das Eingangssignal) die erkannten Objekte in dem Foto genau benennen können (das Ausgangssignal). Aber wie werden solche Netze er- schaffen? Bei der klassischen Art, Probleme zu lösen, versucht ein Experte, passende Regeln aufzustellen, die eine bestimm- te Eingabe in eine Ausgabe übersetzen. Ein Beispiel: Am Himmel ziehen schwar- ze Wolken auf (Eingabe) – Es wird sehr wahrscheinlich bald regnen (Ausgabe). Bei klassischen Problemen gibt es Exper- ten, die solche Regeln aufstellen können. Beim maschinellen Lernen (engl. Machi- ne Learning, ML) hingegen versucht ein Computer, solche Regeln selbst zu finden. Jedes TETRA-Netzwerk ist einzigartig und versorgt unter- schiedlich große Gebiete mit einer unterschiedlichen Zahl von Kanälen und Endgeräten in einer spezifischen Umgebung für verschiedene Anwendungen (Foto: Tung Lam, Pixabay)