NET 3/2025

17 www.net-im-web.de 03/25 Künstliche Intelligenz in TETRA-Netzwerken Diesen Prozess nennen wir „Training“. Hierbei versucht derTrainingsalgorithmus, die Neuronen selbstständig so miteinander zu verbinden, dass eine bekannte Eingabe zu einer gewünschten Ausgabe führt. Um also eine KI zu trainieren, die auf Fotos Fahrzeuge erkennt, muss dem Trainings- algorithmus ein umfangreicher Satz von Fotos bereitgestellt werden – mit und ohne Fahrzeug. Auf diese Weise lernt das Netz selbstständig, wie Fahrzeuge aussehen, ohne dass ein Experte die zugrunde liegenden Regeln kennen und verstehen muss. Das ist die eigentliche Stärke des sogenannten maschinellen Lernens und die wahre In- novation. KI bietet neue Lösungen Die Stärke von KI ist es, Regeln dort zu erkennen, wo ein Mensch keine Zusam- menhänge erkennen kann, zum Beispiel innerhalb besonders komplexer Datensätze. In der Forschung haben sich in den letzten Jahren einige Probleme herauskristallisiert, die durch KI besonders gut gelöst werden können. Der KI „Werkzeugkasten“, zu dem ursprünglich nur die Neuronen zählten, wurde hierfür um neue Elemente erweitert, mit denen sich immer speziellere neuronale Netze zur Lösung spezifischer Probleme entwerfen lassen. So ist beispielsweise auch das menschliche Gehirn auf die externe Vor- verarbeitung von Informationen im Auge angewiesen, umBilder zu erkennen. Ähnlich hat auch die KI-Forschung neue Kompo- nenten hervorgebracht, die die Fähigkeiten neuronaler Netze signifikant erweitern. Neue KI-Bausteine Zwei dieser etwas neueren KI-Bausteine, die auch für die Verarbeitung vonTETRA- Netzdaten ein wichtiges Puzzlestein darstel- len, sind die LSTMs und die Autoencoder. Ein klassisches neuronales Netz ist nicht in der Lage, für die Bewertung eines aktuellen Datensatzes die vergangenen Datensätze mit einzubeziehen: Es besitzt kein Ge- dächtnis. Dahingegen gibt es eine Reihe von Problemen, in denen die vergangenen Daten der letzten Stunden, Monate oder Jahre durchaus relevant bei der Bewertung der aktuellen Situation sind. So ist es zwar möglich, das Wetter der nächsten Stunde mit einem Blick auf das aktuelle Wetter zu prognostizieren. Die Vorhersage wird aber erst dann sehr genau, wenn vergangene Messwerte (Temperatur/Luftfeuchtigkeit usw.) der letztenTage mit beachtet werden. Long-Short-Term-Memory (LSTM), zu Deutsch etwa „langes Kurzzeitgedächtnis“, verleiht dem neuronalen Netzwerk genau diese Fähigkeit. Dabei wird im Trainings- prozess auch das Design dieses Gedächt- nisses mittrainiert, also über welche Zeit ein vergangener Eingangswert welchen Einfluss auf die aktuelle Bewertung hat. Autoencoder, das zweite wichtige Element, verfolgen einen komplett anderen Ansatz. Im Trainingsprozess lernen Auto- encoder die wesentlichen Merkmale einer Datenreihe kennen. Als Beispiel sei hier ein Elektrokardiogramm (EKG) vorgestellt, dass die elektrischen Aktivitäten des Herzens über die Zeit beschreibt und einen ganz typischen Verlauf hat. Abweichungen vom typischen Verlauf weisen auf Herzfehler hin. Autoenco- der sind hervorragend geeignet, Abweichun- gen vom typischenVerlauf zu erkennen, ohne während des Trainings zu wissen, wie diese Abweichungen später eigentlich aussehen könnten. Sie sind deshalb wie geschaffen, Daten nach unbekannten Abweichungen, das heißt Fehlern, zu durchsuchen. KI in TETRA-Netzwerken Aktuelle Datenbank-basierte Speicherver- fahren machen es möglich, zeitlich hoch- aufgelöste TETRA-Netzdaten in Echtzeit zu erfassen, die kaummehr händisch analysiert werden können. Dazu zählt der Zeitpunkt des Gesprächsaufbaus und -abbaus, die Rufgrup- Grafik: Ein neuronales Netzwerk ist ein komplexes Regelwerk, das Eingaben in Ausgaben übersetzt. Eine Software lernt hierbei selbstständig die passenden Regeln im Rahmen eines Trainings (Grafik: HMF)