Im öffentlichen Raum gibt es zu wenig Gewalt.
Das ist kein Satz, der zum Aufatmen einlädt, sondern die Beschreibung eines Engpasses — allerdings nur für eine bestimmte Art von Arbeit. Wer eine Software darauf trainieren will, Schlägereien auf einem Platz selbsttätig zu erkennen, braucht Beispiele: markierte Videoszenen, bei denen vorher jemand festgelegt hat, ob dieses Geschehen zu dulden oder zu melden ist. Davon, wie ein Mensch über einen Platz geht, existieren Aufnahmen in beliebiger Menge. Von dem Moment, in dem sich zwei prügeln, existieren sie nicht. Die Polizei einer süddeutschen Stadt, die seit Jahren einen solchen Verhaltensscanner betreibt, hat die Verlegenheit in einem Satz zusammengefasst: Es stünden leider nur sehr begrenzt öffentliche Daten zur Verfügung.
Also stellt man sie her. In Mannheim haben Polizisten zweitausend Kämpfe gespielt, damit die Kameras etwas zu sehen bekommen; weitere achttausend hält die Behörde für nötig, bis das System praxistauglich ist. Ein einziger dieser Clips ist öffentlich, er läuft in einem Museum. Darauf wirken die Beteiligten behäbig, die Schläge angedeutet, die Tritte zurückhaltend. Der Rest des Materials ist als Verschlusssache eingestuft. Am Ende werden also zehntausend inszenierte Prügeleien weggeschlossen sein, aufgeführt von Beamten und gedreht für eine Maschine, die daran lernen soll, wie die Wirklichkeit aussieht.
In Berlin, wo dreißig Kameras die Nordhälfte eines Platzes analysieren, geht man den moderneren Weg. Dort soll niemand zum Schaukampf antreten müssen. Stattdessen stammt der größere Teil des Trainingsmaterials von einem Videogenerator — von einer KI also, die sich ausdenkt, wie Gewalt aussieht, damit eine andere KI sie erkennen lernt. Der Hersteller beschreibt das als Vorzug: So lasse sich die Trainingsmenge systematisch und datenschutzkonform vergrößern, ohne auf ortsspezifische Daten angewiesen zu sein. Das stimmt sogar. Es ist nur eine bemerkenswerte Art, den Mangel an Wirklichkeit zur Eigenschaft zu erklären.
Was dabei entsteht, lässt sich auf der Website des Anbieters betrachten. Drei Clips, auf denen die Software Gewalt erkannt haben soll; die Figuren darin berühren einander allerdings gar nicht. Nebenbei öffnen sich Straßenbahntüren während der Fahrt, Menschen lächeln und winken in Überwachungskameras oder hoppeln hasenartig durchs Bild. Ein Mannheimer Professor für Datenwissenschaften hat den Einwand auf eine Analogie gebracht, die schwer zu entkräften ist: Eine Bilderkennung für Katzen, die mit Kinderzeichnungen trainiert und dann auf Fotos angewendet wird, bleibt hinter einer zurück, die Fotos gesehen hat. Dazu kommt, dass Generatoren aus dem gelernt haben, was im Netz liegt, und dessen Vorlieben mitbringen: viel Bewegung, gute Ausleuchtung, junge Darsteller, der dunkelhäutige Angreifer im Kapuzenpullover. Die beiden Fehler, die daraus folgen, ergänzen einander. Das unspektakuläre Entreißen einer Handtasche wird übersehen. Der Joggende im Kapuzenpulli wird gemeldet.
An dieser Stelle verschiebt sich unbemerkt der Gegenstand. Ein System, das an Erfundenem geübt hat, erkennt nicht Gewalt, sondern deren Darstellung — die Haltung, in der sie üblicherweise gezeigt wird. Es misst den Abstand zwischen dem, was auf dem Platz geschieht, und dem, was ein Generator für typisch hält. Beides kann zusammenfallen. Es muss aber nicht, und ob es das tut, erfährt niemand zuverlässig: Ausgelöste Alarme werden gezählt, ausgebliebene nicht.
Dagegen gibt es ein Mittel, und es ist bereits im Einsatz. Das Berliner Modell wird mit den Bewegungen jener Menschen weiter optimiert, die sich tatsächlich an diesem Platz aufhalten. Die Beamten, die die Bilder beobachten, vermerken nach jedem Alarm, ob er berechtigt war; die Szene wandert daraufhin als Beispiel für Ignorieren oder für Melden in den Bestand zurück. Technisch betrachtet ist das der vernünftigste Teil der ganzen Anlage, eine Rückkehr zur Wirklichkeit nach dem Umweg über das Erfundene. Rechtlich wurde vorgesorgt: Die Landesregierung hat im vergangenen Dezember erlaubt, Überwachungssoftware mit personenbezogenen Daten zu trainieren und diese Daten auch an die Hersteller weiterzureichen.
Zu den Bewegungen, die dabei erfasst werden, gehört der Gang. Er ist schwer zu verstellen und ziemlich eigen, eigen genug jedenfalls, dass Fachleute darüber streiten, wie nah er an einem Fingerabdruck liegt. Für die Frage, worum es hier geht, muss man den Streit nicht entscheiden. Es genügt, dass die Daten den Platz verlassen.
Damit hat sich das Verhältnis fast lautlos umgedreht. Wer über diesen Platz geht, ist nicht mehr nur das, was geprüft wird, sondern auch das Material, an dem das Prüfen geübt wird. Die Frau mit den Einkaufstüten, die Gruppe, die sich erhitzt über ein Papier beugt, der Mann, der am Gemüsestand wartet — sie liefern gerade die Definition dessen, was später als unauffällig gelten soll, und sie liefern sie mitsamt ihrer Art, sich zu bewegen. Gefragt hat sie niemand, und bemerken werden sie es nicht. Von unten ist der Unterschied auch gar nicht zu sehen: Die Kamera, die kontrolliert, und die Kamera, die lernt, ist dieselbe.
