Der Film Pre-Crime (2017)

Die Technologie des Predictive Policing zwischen Bull-Shit-Bingo und Kriminal-Tinder
wb 22 Okt. 2017

In dem beim Filmfest Hamburg vorgestellten Dokumentarfilm Pre-Crime von Monika Hielscher und Matthias Heeder geht es um die Vorhersage von Verbrechen und Predictive Policing. Also die Verhinderung von Verbrechen, bevor diese geschehen, mit Hilfe von Datenverarbeitung. Der Film zeigt einige dieser Daten-Techniken im Einsatz und deren Auswirkungen auf Bürger und Gesellschaft.


Urko Dorronso Attribution-ShareAlike 2.0 Generic (CC BY-SA 2.0)

Die Herkunft des Begriffes Pre-Crime

Der Spielberg-Klassiker Minority Report von 2001 (basierend auf einer Kurzgeschichte von P.K. Dick) machte den Begriff des Pre-Crime populär und setzte ihn mit einer Mischung aus Psychothriller und Cyber-Science-Fiction bildgewaltig in Szene. Drei hellsichtige sogenannte Pre-Cogs liefern die teils unscharfen Rohdaten für eine computergestützte Datenauswertung die beteiligten Personen, Ort und Zeit von bevorstehenden Mordfällen ausspuckt. Aufgabe des Pre-Crime Department der Polizei ist die Verhinderung dieser Morde und die Verhaftung der potentiellen Mörder bei oder vor der Tat. Auf der Basis eines packenden und cleveren Who-Will-Have-Done-It-Plots problematisiert der Film die Aufgabe elementarer Bürgerechte zugunsten einer verbesserten Sicherheit, die Herrschaft durch Daten bzw. durch deren Unterdrückung und das Konzept des selbstbestimmen Individuums. Seitdem wird der Begriff “Pre-Crime” von Rechts-Kritikern gegen Vorverurteilung und der Aufgabe von Rechtsgrundlagen beim Täterbegriff verwendet. Man denke an “Gefährder”, “vorbeugende Sicherheitsverwahrung” o.ä.

So wenig die Schreibarbeit auf einem deutschen Polizeirevier einer CSI-Episode ähnelt, so wenig hat auch die dokumentarische Aufarbeitung der kriminalistischen Technologien im Film Pre-Crime das narrative-visuelle Potenzial eines Minority Reports. So standen die RegisseurInnen vor der typischen Schwierigkeit, dem Wesen nach unsinnliche Datenmanipulationen visuell umzusetzen. Sie wählten dazu drei Perspektiven auf die neue Technologie: 1. den Schulterblick bei Polizisten und Entwicklern, 2. Interviews mit Betroffenen sowie 3. einordnende Statements von IT-, Kriminal- und Rechtsexperten. Optisch zusammengehalten wird der Film durch düsteres Schwenkmaterial aus Überwachungskameras, Hightech Footage in Videogams-Ästhetik und dem am Zeichenblock sinnierenden Regisseur.

In diesem Artikel sollen weniger die visuellen Problemlösungen des Films betrachtet (Kritiken findet man bei Spiegel, Süddeutscher und Golem.de), sondern die darin vorgestellten Technologien, Ideologien und gesellschaftlichen Auswirkungen von Predictive Policing Techniken näher betrachtet werden.

Predictive Policing Technologien

Prinzipiell lassen sichTechniken, die keine personenbezogenen Daten verwenden (1 und 2), von denen trennen, in solche Daten ebensolche massiv und häufig intransparent einfließen (3).

1 – Statistische Erfassung und Analyse von Einbruchskriminalität für die räumlich-zeitlichen Prognose von Folgetaten (PRECOBS, Predpol)

2 – Echzeitüberwachung und Aufzeichnung aller Aktivitäten einer ganzen Stadt/Region mit hochauflösenden Dronenvideos (LiveStreetView)

3 – Erfassung und Analyse von Kriminal- und Umfelddaten inklusive personenbezogener Daten zum Erstellen von Tatszenarien, potenziellen Täterprofilen und Gefährderlisten. (PredPol, HunchLab, Matrix, HeatList)


Precobs – Das Google Maps für (zukünftige) Einbrüche

Precobs, kurz für Pre Crime Observation System, ist eine von der Firma Institut für
musterbasierte Prognosetechnik entwickelte Software, die in mehreren Bundesländern erprobt wurde und aktuell z.B. in München eingesetzt wird. In die Datenbasis der Software fließen Deliktdaten aus dem Bereich Einbruchskriminalität ein, die systematisch nach Zeit und Ort und Modus Operandi

gespeichert werden. Der Prognose-Algorithmus basiert auf der sogenannten Near Repeat Prediction Method. Dieser liegt die Beobachtung zugrunde, dass bestimmte Deliktarten, speziell Straßenraub und Einbrüche, oft serienmäßig auftreten. Das heißt, innerhalb kurzer Zeit werden Folgetaten derselben Kategorie in räumlicher Nähe zu den ursprünglichen Taten verübt. Ziel des Verfahrens ist es, mithilfe von Daten aus der Vergangenheit herauszufiltern, wann und wo Häufungen von Straftaten erfolgten und auf dieser Basis eine Karte mit sogenannten near repeat areas zu erstellen, in denen sich mit hoher Wahrscheinlichkeit weitere Straftaten ereignen sollen. (s. Abbildung ifmp.org)

Die Ausgangsdaten werden optimiert durch die Vorselektion von Straftaten bei der Dateneingabe. So ist z.B. der verlassene Liebhaber, der bei der Ex den Verlobungsring mitgehen lässt, weniger wiederholungsanfällig als ein Modus Operandi, bei dem in freistehenden Vorstadvillen Balkontüren aufgehebelt werden, um gezielt Laptops zu stehlen. Durch die Vorselektion gelangt man zur Klassifizierung von sogenannten Triggerevents, die mit Hilfe historischer Daten auf Folgeevents hinwiesen. Auf der Basis der Eigenschaften dieser Events versucht man aktuelle Daten so zu analysieren, das potenzielle Triggerevents markiert werden, die in der nahen Zukunft wahrscheinlich zu Folgetaten führen werden. Die Qualität der Analyse steigt natürlich durch die Erfahrungswerte bei der initialien Datenklassifizierung und durch das stetige Einfließen aktueller Daten. Die Hersteller werben auf Ihrer Website mit einer 80% Trefferquote bei der Zuordnung zu Triggerevents und damit, dass sich in der Folge durch gezielte Bestreifung “deutliche Tatreduktionen” in den beteiligten Gebieten festellen lassen.

Von Experten wird die Prognosereichweite dieser Technik unterschiedlich eingeschätzt. Besonders durch die Schwierigkeit, dass in die statistische Evaluation Taten einfließen müssten, die sich durch vermeindlich gezielte Polizeiarbeit eben gerade nicht ereignet haben.

Der zweijährige Einsatz von Precobs in Stuttgart und Karlsruhe wurde vom Max Planck Institut Freiburg evaluiert. Trotz teilweise beeindruckender Zahlen der rein technischen Zuordnung von Folgedelikten zu Triggerevents, ist die Auswirkung auf die Gesamtkriminalität nicht sehr hoch.

“Der wichtigste Schluss ist, dass kriminalitätsmindernde Effekte von Predictive Policing im Pilotprojekt P4 wahrscheinlich nur in einem moderaten Bereich liegen und allein durch dieses Instrument die Fallzahlen nicht deutlich reduziert werden können.” (MPICC, S. 85)

Die Untersuchung verweist auf die Schwierigkeit, in dem äußerst komplexen Studiengebiet kausale Zusammenhänge herzuleiten. Ein weiterer herausgestellter Aspekt, der auch im Film Pre-Crime angesprochen wird, ist die Akzeptanz der Technologie durch die Polizisten. Sollten diese den Eindruck haben, von einer instransparenten Maschinerie fremdgesteuert zu werden, was dann bei Mehrarbeit zu nur geringerer Verbesserung in Sicherheitslage führt, dürfte die Bereitschaft, sich dort einzubringen, gering sein.

Auch wenn diese Form des Predictive Policing datenrechtlich unbedenklich ist, können auch bei den Bürgern Fragen aufkommen, die über reine Effizienzbewertungen hinausgehen. Z.B. ob durch PP-Verfahren eine zusammengesparte Polizei nur noch in bestimmten Gebieten patroulliert und andere Stadtteile und/oder Deliktklassen dadurch vernachlässigt werden.

Insgesamt bleibt zu sagen, dass das Modell Precobs noch sehr weit von den Verheißungen der Precrime-Abteilung in Minority Report entfernt ist: In der Begleitstudie ist für den Studienzeitraum von lediglich einer tatsächlichen Verhaftung die Rede, die auf Grund eines Precobs Alarms durchgeführt werden konnte.

 

Wide Area Surveillance – Big Drone is watching you, and listening too

Quelle: Produktwebsite Shotspotter.com

Die zweite Technik, die im Film nur angerissen wird, ist die Möglichkeit der Strafverfolgung durch ausgeweitete Überwachung des öffentlichen Raumes durch Videokameras und auch Mikrofone. Diese wird durch ein spektakuläres Beispiel vorgeführt, in dem eine gesamte Stadt durch fliegende Kameras flächendeckend abgefilmt und diese Daten in einem zoombaren Film gespeichert werden. Hier nähert man sich Science-Fiction-Modellen wie dem Simulacrum in Tom Hillenbrandts Zukunftsthriller “Drohnenland” an. Man zoomt einfach an den Tatort eines Geschehens heran und spult nun das 4D-Abbild der Realität vor oder zurück, um zu sehen, aus welchem Haus der Täter morgens herauskam oder wohin er nach der Tat flüchtete. Auch wenn diese Technik im engeren Sinne keine Technik des Predictive Policing ist, erhofft man sich von solchen Überwachungskameras auf Steroiden abschreckende Effekte durch die Unterstützung bei der Aufklärung. Welche gigantische Dimensionen ein solcher Technikeinsatz haben kann, zeigt das Modell ARGUS-IS (Autonomous Real-Time Ground Ubiquitous Surveillance Imaging System), in dem eine in 5km Höhe fliegende 1,8 GPixel Kamera zusammen mit 368 Sensoren Objekte mit einer Auflösung bis zu 15cm erfassen kann. Die anfallenden Daten erreichen dabei bis zu 1 Million Terabyte am Tag. Eine andere Technik, die nur ganz kurz angesprochen wird, ist die akustische Überwachung von Innen- und Außenräumen durch Sensoren, die über Triangulation von Sensordaten die Position von Schüssen aus Feuerwaffen lokalisieren sollen.

Wie bereits gesagt, haben die in diesem Abschnitt präsentierten Techniken nur insofern mit Predictive Policing zu tun, als dass die Gefahr des Entdecktwerdens und der erleichterten Aufklärung eventuell abschreckende Effekte bei potenziellen Tätern hat. Sie gehören in den Kontext der Diskussion über allgegenwärtige Überwachungskameras.

Die Chicago Heat List – Pipi Langstrumpf-Arithmetik beim Crime-Tinder

Kommen wir zum Herzstück des Films Pre-Crime, den Systemen Matrix und Heat List, deren Auswirkungen ausführlich unter anderem mit zwei Betroffenenen diskutiert werden. Da ist Robert McDaniel, der aufgrund seiner Vorgeschichte und von Ereignissen in seinem Umfeld auf eine sogenante Heat List der Polizei von Chicago gerät. Das Programm erstellt auf der Basis persönlicher Merkmale wie vergangenen Kontakten mit der Polizei, aber auch Straftaten im räumlichen oder persönlichem Umfeld eine Gefährder- und Gefährdetenliste. McDaniel gerät wegen kleiner Delikte und einem Mord in seinem persönlichem Umfeld auf diese Liste. Das Programm sieht vor, dass eine gezielte Ansprache durch die Polizei erfolgt, die ihm mitteilt, dass er nun unter besonderer Beobachtung stehe. Ein ähnliches englisches Programm mit dem Namen Matrix, dass sich der Bekämpfung von Gang-Kriminalität widmet, wird am Beispiel eines jungen farbigen Engländers namens Smurfz vorgestellt. In den Interviews wird schnell klar, dass die psychischen Auswirkungen dieser Dauerüberwachung, sowie die Intransparenz, wie man auf die Beobachtungsliste gekommen ist, sowie die Aussicht nicht wieder herunter zu kommen, für die Betroffenen in kafkaeske Situationen bringen können.

Zur Datenbasis der Software äußert sich die Polizei von Chicago in der Chicago Suntimes folgendermaßen. Es fließen unter anderen folgende persönliche Daten ein:

  • Arrests of gun crime
  • Violent crimes of drugs
  • Number of shooting or assaulting incidents
  • Age of last arrest
  • Gang membership

Auf der Basis eines Algorithmus des Illinois Institute of Chicago wird dann ein individueller “risk assessment score” zwischen 0 und 500 errechnet, und basierend darauf eine “strategic subject list” (SSL) erstellt. In den Fokus polizeilicher Maßnahmen gerät man mit einem Score von mehr als 250 Punkten. Insgesamt flossen knapp 400.000 Datensätze von Verhaftungen in die Erstellung der Liste ein, die etwa 1.400 “Stragegische Subjekte” enthält.

Die Intransparenz dieses Verfahrens rief Presse und Bürgerrechtler auf den Plan, welche auf der Basis des Freedom of Information Act Einsicht in die Liste und deren Erstellung verlangten. Schließlich veröffentlichte die Polizei die gesamte anonymisierte Liste, aus fahndungstechnischen Gründen in einer veralteten Version.

Diese ist bis heute auf dem Datenportal der City of Chicago einsehbar oder direkt bei der Chicago Suntimes herunterladbar. Man kann in der knapp 400.000 Zeilen langen Datenbank (s. Abbildung unten) in Spalte A den risk-score sehen, dann eine Menge Flags zu einzelnen Bewertungs-Faktoren, schließlich werden Hautfarbe (K) und Ortsdaten (AF ff.) der letzten Verhaftung festgehalten.

Die New York Times hat kürzlich versucht, den Algorithmus aufgrund der Daten zu rekonstruieren und fand folgende Faktoren:

No. of assault or battery incidents (as victim) +34
No. of shooting incidents (as victim) +17
No. of arrests for violent offenses +15
Trend in criminal activity +14
No. of unlawful use of weapon arrests +12
No. of narcotics arrests +5
Gang affiliation +4
Age (per decade) -41

Nach dieser Rechnung käme ein 20 Jähriger, der fünf mal Opfer von Überfällen wurde und viermal wg. Gewalttätigkeit sowie fünfmal wg. Drogenbesitz verhaftet wurde, schon auf 255 Punkte und damit auf die Liste, und hierbei ist der schwerverständliche Faktor “Trend in Criminal Activity” noch nicht eingerechnet. Dass man in Chicago auf der Basis von wahrscheinlich überteuert eingekauften Algorithmen der Grundschularithmetik auf die “strategic subject list” kommen kann, das hat sich ein Robert McDaniel im Film kaum träumen lassen.

Ein Problem, das den “strategischen Subjekten” im Film schwer zusetzte, war das Wissen, dass man von dieser Liste nicht so schnell wieder herunterkommt. Und in der Tat ist das einzige “Strafpunkte” mindernde Verfahren offensichtlich das Alter. Im schlimmsten Falle mindert sich in unserem Beispiel der risk-score erst nach10 Jahren, denn für jede Altersdekade werden ja wohl in Erwartung geistiger Reifung der “Subjekte” 41 Punkte abgezogen.

Obwohl die Chicagoer Polizei behauptet, der Algorithmus benutze die Fakoren “race” und “sex” nicht, sind diese in der Gesamtdatenbank enthalten und man kann einen Anteil von 85% African American (Merkmal BLK) erkennen. Die Häufigkeit der Kriminalisierung schwarzer Jugendlicher wird im Film von Smurfz als systematischer Rassismus durch Racial Profiling gebrandmarkt. Auch die Experten im Fim unterstellen den Programmen, dass damit die Aufmerksamkeit der Polizei überproportional auf bestimmte Tätergruppen (jung, schwarz, arm) gelenkt wird und Kleindelikte (Marihuana-Besitz) überbetont werden. Dabei gerät etwas aus dem Blick, dass das SSL-Programm in der Grundanlage opferzentriert war. Es war eines von insgesamt 11 Programmen zur Gewaltverminderung in Chicago im Graubereich von Gangkriminalität, wo Opfer- und Täterstatus häufig schwer zu trennen sind.

Ebenso wie in Deutschland das Precob-Programm wissenschaftlich begleitet wurde, hat in Chicago die RAND Corporation das SSL-Programm untersucht, mit dem Ergebnis:

“Individuals on the SSL are not more or less likely to become a victim of a homicide or shooting than the comparison group, and this is further supported by city-level analysis. The treated group is more likely to be arrested for a shooting.” (RAND / Springer)

In der Studie von RAND wird übrigens neben der technischen Analyse noch einmal darauf verwiesen, dass das Programm nicht nur im Sinne eine Computerprogramms, sondern viel umfassender als ein Sozialprogramm konzipiert wurde. Das wird auch im Film angedeutet, geht aber etwas unter: Es handelt sich um eine selektive Gefährder- und Gefährdeten-Ansprache, die neben der Androhung von verschärfter Überwachung auch Hilfsprogramme für den Ausstieg aus Drogen- und Gangkriminalität angebieten sollte. Die Vernachlässigung dieses Aspektes wurde in der Auswertung durch RAND auch bemängelt, da die Polizei die Liste primär zur Optimierung ihrer Verhaftungsaktivitäten genutzt hat. Was allerdings trotz massiver Eingriffe in personenbezogene Daten nicht zu einem spürbaren Rückgang der Gewaltkriminalität in Chicago geführt hat. Folgerichtig verweist im Film ein Sozialarbeiter daruf, dass die Entkoppelung der sozialen Aspekte von Kriminalität zugunsten reiner Mathematik kaum nachhaltige Verbesserungen der Sicherheit bringen kann.

HunchLab – Die Ausweitung der Kampfzone

Der umfassendste Ansatz, der im Film gezeigt wird, ist der des HunchLab-Programms, das die Firma Azavea mit der Polizei von Philadelphia entwickelt hat. Grundlage einer optimierten Einsatzplanung der Polizeikräfte ist eine Gewichtung einzelner Straftatkategorien.

Quelle: Hunchlab.com

Auf der Basis der Annahme, dass eine aus dem Auto geklaute Tasche anders gewichtet werden muss als ein Mord (etwa 4.044 mal so schwerwiegend) werden Gewichtungen für die Einsatzplanung ermittelt. [Anmerkung am Rande: Lese nur ich implizite Dollarzeichen vor den Zahlen zu Security Weight oder geht es anderen genau so?]

Die Verarbeitung der Ausgangsdaten folgt verschiedenen Kriminalitätstheorien, wie den bei Precobs verwendeten Near Repeat Pattern, dem sogenannte Risk Terrain Modeling und recht profanen aber wahrscheinlich teuer bezahlten Faustregeln wie saisonalen Deliktwahrscheinlichkeiten aufgrund von Tageszeit und Wetter; im Endeffekt der Mathematisierung des gesunden Menschen-/Polizistenverstandes.

Nicht ganz klar wird allerdings, wie genau personen- oder personengruppenbezogene Daten einfließen (s.u. in der hunchlab.com Slide: “Proximity and concentration of know offenders”).

Quelle: (Hunchlab.com)

Soweit zu den Input-Daten, nun zur Prediction-Engine. Hier verweist Hunchlab darauf, dass es mehrere Algorithmen und Machine-Learning-Mechanismen vereint.

Der Hauptalgorithmus wird folgendermaßen beschrieben:

“The primary model HunchLab currently uses is a stochastic gradient boosting machine (GBM) comprised of decision trees trained using the AdaBoost loss function. This model is built to forecast whether a crime event will occur or not in a given space-time raster cell (a binary outcome).” (Hunchlab.com)

Im Kern nutzt man ein Lernmodell, das durch Trainingsdaten konditioniert wird und in mehreren Durchläufen auf minimale Fehler optimiert wird, bevor dann die zu untersuchenden Daten eingespeist werden, was zu einer Risk-Map für ein bestimmtes Raum-Zeit Fenster führt.

Die Ablaufskizze des Algorithmus ist in der Produktpräsentation dargelegt.
https://cdn.azavea.com/pdfs/hunchlab/HunchLab-Under-the-Hood.pdf

Gradient Boosting wird mathematisch hier erklärt:
http://blog.kaggle.com/2017/01/23/a-kaggle-master-explains-gradient-boosting/

Im Unterschied zu Precob oder dem “SSL”-Verfahren ist das Modell nicht auf eine bestimmte Straftatkategorien fokussiert, sondern gibt anhand der ganz zu Anfang aufgestellten Gewichtung verschiedener Straftaten, gleichsam als Utilitarismusmaschine Empfehlungen, wie man die Polizeikräfte so einteilt, dass sich der Gesamtschaden für das überwachte Gebiet minimieren lässt. Dafür gibt es eine mobile Komponente, die den Einsatzteams vor Ort vorgibt, wo sie “am meisten gebraucht werden”.

Quelle: Hunchlab.com

Potenziell kann in dieses Modell jegliche Form von nicht kriminalitätsbezogenen Zusatzdaten eingespeist werden. Der Film suggeriert ohne direkten Bezug auf das im Einsatz befindliche Programm, dass zum Beispiel Äußerungen in Sozialen Medien oder Einkäufe einfließen könnten. Und tatsächlich beruft sich das Team von Hunchlab in seiner Präsentation auf Vorhersage und Profilingmodelle, die in der Online-Werbung verwendet werden. Der Schritt, Werbedaten auch auf der Inputseite zu verwenden, dürfte nicht weit hergeholt sein. Hier stellt der Film zurecht die Frage, was wäre, wenn Personen oder Personengruppen durch diese Modelle anstelle mit vermeindlich passender Werbung bombardiert zu werden, bevorzugt leibesvisitiert werden. Hierzu kann man einmal “Pressure Cooker Bagpack Story” googeln. Ein Problem der genauen Evaluierung besteht darin, dass Hunchlab als kommerzielles Unternehmen, bestimmt kein verschärftes Interesse daran hat, seine Betriebsgeheimnisse offenzulegen. Das führt uns zur nächsten Komponente im Pre-Crime Komplex: dem Business.

Das Crime-Business – Vom BünaBe zum Robocop

Die Entwicklung und der Einsatz von Predictive-Policing Mechanismen läuft wirtschaftlich vor der Folie sinkender öffentlicher Ausgaben für die Polizei bei gleichzeitiger Auslagerung hoheitlicher Aufgaben in die Privatwirtschaft (PPP) ab. Die Verheißung eines effizienteren Einsatzes einer zusammengesparten Polizei dürften daher den Kämmerern in der Politik willkommen sein. Dass auf der Firmenseite nicht unerhebliches Business gewittert wird, sieht man daran, dass neben kleineren Spezialanbietern, große US-Firmen eingestiegen sind. IBMs SPSS bildet die technische Grundlage von Precobs, Oracle bietet in Zusammenarbeit mit Accenture eine Integrated Policing Platform an. Die Verwirtschaftlichung der Polizeiarbeit kann dabei falsche Indikatoren (sog. Key Performance Indicators, KPI) setzen, die direkt mit Profiten verlinkt sind. Man vergleiche dazu einmal die Entwicklungen bei der Privatisierung des Strafvollzugs in den USA mit zweistelligen Renditen.

Werden die KPIs nach Innen in die Polizei z.B. als Verhaftungsquoten weitergereicht (man vergleiche oben die Ergebnisse der RAND/SSL-Studie), so pflanzt sich der Software-Algorithmus als sozialer Algorithmus in die Polizeiorganisation fort. Nicht nur die gemonitorten Verdächtigen werden objektifiziert, auch der Polizist wird schlimmstenfalls vom “bürgernahen Beamten” (BünaBe) zum datengesteuerten Robocop. Die amerikanischen Systeme benennen die Polizisten dementsprechend auch nicht mehr Ermittler/Investigator sondern “Operator”. Von hier fällt ein Schlaglicht auf das Aufsaugen jahrelanger Erfahrung – zum Beispiel bei der Klassifikation von Fällen bei Precobs (s.o.) – durch die digitale Infrastruktur. Systembedingt sinken Qualifikationsansprüche und Ermessenspielräume für den einzelnen Polizisten, was sich zwangsläufig auch im Vertrauensverhältnis des Bürgers zur Polizei ausdrücken wird.

Bewertung der Modelle

Wir haben gesehen, dass bereits eine ganze Reihe von Predictive Policing Methoden in der Erprobung oder Anwendung sind. Auch in Deutschland. Im Zuge der Ausweitung von Gewaltkriminalität und der Zunahme von organisierten Verbrechen wäre es fahrlässig, wenn die Polizei sich nicht guter technischer und organisatorischer Mittel bemächtigt, um ihren Aufgaben gerecht zu werden. Für die Polizei, aber auch den betroffenen Bürger, stellen sich dabei allerdings einige Fragen.

Bringen neue eventuell kostspielige Techniken wirklich den versprochenen / erwarteten Zuwachs an Sicherheit?
Obwohl viele der Modelle relativ neu und noch in Erprobungsphasen laufen, zeichnet sich ab, dass der Nutzen in der Realität vom versprochenen Hersteller-Nutzen erheblich abweichen kann. Akzeptanz kann nur durch transparente Kommunikation der Ziele, Verfahren und Ergebnisse erreicht werden. Bei Bürgern wie bei auch den “Operatoren”.

Inwieweit werden Grundrechte aufgeweicht, um vermeindlich höhere Sicherheit zu erreichen?
Ermittlung bei Tatverdacht ist natürlich sinnvoll und geboten.Sich beim Tatverdacht nur auf Kommissar-Zufall oder die “Nase” des Ermittlers zu verlassen ist fahrlässig. Dennoch gibt es Gefahren für Grundrechte selbst bei nicht personenbezogenen PP-Verfahren, man denke zum Beispiel an die Ausweisung sogenannter Gefahrengebiete in Hamburg 2016, in denen anlasslose Ausweiskontrollen und Durchsuchungen möglich sein sollten. Bei der Verwendung von personenbezogenen Daten wird es noch kritischer. Das Rating von Kunden durch automatische Verfahren zum Beispiel bei Versicherungen und Banken ist problematisch genug, aber die Zusammenführung solcher Daten zu einem Bürgerscoring, wie es momentan in China gemacht wird, dürfte selbst in Ansätzen hochproblematisch für unser Rechts- und Bürgerverständnis sein.

Wie wird durch den Einsatz von Predictive Policing eine implizite Ressourcenallokation vorgenommen, die den Interessen der Bürger eventuell zuwider läuft?
Das fängt auf der unteren lokalen Ebene an:
Werden besonders reiche Stadtviertel übermäßig stark gemonitored, um dort Straftaten zu vereiteln, wohingegen in anderen Stadtteilen Polizeikräfte abgezogen werden? Auch bei den Deliktarten stellt sich die Frage der Fokussierung. Etwa: Werden öffentlichkeitswirksame Verhaftungen von Kleindealern mit höherem Aufwand verfolgt als zum Beispiel schwere Gewalttaten im heimischen Bereich? Und schließlich auf gesellschaftlicher Ebene, das hat Heeder im Film und auch in der anschließenden Diskussion herausgestellt: Warum werden diese Modelle bevorzugt bei Kleinkriminellen angewandt und nicht in viel größeren Ausmaß bei der organisierten Kriminalität? Auf höherer Ebene, also bei den Hintermännern wird jede organisierte Kriminalität zu Wirtschaftskriminaliät. Und gerade bei Wirtschaftsdelikten wäre eine datengestützte Verfolgung und Analysen von Zahlungsströmen sicher viel effektiver, als der Versuch das Verhalten eines sprunghaften 20-Jährigen vorherzusagen.

Wie wird durch die Verwirtschaftlichung des öffentlichen Gutes “Sicherheit” die Gesellschaft verändert?
Im Zuge der Digitalisierung findet eine beispiellose “Objektivierung” impliziter Annahmen und Konsense statt, die gerade wenn wirtschaftliche Interessen im Vordergrund stehen, zu nachhaltigen Veränderungen gesellschaftlicher Grundparameter führen kann. Zum Beispiel: Die Aufweichung des Täterbegriffes zum dauerobservierten “Gefährder”, die Enteignung von Wissen, Intuition und Mitgefühl bei den Polizisten durch Privatfirmen und die Ausblendung der gesellschaftlichen Ursachen von Kriminalität zugunsten eines reibungslosen und zudem profitablen Vollzugsapparates. In den Broschüren der IBMs und Oracles findet sich datengestützte Sicherheit als Baustein der sogenannnten Smart Cities. Daher gilt es bei diesem schillernden Begriff besonders kritisch zu bleiben, damit (um es tagesthemen-kompatibel zu formulieren) am Ende nicht die Bürger der Dummen in den profitablen Smart Cities sind.

Pre-Crime läuft seit dem 17. Oktober in deutschen Kinos. Auf der Website www.precrime-film.de kann man erfahren wo. Wer einen erste Einblick in diese neuen Überwachungstechniken erhalten möchte, dem sei der Film empfohlen, besonders als Diskussionsgrundlage für Workshops oder Schulprojekte. Auch wenn der Film durch seine visuell etwas überladene Stuktur in Teilen an Erkenntnisqualität einbüßt, so hat er dennoch das Potenzial, eine Diskussion anzuregen, wie Verbrechen und Verbrecher definiert werden, und wie unser gesellschaftlicher Umgang damit sein sollte.

Interview mit Regisseur Matthias Heeder:
https://www.zdf.de/kultur/aspekte/videos/heeder-doku-precrime-aspekte-exklusiv-01-09-2017-100.html

Filmkritik in der Zeit:
http://www.zeit.de/digital/datenschutz/2017-10/pre-crime-film-predictive-policing