Erklärbare KI (XAI) für transparente Ressourcenzuteilung in Kommunikationsnetzen für die öffentliche Sicherheit

Warum intelligentere Einsatzfunkgeräte wichtig sind

Wenn ein schwerer Sturm, ein Waldbrand oder ein großflächiger Unfall die Stadt trifft, konkurrieren plötzlich Hunderte von Polizisten, Feuerwehrleuten und Rettungssanitätern um dieselben begrenzten Sprach- und Datenkanäle. Werden diese Kommunikationslebensadern überlastet oder unfair verteilt, kann das Menschen in Gefahr bringen. Dieses Papier untersucht einen neuen Weg, künstliche Intelligenz zur Verwaltung dieser knappen Kommunikationsressourcen in Netzen der öffentlichen Sicherheit einzusetzen – allerdings in einer Form, die Einsatzbehörden einsehbar, hinterfragbar und vertrauenswürdig finden können.

Wie Einsatznetze viele dringende Stimmen jonglieren

Netze der öffentlichen Sicherheit sind die spezialisierten Sprach- und Datensysteme, die Ersthelfer in Krisen verbunden halten. In diesen Momenten steigt die Bandbreitennachfrage sprunghaft an, die Bedingungen ändern sich von Minute zu Minute und verschiedene Nutzer haben sehr unterschiedliche Dringlichkeitsstufen. Traditionelle Methoden beruhen auf festen Regeln oder auf rechenintensiver Optimierungssoftware, die Probleme hat, wenn sich die Lage schnell verschiebt. Neuere, KI-basierte Systeme können sich flexibel anpassen, arbeiten aber oft als Blackbox und liefern keinen klaren Grund dafür, warum ein Rettungswagen Vorrang vor einem Streifenwagen erhielt. Diese fehlende Transparenz kann das Vertrauen untergraben, es erschwert das Erkennen versteckter Verzerrungen und verkompliziert spätere Überprüfungen, was gut oder falsch gelaufen ist.

Die Blackbox von KI-Entscheidungen öffnen

Die Autoren schlagen ein Rahmenwerk namens SLIRA vor, das KI-gesteuerte Ressourcenzuteilung sowohl effizient als auch erklärbar macht. Anstatt dem Netz nur mitzuteilen, wie Bandbreite aufzuteilen ist, erzeugt das System stets zwei Dinge zusammen: eine Empfehlung und eine Erklärung der treibenden Faktoren hinter dieser Empfehlung. Es nutzt dafür zwei weit untersuchte Erklärmethoden. Die eine, bekannt als SHAP, liefert einen „Großbild“-Überblick, welche Faktoren — etwa Nutzernachfrage, Einsatzdringlichkeit oder Netzüberlastung — im System insgesamt am wichtigsten sind. Die andere, LIME genannt, zoomt auf einzelne Entscheidungen hinein und zeigt, warum ein bestimmter Nutzer zu einem bestimmten Zeitpunkt so behandelt wurde.

Erklärungen als Steuerungsinstrument

Anstatt Erklärungen nachträglich anzufügen, baut SLIRA sie in das Herz des Entscheidungsprozesses ein. In jedem Zeitschritt wandelt ein Vorhersagemodell den aktuellen Netzstatus — wer braucht was, wie dringend es ist und wie gut die Verbindungen sind — in eine Tabelle von „Wünschbarkeitswerten“ um, die für die Zuweisung jeder Ressource an jeden Nutzer gelten. SHAP und LIME analysieren diese Werte und verschmelzen ihre Einsichten zu einem einzigen Lenkungssignal. Dieses Signal verschiebt die Zuteilungen über die Zeit und treibt sie in Richtung Muster, die verständlich, stabil und fair bleiben, anstatt kurzfristigen Gewinnen nachzujagen, die später schwer zu rechtfertigen wären. Parallel dazu prüfen Fairness-Regeln, dass keine Nutzergruppe systematisch bevorzugt oder vernachlässigt wird — nicht nur in einem Moment, sondern über längere Einsätze hinweg.

Vorsicht durch Unsicherheit und Fairness einbauen

Katastrophen sind chaotisch, und die sie beschreibenden Daten sind oft verrauscht oder unvollständig. Um damit umzugehen, ergänzt SLIRA eine Schicht bayesianischer Unsicherheitsmodellierung, die sowohl den Entscheidungen der KI als auch ihren Erklärungen ein Maß an Vertrauenswürdigkeit zuordnet. In der Praxis ermöglicht das den Bedienern zu erkennen, wann das System bei seinen Entscheidungen sicher ist und wann es gewissermaßen „auf Nummer sicher“ geht, weil die Lage unklar ist. Das Rahmenwerk überwacht außerdem, wie sich Erklärungen im Zeitverlauf verändern; plötzliche, unerklärte Schwankungen in dem, was die KI als wichtig angibt, können auf instabiles Verhalten oder sogar auf mögliche Angriffe auf das System hinweisen. Indem Erklärungen knapp gehalten und auf die einflussreichsten Faktoren fokussiert werden, zielt SLIRA darauf ab, etwas zu liefern, das ein menschlicher Entscheider in einem schnelllebigen Einsatz realistisch erfassen kann.

Das Rahmenwerk auf die Probe stellen

Um die Leistungsfähigkeit dieses Ansatzes zu prüfen, simulieren die Autoren realistische Notfallkommunikationsszenarien mit schwankendem Verkehr, gemischten Einsatzzwecken und geschützten Nutzergruppen für Fairness-Checks. Sie vergleichen SLIRA mit mehreren Alternativen: einem idealen mathematischen Solver, einfachen regelbasierten Methoden und gängigen KI-Systemen mit und ohne nachträgliche Erklärungen. Während der exakte Solver in statischen, perfekt bekannten Situationen etwas höhere rohe Effizienz erreicht, ist er langsam und gibt keine Einsicht in seine Entscheidungen. SLIRA kommt dem gegenüber auf etwa 1–2 Prozent des optimalen Effizienzniveaus, reduziert jedoch die Fairness-Lücken um mehr als 40 Prozent und verbessert die Stabilität der Entscheidungen über die Zeit erheblich — und das alles bei Laufzeiten, die für den Echtzeiteinsatz geeignet sind.

Was das für künftige Einsätze bedeutet

Für Nicht-Spezialisten ist die zentrale Erkenntnis, dass diese Forschung zeigt, wie KI so gestaltet werden kann, dass sie nicht nur mehr Leistung aus kritischen Kommunikationsnetzen herausholt, sondern dies auf eine verständliche, prüfbare und faire Weise tut. Bei SLIRA sind Erklärungen keine kosmetischen Anhänge; sie gestalten aktiv das Verhalten des Systems mit und helfen sicherzustellen, dass knappe Funk- und Datenressourcen so verteilt werden, dass dies gegenüber Einsatzkräften, Aufsichtsbehörden und der Öffentlichkeit verteidigt werden kann. Wenn solche erklärbaren Zuteilungssysteme weiterentwickelt und mit realen Daten getestet werden, könnten sie Rettungsdiensten helfen, schneller und gerechter zu reagieren, wenn Leben auf dem Spiel stehen.

Zitation: Alammar, M., Al Ayidh, A., Abbas, M. et al. Explainable AI (XAI) for transparent resource allocation in public safety communications networks. Sci Rep 16, 14180 (2026). https://doi.org/10.1038/s41598-026-43440-9

Schlüsselwörter: Netze der öffentlichen Sicherheit, erklärbare KI, Ressourcenzuteilung, algorithmische Fairness, Notfallkommunikation