Videostreams: Leicht manipuliert mit künstlicher Intelligenz

Harry Potter hat seinen „invisibility cloak“, also Tarnumhang, um unsichtbar zu sein. In der realen Welt können mit Verfahren der Künstlichen Intelligenz Videostreams in Echtzeit verändert werden – auch von Kriminellen.

Wie leicht das möglich ist und was dagegen unternommen werden kann, damit beschäftigt sich die Forschungsgruppe Sichere Informationssysteme in Hagenberg.

„Deep Learning auf Basis neuronaler Netze ermöglicht beeindruckende Lösungen für die Echtzeitanalyse von Videostreams. Objekte und Personen können automatisch erkannt und vom Bild gelöscht werden“, erklärt Forscher Eckehard Hermann.

Er und Harald Lampesberger, Alexander Aigner und Rene Zeller entwickelten den Prototyp HEHLKAPPE, mit dem sie u.a. auf der Easterhegg Konferenz des Chaos Computer Clubs Wien demonstrierten, wie Personen in Videos in Echtzeit herausgerechnet werden können. Obwohl real vorhanden, sind sie auf dem Bild nicht zu sehen und können unbemerkt Objekte, vom Regenschirm bis zur Pistolenattrappe, im Bild platzieren. Damit skizzieren die IT-ExpertInnen ein potenzielles Angriffsszenario.

Vorsprung durch Vorausschauen

Eine neue Analysemethode kann Produktion und Logistik entscheidend verbessern, erzählt Vize-Dekan für Forschung Michael Affenzeller. 

Ob Fabrikslayout, Produktionsreihenfolgen, Lagerverwaltung oder Transportwege – in der industriellen Fertigung und innerbetrieblichen Logistik gibt es viele hochkomplexe, stark miteinander verschränkte Teilbereiche zu optimieren.
Eben damit beschäftigen sich FH-Prof. PD DI Dr. Michael Affenzeller und sein Forschungsteam des “Heuristic and Evolutionary Algorithms Laboratory” (HEAL). Ihr Spezialgebiet sind metaheuristischen Optimierungsverfahren, simulationsbasierter Optimierung und Maschinelles Lernen.
Im kürzlich abgeschlossenen COMET K-Projekt HOPL entwickelte sie mit Partner aus Industrie und Forschung Lösungen für Unternehmen wie voestalpine, Rosenbauer und Miba und optimierten z.B. den Stahlproduktionsprozess.
Der innovative Ansatz dabei: „Wir betrachten den Produktionsprozess als Netzwerk interagierender Teilprozesse, samt Rückkopplungen und Abhängigkeiten,“ so Affenzeller.
Ziel ist es, bestehende Prozesse nicht nur zu erforschen, sondern Ereignisse vorauszusagen. Das fällt unter „Predictive Analytics“. Mit Hilfe von Optimierungstechniken geht man noch einen Schritt weiter, indem man sich nicht auf Beschreibung, Diagnose und Vorhersage beschränkt, sondern darauf aufbauend Handlungsempfehlungen abgibt. Damit beschäftigt sich das Feld der Prescriptive Analytics, ein Schwerpunkt im Softwarepark Hagenberg, dessen wissenschaftliche Leitung Affenzeller im Juli übernahm.
„Verschiedene universitäre und außeruniversitäre Einrichtungen forschen hier zum Thema, auch in dazu beitragenden Teilbereichen der künstlichen Intelligenz. Durch Zusammenarbeit können wichtige Fortschritte für Industrie und Wirtschaft erzielt werden,“ sagt Affenzeller. Auf Basis von Data Mining, maschinellem Lernen, heuristischer und exakter Optimierung sowie anderen statistischen Methoden werden Vorhersagen über die Wahrscheinlichkeit von zukünftigen Ereignisse getroffen und verschiedene Szenarien optimiert.
Über den Beitrag von HEAL dazu sagt Affenzeller: „Wir können Erkenntnisse aus maschinellem Lernen und Optimierung derart verquicken, dass Handlungsempfehlungen für die reale Welt ableitbar sind. Simulationskompetenz wiederum wird etwa von Risc Software eingebracht und gemeinsam daraus ein simulationsbasierter Optimierungsansatz entwickelt.“