Maschinelles Lernen ermöglicht die Erkennung von Frühwarnsignalen bei sozialer Instabilität
Der Cyber-Defence Campus von armasuisse Wissenschaft und Technologie (W+T) hat in Zusammenarbeit mit dem Start-up giotto.ai und der ETH Lausanne neue Techniken des maschinellen Lernens entwickelt. Dank dieser neuen Techniken sollen Frühwarnsignale für gesellschaftlich störende Ereignisse wie Aufstände, Kriege oder Revolutionen in den sozialen Medien erkannt und identifiziert werden.
Dr. Étienne Voutaz, Fachbereich Cybersicherheit und Data Science, Kompetenzbereich armasuisse Wissenschaft und Technologie
Eine neue Technologie zur Erkennung von Frühwarnsignalen bei gesellschaftlicher Instabilität wurde entwickelt. Die Erkennung und Identifikation dieser Warnsignale erfolgt über die sozialen Medien.
Soziale Netzwerke nehmen eine überdurchschnittlich grosse Rolle bei der allgemeinen Meinungsbildung sowie der Entstehung sozialer Bewegungen ein. Störende gesellschaftliche Ereignisse wie Demonstrationen, Proteste, Revolutionen, Aufstände oder sogar Kriege können ihren Entwicklungsanfang in den sozialen Medien haben. Heute wird beispielsweise anerkannt, dass die sozialen Medien eine führende Rolle bei der Entstehung des Arabischen Frühlings im Jahr 2011 gespielt haben. Daher ist es von entscheidender Bedeutung, das Aufkommen solcher Ereignisse frühzeitig erkennen zu können.
Aus diesem Grund haben der Cyber-Defence Campus und das Unternehmen giotto.ai neue Techniken des maschinellen Lernens entwickelt, um Frühwarnsignale (early warning signals) zur Erkennung solcher Ereignisse nachzuweisen.
Diese neuen Methoden sind in vielerlei Hinsicht innovativ: Erstens sind sie robust. Dies bedeutet, dass ein auf einen bestimmten Datentyp trainiertes Erkennungsmodell in der Lage sein wird ähnliche, jedoch nicht identische Ereignisse, zu erkennen. Zweitens werden nur wenige Trainingsdaten benötigt, um mindestens ebenso gute, wenn nicht sogar bessere Ergebnisse zu erzielen als dies bei der Verwendung von grossen Sprachmodellen (Large Language Model) der Fall ist. Drittens kann durch einen geografischen Ansatz, in Verbindung mit der Verwendung von klassischen Algorithmen des maschinellen Lernens, das tiefe Lernen (Deep Learning) und seine mangelnde Erklärbarkeit vermieden werden. Viertens benötigen diese Methoden keinen Zugriff auf Personendaten. Ausblickend kann man sagen, dass die verwendeten Methoden vielversprechend sind, aber weiterer Tests und Entwicklungen bedürfen, um validiert zu werden.