In einer Zeit, in der synthetische Bilder, Deepfakes und immer komplexere KI-Workflows unsere digitale Landschaft dominieren, ist die Frage des Vertrauens in Daten wichtiger denn je. Wie können wir uns auf die Daten verlassen, die unsere wichtigsten Entscheidungen beeinflussen – vom Hochwasser- und Waldbrandmanagement über die nationale Sicherheit bis hin zu Notfallmaßnahmen und Infrastrukturplanung?
Denken Sie an die katastrophalen Überschwemmungen in Deutschland im Jahr 2021. Trotz moderner Warnsysteme tauchten Zweifel an der Genauigkeit und Aktualität der Daten auf, die den Hochwasservorhersagemodellen zugrunde lagen. Dies trug zu Verzögerungen bei Evakuierungen und dem Verlust von über 180 Menschenleben bei. In Australien erschwerten Lücken und Ungenauigkeiten in den Satellitenbildern während der Buschbrände 2020 den Rettungskräften die effektive Planung und den Einsatz ihrer Ressourcen.
Ebenso viel steht auf dem Spiel, was die nationale Sicherheit und die öffentliche Information betrifft. 2022 verbreitete sich ein Deepfake-Video eines prominenten Politikers im Internet, erschütterte kurzzeitig das öffentliche Vertrauen und warf dringende Fragen nach Authentizität und Herkunft auf. Während der COVID-19-Pandemie sorgten Fehlinformationen und inkonsistente Datenberichterstattung für Verwirrung und erschwerten die Koordinierung einer wirksamen Reaktion des öffentlichen Gesundheitswesens. Dies sind keine Randszenarien – sie bieten einen Vorgeschmack darauf, was passiert, wenn Datenintegrität, -herkunft und -vertrauen nicht von vornherein in unsere Systeme integriert sind.
Aus diesem Grund entwickelt das Open Geospatial Consortium (OGC) ein umfassendes Rahmenwerk für Integrität, Herkunft und Vertrauen (IPT) von Geodaten. Ziel dieser Arbeit ist es, eine Grundlage zu schaffen, auf der Organisationen weltweit aufbauen können, um sicherzustellen, dass ihre Daten nicht nur nützlich, sondern auch vertrauenswürdig sind.
Dies ist der Beginn einer einjährigen Initiative, um zu definieren, wie vertrauenswürdige Geodaten wirklich aussehen – und wie wir als globale Gemeinschaft sicherstellen können, dass sie die Grundlage für die Systeme bilden, auf die wir alle angewiesen sind.
Warum es jetzt wichtig ist
Unternehmen verlassen sich heute auf ein immer umfangreicheres und vernetzteres Datenökosystem – oft beziehen sie Daten von externen Anbietern oder verarbeiten sie über Blackbox-KI-Modelle. Dieser Komfort hat jedoch seinen Preis: Können wir sicher sein, dass die Daten das sind, was sie vorgeben zu sein?
Wir haben bereits gefälschte Satellitenbilder, KI-generierte 3D-Stadtmodelle und synthetische Straßennetze gesehen. Dies sind nicht nur theoretische Risiken – sie stellen eine echte Herausforderung für das öffentliche Vertrauen, die operative Genauigkeit und die Rechenschaftspflicht dar.
In Umgebungen mit hohem Risiko kann Unsicherheit über Datenintegrität oder -herkunft zu fehlerhaften Analysen, übersehenen Warnungen oder sogar Richtlinienversagen führen. Es ist Zeit, von blindem Vertrauen zu evidenzbasiertem Vertrauen überzugehen.
Beginnen wir mit einigen Definitionen und einem Beispiel, um die Perspektive von OGC beim Aufbau dieses Frameworks darzulegen.
Datenintegrität bezieht sich darauf, wie Daten während ihres gesamten Lebenszyklus behandelt wurden, einschließlich ihrer Eigenschaften wie Inhalt, Genauigkeit und Vollständigkeit von der Erfassung über die Verarbeitung bis hin zur Verteilung. Die Integrität kann durch Manipulation, Fehler oder nicht dokumentierte Änderungen beeinträchtigt werden, weshalb Schutzmaßnahmen unerlässlich sind, um die Zuverlässigkeit zu gewährleisten.
Provenienz bezeichnet den Ursprung der Daten, wie sie verändert wurden und wer oder was diese Änderungen vorgenommen hat. Die Provenienz ist gefährdet, wenn datenverändernde Vorgänge nicht protokolliert werden, was sowohl die Nachvollziehbarkeit als auch die Integrität beeinträchtigt.
Wenn Integrität und Herkunft gut dokumentiert, konsistent und unveränderlich sind, ist die Grundlage für Vertrauen in die Daten geschaffen. Vertrauen bedeutet nicht nur, dass der Nutzer darauf vertrauen kann, dass die Daten seinen Erwartungen entsprechen, sondern auch, dass Quelle, Entwicklung und Eignung der Daten eindeutig beschrieben werden können, sodass auch andere die Daten nutzen können.
Beispielsweise nimmt ein Satellit mit bekannten Kameraparametern ein Bild auf. Dieses Bild wird direkt an eine Organisation weitergeleitet, die es mithilfe eines genau definierten Algorithmus an ein Geländemodell anpasst. Das angepasste Bild wird dann verwendet, um die Größe eines Sees zu berechnen. Dabei wird berücksichtigt, dass die Quelle eine bestimmte Pixelauflösung hat und dass die Daten während der Verarbeitung so bearbeitet wurden, dass die ursprüngliche Auflösung erhalten blieb. Wenn jeder dieser Vorgänge – von der Erfassung über die Verarbeitung bis zur Bereitstellung – anhand standardisierter und eindeutiger Parameter dokumentiert wird, können Nutzer darauf vertrauen, dass die Daten ihren Anforderungen entsprechen und Analysen validiert und reproduziert werden können.
VERTRAUEN IN GEODATEN AUFBAUEN: FORTSCHRITTE UND NÄCHSTE SCHRITTE
OGC und andere haben bedeutende Fortschritte bei der Entwicklung von Standards , Werkzeugen und Rahmenwerken erzielt, die die Informations- und Kommunikationstechnologie (IPT) in Geodaten verbessern. Diese Bemühungen bilden die Grundlage für die Gewährleistung von Datenzuverlässigkeit, Rückverfolgbarkeit und Nutzbarkeit in verschiedenen Branchen. Einige Aspekte des IPT-Rahmenwerks sind bereits implementiert oder werden in Kürze verfügbar sein, wie beispielsweise die folgenden.
Integrität
Metadatenstandards definieren die ursprünglichen und transformierten Daten. Es gibt etablierte Standards für die Erfassung von Metadaten, es müssen jedoch Richtlinien für die effektive Verwendung gemeinsamer Terminologie entwickelt werden, um einen direkten Vergleich zu ermöglichen.
Das Sensormodellregister des OGC gewährleistet eine einheitliche Beschreibung der Sensorfunktionen. Dieses Register löst einen Teil des Problems, jedoch müssen ähnliche Definitionen zur Beschreibung anderer Datenquellen und Erfassungsmethoden entwickelt oder integriert werden.
Herkunft
Die OGC-Trainingsdaten-Markup-Sprache für KI standardisiert Trainings- und Validierungsdatensätze. Im Rahmen der OGC-Initiative werden neue Arbeiten vorgeschlagen, um spezialisierte Metadaten zur Beschreibung der in der Geodatenverarbeitung verwendeten KI-Modelle zu entwickeln.
Das Datenqualitätsmaßregister von OGC und ISO erstellt quantifizierbare, konsistente Beschreibungen der Datenqualität. Diese Qualitätsmaße beschreiben die Integrität der Daten und die Auswirkungen der Verarbeitung, die die Herkunft der Informationen bestimmt.
Die OGC implementiert Provenienzbausteine in mehreren EU-Projekten. Die OGC-API-Standards bestehen aus einer Reihe unabhängig implementierbarer Funktionsbausteine, die gemeinsam zu einer Implementierung zusammengesetzt werden können. Ebenso lassen sich Deskriptoren für Operationen, die die Datenintegrität beeinflussen und Teil der Datenprovenienz sind, modular gestalten und in jeden Schritt des Datenlebenszyklus einfügen.
Was kommt als nächstes
Trotz dieser Fortschritte ist ein umfassendes Vertrauensmodell – basierend auf interoperablen, standardbasierten IPT-Komponenten – noch nicht fertiggestellt.
Im nächsten Jahr wird OGC mit Mitgliedern und Partnern zusammenarbeiten, um:
- Integrieren Sie IPT-Bausteine in Betriebssysteme und Arbeitsabläufe
- Stellen Sie sicher, dass die Deskriptoren maschinenlesbar, manipulationssicher und umsetzbar sind
- Paketieren Sie IPT-Parameter mit Datensätzen für durchgängige Transparenz
- Spiegeln Sie reale Benutzeranforderungen durch offene Zusammenarbeit und gemeinsame Tests wider
Seien Sie Teil der Zukunft vertrauenswürdiger Daten
In diesem Blog geht es um eine tiefere Auseinandersetzung mit dem Rahmenwerk für Integrität, Herkunft und Vertrauen und darum, wie wir als Gemeinschaft gemeinsam etwas Sinnvolles – und Skalierbares – aufbauen können.
Wir veröffentlichen das ganze Jahr über technische Highlights, Anwendungsfälle aus der Praxis und Möglichkeiten zur Beteiligung. Egal, ob Sie Normen entwickeln, Daten nutzen, KI-Experte sind oder im öffentlichen Dienst arbeiten – Ihr Wissen ist entscheidend.
Der Bewegung beitreten:
Sorgen wir dafür, dass Datenvertrauen sichtbar, messbar und gemeinsam nutzbar ist, damit jeder mit Zuversicht bessere Entscheidungen treffen kann.
