Im Bereich der forensischen Analyse stellt die zuverlässige (Re-)Identifikation von tatbeteiligten Personen auf Basis videographischer Daten eine zentrale Herausforderung dar. Insbesondere bei eingeschränkter Bildqualität oder verdeckten Identitätsmerkmalen gewinnen bewegungsbasierte Charakteristika – wie individuelle Gangmuster – zunehmend an Bedeutung. Gleichzeitig sind für den gerichtlichen Einsatz nicht nur die Leistungsfähigkeit, sondern auch die Nachvollziehbarkeit und Transparenz der eingesetzten KI-Modelle entscheidend.

Ziele und Vorgehen

Das Teilvorhaben im Projekt REGAiT fokussiert die Entwicklung interaktiver Visualisierungsansätze zur Erklärbarkeit und Validierung KI-basierter Identifikationsmodelle. Im Zentrum steht die Analyse personenspezifischer Bewegungsmerkmale aus Videodaten, insbesondere mittels Ganganalyse. Die eingesetzten Modelle werden so konzipiert, dass ihre Entscheidungsprozesse durch Methoden der Explainable Artificial Intelligence (XAI) transparent gemacht werden können.

Hierzu werden Visual-Analytics-Techniken entwickelt, die es ermöglichen, Modellentscheidungen interaktiv zu explorieren und deren zugrunde liegende Merkmale nachvollziehbar darzustellen. Neben der Visualisierung von Entscheidungsgrundlagen wird ein besonderer Fokus auf die Kommunikation von Unsicherheiten gelegt, um Fehlinterpretationen zu vermeiden und die Vertrauenswürdigkeit der Systeme zu erhöhen.

Innovationen und Perspektiven

Die Kombination aus KI-gestützter Bewegungsanalyse und interaktiver, visueller Erklärbarkeit schafft die Grundlage für eine verbesserte gerichtliche Verwertbarkeit solcher Systeme. Durch transparente Modellarchitekturen und nachvollziehbare Entscheidungsprozesse wird nicht nur die technische Validierung erleichtert, sondern auch die Kommunikation zwischen technischen Expertinnen und Experten sowie juristischen Akteurinnen und Akteuren unterstützt.

Langfristig eröffnet der Ansatz neue Möglichkeiten für den verantwortungsvollen Einsatz von KI in sicherheitskritischen Kontexten, indem er Leistungsfähigkeit mit erklärbarer Evidenz verknüpft und somit die Akzeptanz entsprechender Technologien im rechtlichen Umfeld stärkt.