Jingkun Technology löst die vier großen Probleme von urbanen Sicherheitsagenturen mit Ontologie-Technologie

I. Vier grundlegende Probleme in öffentlichen Sicherheitszenarien mit hoher Dichte, die von generischen großen Sprachmodellen nicht gelöst werden können

Offene öffentliche Räume wie städtische Ufergebiete und zentrale Geschäftsviertel sehen sich während Feiertagen oder Großveranstaltungen oft einem plötzlichen Zustrom von Hunderttausenden von Besuchern ausgesetzt. Die räumliche Struktur mit engen Gängen und mehreren miteinander verbundenen Ein- und Ausgängen kann leicht Sicherheitsunfälle wie Massenpaniken oder lokale Überfüllungen auslösen. Weder die herkömmliche manuelle Steuerung noch generische große Sprachmodelle oder veraltete Automatisierungssysteme können diese dynamischen Entscheidungsszenarien angemessen bewältigen. Die branchenspezifischen Probleme konzentrieren sich auf vier Dimensionen: Daten, Semantik, Regeln und Echtzeitschlussfolgerung – dies sind grundlegende Mängel, die generische große Sprachmodelle bei der praktischen Anwendung in der Industrie nicht überwinden können.

Das erste Problem ist die Fragmentierung von multiquelldaten und heterogenen Daten, die eine einheitliche Wahrnehmung der gesamten Situation verhindert. Das öffentliche Sicherheitsüberwachungssystem integriert mehr als zehn unabhängige Betriebssysteme wie Videoüberwachung, Mobilfunk-LBS-Signalisierung, Ticketverkauf, Verkehr und Wetter. Die verschiedenen Datentypen gehören zu unterschiedlichen Strukturen wie Bilddaten, Zeitreihendaten, Geodaten und Textdaten, ihre Aktualisierungsfrequenzen variieren von Sekunden bis Stunden, und die räumlichen Statistikgranularitäten sind nicht miteinander kompatibel. Im herkömmlichen Modell müssen Mitarbeiter zwischen mehreren Systemen auf verschiedenen Bildschirmen wechseln, da es keinen einheitlichen raum-zeitlichen Bezugspunkt für die Datenfusion gibt. Führungskräfte können die Verteilung der Besucherströme im gesamten Bereich nicht vollständig und in Echtzeit erfassen, was leicht zu lokalen Risikolücken führt. Generische große Sprachmodelle verfügen nicht über die Fähigkeit zur einheitlichen Datenverknüpfung, können multiquelldaten und heterogene Datenquellen nicht selbstständig verbinden und angleichen, sondern können nur passiv standardisierte, manuell aufbereitete Texte empfangen – wodurch die Fähigkeit zur Echtzeitwahrnehmung verloren geht.

Das zweite Problem ist die erhebliche semantische Lücke zwischen systemübergreifenden Daten, sodass die KI die tatsächliche betriebliche Bedeutung nicht verstehen kann. Selbst wenn alle multiquelldaten zusammengeführt werden, können generische große Sprachmodelle nur Text generieren, aber keine Zusammenhänge zwischen branchenspezifischen Betriebskonzepten herstellen. Wenn beispielsweise die beiden Datensätze „Die Dichte der Besucher im Bereich steigt kontinuierlich an“ und „Die Warteschlange am U-Bahn-Eingang ist über 200 Meter lang“ gleichzeitig auftreten, kann das generische Modell das Betriebsrisiko „Eine großflächige Überfüllung steht unmittelbar bevor“ nicht automatisch zuordnen und auch nicht die kausale räumliche Übertragungsbeziehung zwischen diesen beiden Besucherströmen erkennen. Branchenspezifische Begriffe, räumliche Beziehungen zwischen Bereichen und Logiken zur Risikobewertung existieren nur in der Erfahrung von Experten und in papiergebundenen Notfallplänen – es fehlt an standardisierten semantischen Trägern, sodass die KI keine eigenständigen Risikobewertungen mit betrieblichem Wert durchführen kann.

Das dritte Problem ist, dass die Quellen der Betriebsregeln verteilt sind und ihre Logiken stark gekoppelt sind, sodass herkömmliche Systeme komplexe verknüpfte Strategien nicht automatisch ausführen können. Schwellenwerte für Besucherstromwarnungen, gestufte Notfallpläne, mechanismen zur abteilungsübergreifenden Zusammenarbeit und Strategien zur Massenevakuierung sind in Richtliniendokumenten, Nachbetrachtungen vergangener Unfälle und Erfahrungsdatenbanken von Sicherheitsexperten verteilt. Die Regeln weisen komplexe Logiken wie zeitliche Beschränkungen, Bedingungsabhängigkeiten und gegenseitige Ausschlüsse auf. Ein typisches Szenario lautet beispielsweise: „Wenn die Dichte im Bereich A 4 Personen pro Quadratmeter übersteigt und dies 5 Minuten lang anhält, während gleichzeitig ein kontinuierlicher Besucherzustrom aus dem benachbarten Bereich B in den Bereich A stattfindet, wird die erste Warnstufe für Bereich A vorübergehend ausgesetzt“ – diese Bewertung umfasst gleichzeitig drei Beschränkungen: Raum, Zeit und die wechselseitige Übertragung von Besucherströmen. Herkömmliche Automatisierungssysteme unterstützen nur feste „Wenn-Dann“-Skripte mit einer einzigen Bedingung, können keine Regeln mit mehreren Entitäten und Dimensionen verarbeiten und sind darauf angewiesen, dass Menschen jede Bewertung einzeln durchführen und Maßnahmen manuell einleiten.

Das vierte Problem ist die passive und verzögerte Entscheidungskette, der Fähigkeit zur Echtzeitsimulation und geschlossenen iterativen Optimierung fehlt. Die vollständige Kette zur sicheren Bewältigung von Besucherströmen umfasst sechs Schritte: Datenfusion, Besucherstromvorhersage, gestufte Warnung, Plansteuerung, Auswertung der Umsetzung und Strategieiteration. Die herkömmliche Steuerung stützt vollständig auf nachträgliche manuelle Bewertungen, Notfallpläne werden erst aktiviert, wenn die Überfüllung bereits eingetreten ist – die Fähigkeit zur vorausschauenden Warnung fehlt. Generische große Sprachmodelle verfügen nicht über die Fähigkeit zur zeitlichen Simulation und zur Simulation der Massendynamik, sodass sie den Zeitpunkt des Spitzenbesucheraufkommens und die Ausbreitungswege von Überfüllungen nicht vorhersehen können. Nach der Umsetzung von Maßnahmen gibt es keinen quantitativen Mechanismus zur Bewertung der Wirkung, Steuerungsstrategien können nur durch Versuch und Irrtum optimiert werden – es entsteht kein intelligenter Entscheidungsprozess im geschlossenen Kreislauf von „Vorhersage – Bewältigung – Optimierung“.

Im Wesentlichen liegt das Wesen dieser vier Probleme darin, dass generische große Sprachmodelle keine standardisierte und weiterentwickelbare semantische Grundlage für die Branche besitzen. Sie verfügen nur über Fähigkeiten zur Textgenerierung und grundlegenden Schlussfolgerung, aber es fehlt an Mechanismen zur Einschränkung, Navigation und Überprüfung. In komplexen öffentlichen Sicherheitszenarien können sie keine sicheren, regelkonformen und präzisen dynamischen Entscheidungen treffen – die Branche braucht dringend Ontologie-Technologie als grundlegende Unterstützung.

II. Die Ontologie als Grundlage der semantischen Ingenieurskunst, die gezielt vier Probleme bei der praktischen Anwendung in Szenarien löst

Die Firma Jingkun Technology entwickelt bereichsspezifische Ontologiemodule, die berechenbar sind und sich dynamisch weiterentwickeln lassen. Sie dienen als zentraler semantischer Kern des Harness-Engineering-Systems und werden von vier ergänzenden Fähigkeiten begleitet: Datenverknüpfung, Regel-Engine und digitaler Zwillings-Sandkasten. Diese lösen die vier Probleme in öffentlichen Sicherheitszenarien schichtweise, ergänzen große Sprachmodelle um einen Rahmen mit betrieblichen Einschränkungen und ermöglichen es der KI, Sicherheitsentscheidungen verständlich, steuerbar und nachvollziehbar zu treffen.

Für das Problem der isolierten multiquelldaten und heterogenen Daten realisiert die Ontologie durch eine dreischichtige Architektur der Datenverknüpfung eine einheitliche Semantisierung der gesamten Daten. Die erste Schicht verarbeitet strukturierte Zeitreihendaten wie Ticket- und Verkehrsdaten in Echtzeit durch die Orchestrierung von Datenströmen. Die zweite Schicht nutzt intelligente Dokumentenanalysewerkzeuge, um Schwellenwerte und Verknüpfungsregeln aus Notfallplänen und Regelwerken zu extrahieren und unstrukturierte Dokumente in strukturierte Kennzahlen umzuwandeln. Die dritte Schicht nutzt visuelle Erkennungsmodelle, um Videobilder zu analysieren und Geodaten wie Besucherdichte und Besucherflussrichtung auszugeben. Auf dieser Grundlage wird ein Stammdatenmodell aufgebaut, das Bereiche, Ein- und Ausgänge, Polizeikräfte und Zugangskontrollgeräte umfasst. Alle Entitäten, Eigenschaften und räumlichen Beziehungen werden in das semantische Netz der Ontologie registriert. Alle heterogenen Daten werden auf denselben raum-zeitlichen Bezugspunkt abgebildet, sodass eine integrierte Wahrnehmung der gesamten Situation auf einer einzigen Karte erreicht wird – die Isolation der einzelnen Systeme wird vollständig beseitigt.

Für das Problem der semantischen Lücke der KI baut die Ontologie ein vollständiges branchenspezifisches Wissensgraphen auf und schafft einen Kanal zur Umwandlung von Daten in betriebliche Konzepte. In der Ontologie ist eine Engine zur Verarbeitung komplexer Ereignisse integriert, die in Echtzeit raum-zeitlich gekoppelte komplexe Risikozustände erfasst und aktiv Warnungen vor hohem Risiko ausgibt. Gleichzeitig unterstützt sie die Abfrage von Ontologiegraphen, die durch natürliche Sprache gesteuert wird – intelligente Agenten können selbstständig Zusammenhänge wie die Verbindung zwischen Bereichen und die Übertragung von Besucherströmen durchlaufen und automatisch mehrdimensionale Kennzahlen aus verschiedenen Systemen abfragen. Die Ontologie festigt verstreute betriebliche Konzepte, räumliche Beziehungen und kausale Risikologiken zu einem berechenbaren semantischen Netz. Generische große Sprachmodelle nutzen die Ontologie, um betriebliche Übersetzungen durchzuführen – sie generieren nicht mehr nur einfache Texte, sondern geben Risikobewertungen mit praktischem Wert für das Szenario aus. Dadurch wird die semantische Lücke zwischen KI und der Branche geschlossen.

Für das Problem, dass komplexe und gekoppelte Betriebsregeln nicht automatisch ausgeführt werden können, ist die Ontologie mit einer zweistufigen Schlussfolgerungsengine und einem automatisierten Aktionsmodul ausgestattet, das eine globale koordinierte Bewältigung unterstützt. Die Ein-Objekt-Regel-Engine kann einfache Bewertungen wie den Dichteschwellenwert eines einzelnen Bereichs in Sekundenschnelle durchführen. Die globale Schlussfolgerungseinheit kombiniert zeitliche Logik und Entitätsabhängigkeiten, verarbeitet automatisch komplexe Regeln mit mehreren Bedingungen, gegenseitigen Ausschlüssen und zeitlichen Kopplungen und balanciert widersprüchliche Bewältigungsstrategien aus. Nachdem die Regeln Anweisungen zur Maßnahmenumsetzung ausgegeben haben, speichert die Aktions-Engine einerseits eine Momentaufnahme der Ontologiedaten, um den gesamten Entscheidungsprozess vollständig zu dokumentieren – dies gewährleistet, dass jeder Schritt prüfbar und nachvollziehbar ist. Andererseits verbindet sie sich automatisch mit externen Systemen wie Zugangskontrollgeräten, Polizeigeräten und Verkehrsampeln, um vollautomatische geschlossene Abläufe wie die Begrenzung des Besucherzustroms, die Besucherlenkung und die Disposition von Polizeikräften durchzuführen. Dadurch werden komplexe Regeln, die bisher nur in Dokumenten und dem Wissen von Experten existierten, in standardisierte Logiken umgewandelt, die die KI selbstständig ausführen kann.

Für das Problem der fehlenden Fähigkeit zur Echtzeitentscheidung und -simulation ist die Ontologie mit digitalen Zwillings-Momentaufnahmen und einem Simulations-Sandkasten ausgestattet, der einen vorausschauenden geschlossenen Vorhersagekreislauf aufbaut. Das System speichert kontinuierlich Momentaufnahmen der Ontologie in Zeitintervallen und integriert das Prophet-Zeitreihenvorhersagemodell sowie physikalische Modelle der Massendynamik. Basierend auf jahrelangen historischen Besucherflussdaten erkennt es die zyklischen Muster der Besucheraufkommen an Feiertagen und Jahreszeiten und simuliert im Voraus das Ausmaß der Massenansammlungen und die Ausbreitungswege von Überfüllungen in zukünftigen Zeiträumen. Der isolierte Simulations-Sandkasten ermöglicht die parallele Simulation mehrerer Notfallstrategien, ohne die tatsächliche Betriebsumgebung zu beeinflussen. Er vergleicht quantitativ die Wirkung verschiedener Lenkungs- und Begrenzungsmaßnahmen und wählt automatisch die optimale Bewältigungsstrategie aus. Nach der Umsetzung der Maßnahmen aktualisiert das System die Momentaufnahme der Ontologie, dokumentiert die Wirkung der Maßnahmen und iteriert die Parameter der Regeln. Dadurch wird ein vollständiger geschlossener Kreislauf von Vorhersage und Warnung, Simulation und automatischer Steuerung bis hin zur Strategieoptimierung abgeschlossen – das herkömmliche passive Reaktionsmodell der Steuerung wird verändert.

III. Ontologie-Technologie schafft differenzierte Vorteile bei der praktischen Anwendung und wurde in öffentlichen Sicherheitszenarien im großen Maßstab validiert

Der Kernwert der lösung, die auf der Ontologie basiert, liegt darin, die vier Mängel generischer großer Sprachmodelle bei der praktischen Anwendung in der Industrie auszugleichen und gezielt Probleme in den Bereichen Daten, Semantik, Regeln und Simulation zu lösen. Sie wurde bisher in mehreren Szenarien zur sicheren Steuerung großer Besucherströme in zentralen Landschaftsgebieten von Städten erfolgreich validiert.

Hinsichtlich der technischen Anerkennung ist Jingkun Technology vier Jahre in Folge in den Gartner „Hype Cycle“ für daten- und KI-bezogene Technologien in China aufgenommen worden, der die grundlegenden Kerntechnologien der Ontologie wie Datenverknüpfung und Datenverwaltung abdeckt. Das Unternehmen ist tief an der Ausarbeitung mehrerer branchenspezifischer Standards beteiligt. Das semantische Framework der Ontologie ist standardisiert, regelkonform und wiederverwendbar – es kann schnell auf ähnliche dynamische Entscheidungsszenarien wie städtischen Verkehr, Finanzrisikokontrolle und Notfallsteuerung übertragen werden. Für Regierungs-, Tourismus- und Polizeikunden bietet die gesamte Lösung das semantische Fundament der Ontologie als differenzierten Kern, vermeidet Probleme wie Halluzinationen, mangelnde Erklärbarkeit und schlechte Betriebsanpassung bei generischen großen Sprachmodellen und erfüllt die strengen Anforderungen von Regierungsszenarien wie Sicherheitsprüfungen, lückenlose Dokumentation und regelkonforme Steuerung.

Hinsichtlich der praktischen Wirkung hat die Ontologie-gesteuerte intelligente Einheit für öffentliche Sicherheit in geschlossenen Ufergebietsszenarien mit plötzlichem Zustrom von Hunderttausenden von Besuchern eine Risikoerkennung im Millisekundenbereich, eine Besucherstromvorhersage im Minutenbereich und eine automatische systemübergreifende Steuerung realisiert. Es ist keine große Anzahl von Mitarbeitern mehr erforderlich, die an mehreren Bildschirmen gleichzeitig arbeiten – das herkömmliche nachträgliche Bewältigungsmodell wird in eine vorausschauende Risikobewertung umgewandelt, wodurch die Wahrscheinlichkeit von Sicherheitsunfällen wie Massenpaniken und Überfüllungen erheblich gesenkt wird. Die gesamte technische Architektur wurde auf die vier Probleme der Szenarien zugeschnitten. Die Ontologie dient als grundlegender einheitlicher semantischer Träger, der die gesamte Kette von Datenfusion, semantischem Verständnis, Regelschlussfolgerung und Simulation verbindet. Sie bietet einen praktikablen, quantifizierbaren und iterativen ingenieurstechnischen Weg für entscheidungsorientierte intelligente Einheiten und wird zu einer zentralen digitalen Grundlage für die differenzierte Verwaltung der öffentlichen Sicherheit in Städten.