Blackout Dispositions- und Einsatzsimulator

Hintergrund

Wir entwickelten eine selbstreflektierende Künstliche Intelligenz (Self-Reasoning LLM Framework), um Antworten und Berichte nachvollziehbarer und robuster zu machen. Um dieses Framework nicht nur auf kleinen, manuell kuratierten Korpora zu testen, wurde Munich Sim entwickelt.

Die softwarebasierte Simulation bildet Einsatzabläufe nach und erzeugt große Mengen strukturierter und teilstrukturierter operativer Texte. Dadurch entsteht eine kontrollierte, semirealistische Testumgebung, in der sich das Verhalten der KI unter praxisnahen Dokumentations- und Dispositionsbedingungen evaluieren lässt, ohne auf sensible Realdaten zurückzugreifen.

Funktion

Konkret erzeugt der Simulator Einsatzübersichten mit Angaben zu Ort, Einsatztyp, zugewiesenen Einheiten und einem mechanisch abgeleiteten Dispositionsvorschlag, außerdem ereignisprotokollartige Datenströme wie Statusänderungen und Leitstellen-Updates, funkähnliche Nachrichtenfragmente sowie fortlaufend aktualisierte Ressourcen- und Materialbestände, die durch ein weiteres Modell künstlicher Intelligenz (LLM) erzeugt werden.

Diese Artefakte werden in die getrennten Speicher der selbstreflektierenden KI eingelesen, zum Beispiel für Regeln, Ressourcen und AAO-Logik sowie für einsatzspezifische Zeitverläufe und Nachrichten. Dadurch werden Abruf und Verifikation gegenüber einer wachsenden, heterogenen Textbasis ermöglicht.

„AAO-ähnlich“ bezieht sich auf eine AAO (Alarm- und Ausrückeordnung), also den vordefinierten Alarmierungs- bzw. Einsatzplan, der festlegt, welche Einheiten bei einer bestimmten Einsatzart entsandt werden. Im Simulator wird dies als vereinfachter, regelbasierter Dispositionsersatz verwendet.

Weiterentwicklung und Zielbild

Ein zentrales Ziel ist die praktische Umsetzbarkeit auf lokalen Edge-Deployments. In unseren Prototyp-Durchläufen führten wir ein großes lokales KI-Modell auf einem High-End-Computer aus, der auf einem Feuerwehrfahrzeug, Rettungswagen oder einem Einsatzleitwagen untergebracht werden kann.

Selbst bei Rechenzeiten pro Anfrage in der Größenordnung von Minuten erzeugte selbstreflektierende KI lange, strukturierte und quellenverankerte Berichte. Obwohl die Latenz eine Einschränkung für den Echtzeiteinsatz darstellt, zeigen diese Durchläufe, dass hochgradig nachvollziehbare Berichterstellung auch ohne Cloud-Abhängigkeit möglich ist, was für offlinefähige oder datenschutzwahrende Deployments relevant ist.

Aus der Simulationssoftware wurde außerdem ein spezieller Szenario-Simulator für großflächige Stromausfälle entwickelt, der entsprechende Blackout- und Brownout-Szenarien modelliert. Diese Erweiterung enthält Einsatzlagen, die gezielt die stufenweise Eskalation in einen Katastrophenschutzfall sichtbar machen, etwa durch den Ausfall kritischer Infrastruktur, steigende Versorgungsengpässe, wachsenden Koordinationsbedarf und die Einrichtung von KatS-Leuchttürmen bzw. Notanlaufstellen (Katastrophenschutz-Leuchttürme).

Dadurch lässt sich selbstreflektierende KI nicht nur in allgemeinen Einsatzdynamiken, sondern auch in länger andauernden, kaskadierenden Krisenszenarien evaluieren.