Europas High-Tech-Arsenal an Grenztechnologien wird oft als futuristisches M\u00e4rchen von Licht, Geschwindigkeit und Rechenleistung dargestellt. Identifizierungssysteme wie die Eurodac-Datenbank speichern, verarbeiten und vergleichen die digitalisierten Fingerabdr\u00fccke von Migranten mithilfe von Nahinfrarotlicht, Glasfaserkabeln und zentralen Servern. Drohnen patrouillieren den Himmel mit ihren optischen Sensoren, die nicht blinken. Und gro\u00dfe Datenmengen werden in Computerprogramme eingespeist, die die n\u00e4chste Welle von Ank\u00fcnften vorhersagen.<\/p>\n\n\n\n
Nachrichtenberichte<\/a> und NGO-Berichte<\/a> die sich mit dem High-Tech-Charakter der europ\u00e4ischen Grenzen befassen, gibt es viele. In allen Berichten wird aufgezeigt, wie ferngesteuerte Formen der \u00dcberwachung, Abschreckung und Kontrolle die Grenzbefestigungen zunehmend erg\u00e4nzen und in bestimmten F\u00e4llen sogar ersetzen. Diese Art von Forschung und Lobbyarbeit ist zwar wichtig, um die EU und Technologieentwickler f\u00fcr ihre Rolle bei der Vertreibung von Asylbewerbern auf t\u00f6dliche Migrationsrouten<\/a> zur Rechenschaft zu ziehen, doch wird dabei die lange Geschichte dieser Technologien und ihre etablierte Rolle in westlichen Regierungsapparaten ausgeblendet. Dies birgt nicht nur die Gefahr, dass die „AI-Hype<\/a>‚ bei politischen Entscheidungstr\u00e4gern und Entwicklern zu verst\u00e4rken, die diese Werkzeuge als Mittel zur Schaffung „intelligenterer“ Grenzen und zum Schutz der Menschenrechte von Migranten<\/a> anpreisen.Noch wichtiger ist, dass diese Art von historischer Amnesie dazu f\u00fchren kann, dass die Gewalt und Ausgrenzung durch diese Technologien als ein technisches Problem der „Verzerrung“ missverstanden wird, das leicht durch genauere Messungen oder gr\u00f6\u00dfere Datens\u00e4tze korrigiert werden kann.<\/p> Stattdessen sollte ein Gro\u00dfteil des Schadens, der durch diese Technologien entsteht, als inh\u00e4rent in ihrem Design verstanden werden.\n\n\n\n Der Einsatz moderner Technologien zur Kontrolle der menschlichen Mobilit\u00e4t ist alles andere als neu. Stellen Sie sich eine st\u00e4dtische europ\u00e4ische Polizeistation im sp\u00e4ten neunzehnten Jahrhundert vor. H\u00e4tte die Stadtverwaltung die neueste Identifizierungstechnologie eingesetzt, w\u00e4ren die Verd\u00e4chtigen einem komplexen Messverfahren unterzogen worden. Die Aufnahme ihrer Ma\u00dfe war ein pr\u00e4ziser und hochspezialisierter Prozess, der einen erfahrenen und geschulten Techniker erforderte.<\/p>\n\n\n\n Betrachten Sie diese Anleitung zur Messung eines Ohres<\/a>:<\/p>\n\n\n\n Der Bediener bringt den festen Kiefer des Instruments an den oberen Rand des Ohrs und h\u00e4lt es fest, indem er seinen linken Daumen ziemlich fest auf das obere Ende des Kiefers des Instruments dr\u00fcckt, w\u00e4hrend die anderen Finger der Hand auf der Sch\u00e4deldecke ruhen. Mit dem Stiel der Schieblehre parallel zur Achse des Ohres schiebt er die bewegliche Backe vorsichtig, bis sie das untere Ende des Ohrl\u00e4ppchens ber\u00fchrt, und vergewissert sich, bevor er die angezeigte Zahl abliest, dass die Ohrmuschel [\u00e4u\u00dferer Teil des Ohres] in keiner Weise von einer der beiden Backen eingedr\u00fcckt wird.1<\/a><\/p>\n<\/blockquote>\n\n\n\n Dieses Verfahren mag wie ein kurioses Relikt aus dem Fin de Si\u00e8cle klingen, aber es ist alles andere als das. Bertillonage, das System der Messung, Klassifizierung und Archivierung zur Identifizierung von Straft\u00e4tern, das in den 1870er Jahren von dem gleichnamigen franz\u00f6sischen Polizeibeamten entwickelt wurde, war ein Meilenstein in der Geschichte der \u00dcberwachungs- und Identifizierungstechnologie. Bemerkenswerterweise bilden seine Grundprinzipien bis heute die Grundlage f\u00fcr Identifizierungstechnologien, von der Datenbank bis zur Biometrie und zum maschinellen Lernen.<\/p>\n\n\n\n Es besteht eine enge und historisch gewachsene Verbindung zwischen der Angst vor der unkontrollierten Verbreitung verschiedener „unerw\u00fcnschter Personen“ und technologischen Innovationen. Jahrhundert, die entwickelt und verfeinert wurden, um Probleme im Zusammenhang mit Landstreicherei, Kolonialherrschaft, Abweichung, Wahnsinn und Kriminalit\u00e4t zu l\u00f6sen, bilden die Grundlage des heutigen High-Tech-Grenz\u00fcberwachungsapparats. Zu diesen Techniken geh\u00f6ren die Quantifizierung, die den menschlichen K\u00f6rper als Code wiedergibt, die Klassifizierung und moderne Methoden der Indexierung und Archivierung.<\/p>\n\n\n\n Smarte Grenzsysteme nutzen fortschrittliche Technologien, um ‚moderne, effektive und effiziente<\/a>‚ Grenzen zu schaffen. In diesem Zusammenhang werden fortschrittliche Technologien oft so dargestellt, dass sie Grenzprozesse wie Identifizierung, Registrierung und Mobilit\u00e4tskontrolle in ein rein technisches Verfahren umwandeln und dadurch den Prozess fairer und weniger anf\u00e4llig f\u00fcr menschliche Fehler machen. Algorithmische Pr\u00e4zision wird als Mittel zur Vermeidung unethischer politischer Voreingenommenheit und zur Korrektur menschlicher Fehler dargestellt.<\/p>\n\n\n\n Als Forscher der technowissenschaftlichen Grundlagen des High-Tech-Grenzapparats der EU,2<\/a> erkenne ich sowohl die zunehmende Elastizit\u00e4t der zeitgen\u00f6ssischen Grenzpraktiken als auch die historisch gewachsene Methodik ihrer Instrumente und Praktiken.3<\/a><\/p>\n\n\n\n Zum Beispiel die Eurodac-Datenbank<\/a>, ein Eckpfeiler des EU-Grenzmanagements. Der 2003 eingerichtete Index speichert die Fingerabdr\u00fccke von Asylbewerbern zur Durchsetzung der Dublin-Verordnung \u00fcber die Ersteinreise.4<\/a> Die Abnahme von Fingerabdr\u00fccken und die Erfassung in interoperablen Datenbanken sind auch zentrale Instrumente, die in neueren Ans\u00e4tzen zur Migrationssteuerung wie dem Hotspot-Ansatz eingesetzt werden, bei dem die Identit\u00e4tszuweisung als Mittel dient, um „verdiente“ von „unverdienten“ Migranten herauszufiltern.5<\/a><\/p>\n\n\n\n Im Laufe der Jahre haben sich sowohl die Art der in Eurodac gespeicherten Daten als auch ihre Verwendungszwecke ausgeweitet: Der Anwendungsbereich wurde erweitert, um „weiteren Migrationszwecken<\/a>“ zu dienen, wobei nicht nur Daten \u00fcber Asylbewerber, sondern auch \u00fcber irregul\u00e4re Migranten gespeichert werden, um deren Abschiebung zu erleichtern. Ein k\u00fcrzlich angenommener Vorschlag<\/a> hat die Erfassung von Fingerabdr\u00fccken um Gesichtsbilder und biografische Informationen, einschlie\u00dflich Name, Staatsangeh\u00f6rigkeit und Passdaten, erg\u00e4nzt. Au\u00dferdem wurde das Mindestalter von Migranten, deren Daten gespeichert werden d\u00fcrfen, von vierzehn auf sechs Jahre gesenkt.<\/p>\n\n\n\n Seit 2019 ist Eurodac „interoperabel<\/a>“ mit einer Reihe anderer EU-Datenbanken, in denen Informationen \u00fcber gesuchte Personen, ausl\u00e4ndische Einwohner, Visuminhaber und andere Personen gespeichert sind, die f\u00fcr Strafjustiz-, Einwanderungs- und Asylbeh\u00f6rden von Interesse sind, was eine effektive Verkn\u00fcpfung von Strafjustiz und Migration erm\u00f6glicht und gleichzeitig den Zugang zu diesen Daten erheblich erweitert. Eurodac spielt f\u00fcr die europ\u00e4ischen Beh\u00f6rden eine Schl\u00fcsselrolle, wie die Bem\u00fchungen um eine „100%ige Fingerabdruck-Erfassungsquote“ zeigen: Die Europ\u00e4ische Kommission hat die Mitgliedstaaten dazu gedr\u00e4ngt, jede neu ankommende Person in der Datenbank zu erfassen, notfalls mit physischem Zwang und Inhaftierung<\/a>.<\/p>\n\n\n\n Nationalstaaten sammeln zwar seit Jahrhunderten Daten \u00fcber ihre B\u00fcrger, um sie zu besteuern und milit\u00e4risch zu rekrutieren, doch die Indizierung, Organisation in Datenbanken und Klassifizierung f\u00fcr bestimmte staatliche Zwecke – wie die Kontrolle der Mobilit\u00e4t „unerw\u00fcnschter“ Bev\u00f6lkerungsgruppen – ist eine Erfindung des 19. Jahrhunderts.6<\/a> Der franz\u00f6sische Historiker und Philosoph Michel Foucault beschreibt, wie sich die Staaten im Zusammenhang mit der zunehmenden Urbanisierung und Industrialisierung zunehmend mit der Frage der „Zirkulation“ besch\u00e4ftigten. Personen und Waren sowie Krankheitserreger zirkulierten weiter als in der fr\u00fchen Neuzeit.7<\/a> W\u00e4hrend die Staaten nicht versuchten, diese Bewegungen vollst\u00e4ndig zu unterdr\u00fccken oder zu kontrollieren, suchten sie nach Mitteln, um das, was als „positive“ Zirkulation angesehen wurde, zu erh\u00f6hen und die „negative“ Zirkulation zu minimieren. Zu diesem Zweck setzten sie die neuartigen Instrumente einer positivistischen Sozialwissenschaft ein: Im Bereich der Demografie wurden statistische Ans\u00e4tze verwendet, um Ph\u00e4nomene wie Geburten, Unf\u00e4lle, Krankheiten und Todesf\u00e4lle zu verfolgen und zu regulieren.8<\/a> Der aufkommende managerielle Nationalstaat ging das Problem der Zirkulation an, indem er ein ganz bestimmtes Instrumentarium entwickelte, indem er detaillierte Informationen \u00fcber die Bev\u00f6lkerung zusammentrug und standardisierte Methoden zur Speicherung und Analyse entwickelte.<\/p>\n\n\n\n Ein besonders \u00e4rgerliches Problem war die Verbreitung von bekannten Verbrechern. Im neunzehnten Jahrhundert glaubte man allgemein, dass eine Person, die einmal straff\u00e4llig geworden war, auch wieder straff\u00e4llig werden w\u00fcrde. Die verf\u00fcgbaren Systeme zur Identifizierung von Straft\u00e4tern waren jedoch v\u00f6llig unzureichend.<\/p>\n\n\n\n Wie der Kriminologe Simon Cole erkl\u00e4rt, erfordert die Identifizierung einer unbekannten Person ein „wirklich einzigartiges K\u00f6rpermerkmal“.9<\/a> Vor dem Aufkommen moderner Identifizierungssysteme gab es jedoch nur zwei M\u00f6glichkeiten, dies zu erreichen: das Brandzeichen oder die Personenerkennung. W\u00e4hrend die Brandmarkung in Europa und Nordamerika bei Str\u00e4flingen, Gefangenen und Versklavten weit verbreitet war, f\u00fchrten die sich entwickelnden Vorstellungen von Kriminalit\u00e4t und Bestrafung zu Beginn des 19. Jahrhunderts weitgehend zur Abschaffung der k\u00f6rperlichen Kennzeichnung. An ihre Stelle trat das Strafregister: ein schriftliches Dokument, das den Namen des Verurteilten und eine schriftliche Beschreibung seiner Person, einschlie\u00dflich seiner Kennzeichen und Narben, enth\u00e4lt.<\/p>\n\n\n\n Allerdings erwies sich die Identifizierung eines Verd\u00e4chtigen allein anhand einer schriftlichen Beschreibung als schwierig. Au\u00dferdem war das System anf\u00e4llig f\u00fcr die Verwendung von Decknamen und unterschiedlichen Schreibweisen von Namen: Nur eine Person, die in ihrer Gemeinschaft bekannt war, konnte mit Sicherheit identifiziert werden. Fr\u00fche Systeme zur Identifizierung von Straft\u00e4tern waren grunds\u00e4tzlich anf\u00e4llig f\u00fcr Mobilit\u00e4t.10<\/a> Vor allem diese Probleme sind auch heute noch im Migrationsmanagement pr\u00e4sent,<\/a> da Datenbanken oft mehrere Eintr\u00e4ge f\u00fcr ein und dieselbe Person enthalten, die sich aus unterschiedlichen Transliterationen von Namen aus dem arabischen in das r\u00f6mische Alphabet ergeben.<\/p>\n\n\n\n Die Erfindung der Fotografie in den 1840er Jahren trug wenig dazu bei, das Problem der Zuverl\u00e4ssigkeit der Identifizierung von Straft\u00e4tern zu l\u00f6sen. Nicht nur, dass eine fotografische Aufzeichnung immer noch von der pers\u00f6nlichen Wiedererkennung abhing, sondern sie warf auch die Frage der Archivierung auf. Vor der Bertillonage wurden Strafregister entweder in Form j\u00e4hrlicher Kompendien von Verbrechen oder alphabetischer Listen von Straft\u00e4tern aufbewahrt. Fotografien boten zwar eine genauere Darstellung des Gesichts, aber es gab keine M\u00f6glichkeit, sie nach Merkmalen zu archivieren. Wenn man in der Kartei beispielsweise nach einer Person mit einem markanten Kinn suchen wollte, gab es kein Verfahren daf\u00fcr. Die Fotos von Verurteilten wurden alphabetisch nach dem Namen des Verurteilten sortiert und wiesen damit die gleiche Schw\u00e4che auf wie andere Identifikationssysteme.<\/p>\n\n\n\n Alphonse Bertillon war der erste, der dieses Problem l\u00f6ste, indem er systematische Messungen des menschlichen K\u00f6rpers mit der Archivierung und Aufzeichnung von Daten verband. Der Kriminologe verbesserte die Auffindbarkeit von Akten, indem er die Eintr\u00e4ge numerisch statt alphabetisch sortierte und ein Indexierungssystem schuf, das ausschlie\u00dflich auf anthropomorphen Messungen basierte. Die Karteikarten wurden nach einem hierarchischen Klassifizierungssystem geordnet, wobei die Informationen zun\u00e4chst nach Geschlecht, dann nach Kopfl\u00e4nge, Kopfbreite, Mittelfingerl\u00e4nge und so weiter unterteilt wurden. Jeder Satz von Messungen wurde auf der Grundlage einer statistischen Bewertung ihrer Verteilung in der Bev\u00f6lkerung in Gruppen eingeteilt, wobei die Durchschnittswerte durch Messungen an Verurteilten ermittelt wurden. Der Bertillon-Mitarbeiter nahm das Profil eines Verd\u00e4chtigen in das Archiv auf und suchte nach einer \u00dcbereinstimmung durch ein Ausschlussverfahren: Zuerst wurde das Geschlecht ausgeschlossen, das nicht \u00fcbereinstimmte, dann die Kopfl\u00e4nge, die nicht \u00fcbereinstimmte, und so weiter. Wurde eine vorl\u00e4ufige \u00dcbereinstimmung gefunden, so wurde diese anhand der ebenfalls auf der Karte aufgef\u00fchrten K\u00f6rpermerkmale best\u00e4tigt. \u00dcberall, wo dieses System eingef\u00fchrt wurde, stiegen die Erkennungsraten von „Wiederholungst\u00e4tern“ sprunghaft an; Bertillons System verbreitete sich bald \u00fcber den ganzen Globus.11<\/a><\/p>\n\n\n\n Mit Bertillon trat ein weiteres Merkmal der zeitgen\u00f6ssischen Grenz- und \u00dcberwachungstechnologie auf den Plan: die Quantifizierung oder das, was man heute als „Datafizierung“ bezeichnet. Bertillon ma\u00df nicht nur die K\u00f6rpergr\u00f6\u00dfe und die Kopfl\u00e4nge von Gefangenen, sondern erfand auch eine Methode, um charakteristische Merkmale des K\u00f6rpers in einen Code zu \u00fcbersetzen. Hatte ein Gefangener beispielsweise eine Narbe am Unterarm, so wurde dies in fr\u00fcheren Systemen zur Identifizierung von Straft\u00e4tern einfach in der Akte vermerkt. Bertillon hingegen ma\u00df die Entfernung zu einem bestimmten Referenzpunkt. Diese wurden dann in einer standardisierten Art und Weise unter Verwendung eines Idioms von Abk\u00fcrzungen und Symbolen erfasst, die diese Beschreibungen in verk\u00fcrzter Form wiedergaben. Das daraus resultierende portrait parl\u00e9, <\/em>oder gesprochene Portr\u00e4t, transkribierte den physischen K\u00f6rper in eine „universelle Sprache“ aus „W\u00f6rtern, Zahlen und kodierten Abk\u00fcrzungen“.12<\/a> Zum ersten Mal in der Geschichte konnte eine pr\u00e4zise Beschreibung des Subjekts telegrafiert werden.<\/p>\n\n\n\n Die \u00dcbersetzung des K\u00f6rpers in einen Code liegt auch heutigen biometrischen Identifizierungsmethoden zugrunde. Fingerabdruckidentifikation<\/a> Systeme, die erstmals im kolonialen Indien erprobt und eingef\u00fchrt wurden, wandelten Papillarleistenmuster in einen Code um, der dann mit anderen, auf die gleiche Weise erzeugten Codes verglichen werden konnte. Gesichtserkennung<\/a> Technologie erzeugt schematische Darstellungen des Gesichts und ordnet ihnen numerische Werte zu, die einen Vergleich und Abgleich erm\u00f6glichen. Andere Formen der biometrischen Identifizierung wie Stimmerkennung, Iris-Scans und Gangerkennung folgen demselben Prinzip.<\/p>\n\n\n\n Neben der Quantifizierung ist die Klassifizierung – seit Jahrhunderten ein Schl\u00fcsselinstrument der Wissensgenerierung und -verwaltung – ein weiteres Kennzeichen moderner und zeitgen\u00f6ssischer \u00dcberwachungs- und Identifizierungstechnologien. Wie viele Wissenschaftler von Foucault13<\/a> bis Zygmunt Bauman14<\/a> und Denise Ferreira da Silva15<\/a> festgestellt haben, ist die Klassifizierung ein zentrales Instrument der europ\u00e4ischen Aufkl\u00e4rung, das am ikonischsten in der Taxonomie von Carl Linnaeus zum Ausdruck kommt. In seiner Stufentafel benannte, klassifizierte und hierarchisierte Linnaeus die nat\u00fcrliche Welt von Pflanzen \u00fcber Insekten bis hin zu Menschen, wobei er jede Gruppe nach gemeinsamen Merkmalen einteilte und unterteilte. Klassifizierung und Taxonomie werden weithin als Ausdruck der grundlegenden erkenntnistheoretischen Verschiebungen von einer theozentrischen zu einer rationalistischen Erkenntnistheorie in der fr\u00fchen Neuzeit gesehen, die wissenschaftliche Durchbr\u00fcche erm\u00f6glichten, aber auch mit Kolonisierung und Versklavung verbunden waren.16<\/a> In ihrem Buch zum Thema unterstreichen Geoffrey Bowker und Susan Leigh Star die Verwendung der Klassifizierung als m\u00e4chtiges, aber oft unerkanntes Instrument der politischen Ordnung: „Politisch und sozial aufgeladene Agenden werden oft zun\u00e4chst als rein technisch dargestellt und sind selbst schwer zu erkennen. In dem Ma\u00dfe, in dem sich die Schichten des Klassifikationssystems zu einer funktionierenden Infrastruktur entwickeln, verfestigt sich der urspr\u00fcngliche politische Eingriff immer mehr. In vielen F\u00e4llen f\u00fchrt dies zu einer Naturalisierung der politischen Kategorie durch einen Prozess der Konvergenz. Sie wird als selbstverst\u00e4ndlich angesehen.‘17<\/a><\/p>\n\n\n\n Heute steht die Klassifizierung im Mittelpunkt des maschinellen Lernens, einem Teilbereich der k\u00fcnstlichen Intelligenz, der darauf abzielt, Muster in gro\u00dfen Datenmengen zu erkennen. Dadurch lassen sich nicht nur riesige Datenmengen kategorisieren, sondern auch neue, bisher ungesehene Daten vorhersagen und klassifizieren. Mit anderen Worten: Es wendet gelerntes Wissen auf neue Situationen an. Die Forschung im Bereich des maschinellen Lernens begann Mitte des letzten Jahrhunderts, hat aber in j\u00fcngster Zeit durch Anwendungen wie ChatGPT eine nie dagewesene Bedeutung erlangt.<\/p>\n\n\n\n Maschinelles Lernen wird auch zunehmend in der Grenzarbeit eingesetzt. Es wird selten als eigenst\u00e4ndige Technologie verwendet, sondern wird h\u00e4ufig in Verbindung mit bestehenden Technologien eingesetzt, um altbew\u00e4hrte Formen der \u00dcberwachung, Identifizierung und Sortierung zu erg\u00e4nzen und zu beschleunigen. So ersetzt beispielsweise die algorithmische Vorhersage<\/a>, die gro\u00dfe Datenmengen wie Bewegungsmuster, Posts in sozialen Medien, politische Konflikte, Naturkatastrophen usw. analysiert, zunehmend statistische Migrationsmodelle zur Erfassung von Migrationsmustern. Die Europ\u00e4ische Kommission finanziert derzeit Forschungsarbeiten zu algorithmischen Methoden<\/a> die die bestehenden Formen der Risikoanalyse erweitern w\u00fcrden, indem sie auf breitere Datenquellen zur\u00fcckgreifen, um neuartige Formen „riskanten“ Verhaltens zu ermitteln. Maschinelles Lernen wird auch in folgenden Bereichen erprobt oder eingesetzt: L\u00fcgendetektor f\u00fcr Grenzschutzbeamte<\/a>, Dialekterkennung<\/a>, Verfolgung und Identifizierung verd\u00e4chtiger Schiffe<\/a>, Gesichtserkennung an den Binnengrenzen der EU<\/a> und Verhaltensanalyse von Insassen in griechischen Lagern<\/a>. Wie diese breite Palette von Anwendungen zeigt, scheint es keine Grenztechnologie zu geben, die vom maschinellen Lernen ausgenommen ist, sei es die unterst\u00fctzte Bildanalyse von Drohnenaufnahmen oder die \u00dcberpr\u00fcfung von Asylantr\u00e4gen.<\/p>\n\n\n\n Das Herzst\u00fcck des maschinellen Lernens ist die Klassifizierung – oder zumindest die Art des datengesteuerten maschinellen Lernens<\/a> das sich heute durchgesetzt hat. Einzelne Datenpunkte werden in Kategorien und Unterkategorien eingeteilt, ein Prozess, der entweder durch \u00fcberwachtes oder un\u00fcberwachtes Lernen durchgef\u00fchrt wird. Beim \u00fcberwachten Lernen werden die Trainingsdaten nach einer vordefinierten Taxonomie etikettiert. In der Praxis bedeutet dies in der Regel, dass Menschen den Daten Etiketten zuweisen, wie z. B. „Hund“ f\u00fcr ein Bild des besagten Hundes. Das maschinelle Lernmodell lernt aus diesem markierten Datensatz, indem es Muster identifiziert, die mit den Markierungen korrelieren. Beim un\u00fcberwachten Lernen werden die Daten nicht von Menschen beschriftet. Stattdessen identifiziert der Algorithmus selbstst\u00e4ndig Muster und Strukturen in den Daten. Mit anderen Worten: Der Algorithmus klassifiziert die Daten, indem er auf der Grundlage der im Datensatz enthaltenen Muster seine eigenen Cluster erstellt. Er erstellt seine eigene Taxonomie von Kategorien, die mit den von Menschen geschaffenen Systemen \u00fcbereinstimmen k\u00f6nnen oder auch nicht.<\/p>\n\n\n\n Wie die KI- und Grenzwissenschaftlerin Louise Amoore betont, ist die Darstellung algorithmischer Cluster als Repr\u00e4sentation inh\u00e4renter, „nat\u00fcrlicher“ Muster aus Daten ein „au\u00dferordentlich m\u00e4chtiger politischer Vorschlag“, da er „das Versprechen einer neutralen, objektiven und wertfreien Bildung und Abgrenzung politischer Gemeinschaften“ bietet.18<\/a> Die Idee des algorithmischen Clusters als „nat\u00fcrliche Gemeinschaft“ beinhaltet einen bedeutenden rassifizierenden Schritt: Verhaltensweisen, die mit irregul\u00e4rer Migration in Verbindung gebracht werden, werden folglich als „riskant“ bezeichnet. 19<\/a> Da diese Cluster ohne Bezugnahme auf vordefinierte Kriterien wie „klassische“ Proxies f\u00fcr Rasse wie Nationalit\u00e4t oder Religion gebildet werden, sind sie mit bestehenden Konzepten wie gesch\u00fctzten Merkmalen oder Voreingenommenheit nur schwer in Frage zu stellen.<\/p> <\/p> Ein Migrant k\u00f6nnte beispielsweise von einem Algorithmus f\u00fcr maschinelles Lernen als Sicherheitsrisiko identifiziert werden, der auf einer undurchsichtigen Korrelation zwischen Reiserouten, Beitr\u00e4gen in sozialen Medien, pers\u00f6nlichen und beruflichen Netzwerken und Wettermustern basiert.<\/p>\n\n\n\n Die Schaffung von Kategorien auf der Grundlage inh\u00e4renter Attribute erinnert an andere Praktiken des 19. Jahrhunderts, insbesondere an eine Reihe wissenschaftlicher Bem\u00fchungen, bei denen Messungen und Statistiken eingesetzt wurden, um Regelm\u00e4\u00dfigkeiten und Muster zu erkennen, die auf kriminelles Verhalten hindeuten w\u00fcrden. \u00c4hnlich wie beim un\u00fcberwachten maschinellen Lernen wurden in den Bereichen Kraniometrie, Phrenologie und Kriminalanthropologie systematisch Daten \u00fcber menschliche Probanden gesammelt, um Muster zu erkennen, die in Kategorien von Kriminalit\u00e4t eingeordnet werden konnten.<\/p>\n\n\n\n Zum Beispiel brachten Phrenologen wie Franz Joseph Gall bestimmte Pers\u00f6nlichkeitsmerkmale mit dem Hervortreten von Sch\u00e4delregionen in Verbindung. Auf dem verwandten Gebiet der Physiognomie untersuchten Pers\u00f6nlichkeiten wie der Schweizer Pfarrer Johann Kaspar Lavater systematisch die Gesichtsz\u00fcge, um daraus R\u00fcckschl\u00fcsse auf kriminelles Verhalten zu ziehen. Mit der Entwicklung der Fotografie gewannen Studien \u00fcber die Anzeichen von Kriminalit\u00e4t im Gesicht an Bedeutung, und Str\u00e4flinge und Insassen von Irrenanstalten wurden wiederholt solchen „Studien“ unterzogen. Die zusammengesetzten Fotografien von Frances Galton, dem Begr\u00fcnder der Eugenik-Bewegung und Pionier der Fingerabdruckidentifizierung, sind ein Beispiel daf\u00fcr: Bilder von Str\u00e4flingen wurden \u00fcbereinander gelegt, um Regelm\u00e4\u00dfigkeiten als physische Marker f\u00fcr Kriminalit\u00e4t zu ermitteln.20<\/a><\/p>\n\n\n\n Die Kriminalanthropologie fasste diese Ans\u00e4tze zu einem koh\u00e4renten Versuch zusammen, den kriminellen K\u00f6rper einer wissenschaftlichen Untersuchung zu unterziehen. Unter der Leitung des italienischen Psychiaters und Anthropologen Cesare Lombroso verwendeten die Kriminalanthropologen eine breite Palette anthropomorpher Messinstrumente, von Bertillons pr\u00e4zisen Messungen der Gliedma\u00dfen bis hin zur Vermessung des Sch\u00e4dels, der Kartierung von Gesichtsz\u00fcgen und der Erfassung markanter Merkmale wie Narben und T\u00e4towierungen. Auf dieser Grundlage erstellten sie eine Liste so genannter „Stigmata“ oder physischer Regelm\u00e4\u00dfigkeiten, die am K\u00f6rper des „geborenen Verbrechers“ zu finden waren. W\u00e4hrend diese Vorstellung heute weitgehend diskreditiert ist, existiert die zugrunde liegende Methode der Klassifizierung auf der Grundlage einer Vielzahl von Datenmerkmalen immer noch.<\/p>\n\n\n\n Das Vertrauen in die Schlussfolgerungen, die aus der quantitativen Analyse von Gesichtsmerkmalen gezogen werden, ist nach wie vor eine starke Verlockung. In einer Studie aus dem Jahr 2016<\/a> wurde behauptet, dass es gelungen sei, einen Algorithmus f\u00fcr ein tiefes neuronales Netzwerk zu trainieren, der auf der Grundlage von Kopfbildern aus F\u00fchrerscheinen Kriminalit\u00e4t vorhersagen kann, w\u00e4hrend in einer Studie aus dem Jahr 2018<\/a> \u00e4hnliche Behauptungen aufgestellt wurden, um die sexuelle Orientierung aus Fotos von Dating-Websites zu erkennen.<\/p>\n\n\n\n Wenn man sich kritisch mit diesen Systemen auseinandersetzt, muss man unbedingt das gr\u00f6\u00dfere politische Projekt im Auge behalten, zu dessen Aufrechterhaltung sie eingesetzt werden. Die KI-Forscherin Kate Crawford schreibt: „Die Verkn\u00fcpfung von Sch\u00e4delmorphologie mit Intelligenz und Rechtsanspr\u00fcchen dient als technisches Alibi f\u00fcr Kolonialismus und Sklaverei. W\u00e4hrend man dazu neigt, sich auf die Fehler bei der Sch\u00e4delvermessung und deren Korrektur zu konzentrieren, liegt der weitaus gr\u00f6\u00dfere Fehler in der zugrunde liegenden Weltanschauung, die dieser Methodik zugrunde liegt. Das Ziel sollte also nicht sein, genauere oder „gerechtere“ Sch\u00e4delmessungen zu fordern, um rassistische Intelligenzmodelle zu untermauern, sondern den Ansatz insgesamt zu verurteilen.‘21<\/a> Anders ausgedr\u00fcckt: Klassifizierungs- und Quantifizierungstechniken k\u00f6nnen nicht von den sozio-politischen Kontexten getrennt werden, die sie \u00fcberpr\u00fcfen und belegen sollen. Um es mit den Worten des Wissenschaftlers f\u00fcr Internationale Beziehungen Robert Cox zu sagen: Klassifizierung und Quantifizierung sind immer f\u00fcr jemanden und f\u00fcr einen bestimmten Zweck bestimmt.22<\/a><\/p>\n\n\n\n Wie die Wissenschafts- und Technologiewissenschaftlerin Helga Nowotny warnt, missverstehen wir jedoch die Logik tiefer neuronaler Netze, wenn wir den Ergebnissen algorithmischer Vorhersagen als grunds\u00e4tzlich wahr „vertrauen“. Diese Netze „k\u00f6nnen nur Regelm\u00e4\u00dfigkeiten erkennen und Muster auf der Grundlage von Daten aus der Vergangenheit identifizieren. Es geht nicht um kausale Schlussfolgerungen, und eine KI tut auch nicht so, als ob sie das k\u00f6nnte.‘23<\/a><\/p>\n\n\n\n Diese Maschinen m\u00f6gen zwar „praktische und messbare Vorhersagen“ machen, aber sie haben keinen Sinn f\u00fcr Ursache und Wirkung – kurz gesagt, sie haben kein „Verst\u00e4ndnis“ im menschlichen Sinne.24<\/a> Dar\u00fcber hinaus f\u00fchrt ein \u00fcberm\u00e4\u00dfiges Vertrauen in Algorithmen dazu, dass wir zum Determinismus neigen und unser Verhalten anstelle von alternativen Wegen an maschinellen Vorhersagen ausrichten. Dies ist ein Problem in politischen Kulturen, die auf Rechenschaftspflicht beruhen. Wenn wir aus der Vergangenheit lernen wollen, um eine bessere Zukunft zu gestalten, k\u00f6nnen wir uns nicht auf die Vorhersageergebnisse eines maschinellen Lernmodells verlassen.<\/p>\n\n\n\n Neben dem gemeinsamen und anhaltenden Vertrauen auf Quantifizierung und Klassifizierung gibt es viele weitere F\u00e4den, die man ziehen k\u00f6nnte, um die verwickelte Geschichte der \u00dcberwachungs- und Identifizierungstechnologien vom 19. Jahrhundert bis zur Gegenwart zu erkunden. Marginalisierte, \u00fcberz\u00e4hlige Bev\u00f6lkerungsgruppen wie Str\u00e4flinge und Kolonisierte wurden lange Zeit als technologisches Versuchsfeld<\/a>“ genutzt, um Klassifizierungssysteme zu verbessern und Algorithmen zu trainieren. Die Angst vor unkontrollierter menschlicher Mobilit\u00e4t wird weiterhin als Antrieb f\u00fcr Forschung und Entwicklung genutzt, wobei die Technik wiederum eingesetzt wird, um Probleme zu l\u00f6sen, die sie selbst geschaffen hat. Und positivistische sozialwissenschaftliche Methoden dienen nach wie vor dazu, die br\u00fcllende Vielfalt in saubere, numerische Werte zu \u00fcbersetzen.<\/p>\n\n\n\n Anstatt auf den Hype um die KI hereinzufallen, k\u00f6nnten wir uns stattdessen auf ein D\u00e9j\u00e0-vu-Gef\u00fchl einstellen: das beunruhigende Gef\u00fchl, dass wir das alles schon einmal gesehen haben. Auf diese Weise k\u00f6nnten wir den phantastischen Behauptungen von Unternehmen und Grenzakteuren besser widerstehen und beginnen, Technologien von globalen Herrschaftsprojekten abzukoppeln.<\/p>\n\n\n\n **<\/p>\n\n\n\n Dieser Artikel basiert auf Forschungsarbeiten, die im Rahmen des Projekts <\/em>‚Elastic Borders: Rethinking the Borders of the 21st Century‘<\/em><\/a> mit Sitz an der Universit\u00e4t Graz, gef\u00f6rdert von der NOMIS-Stiftung.<\/em><\/p>\n\n\n\n 1<\/a> 2<\/a> 3<\/a> 4<\/a> 5<\/a> 6<\/a> 7<\/a> 8<\/a> 9<\/a> 10<\/a> 11<\/a> 12<\/a> 13<\/a> 14<\/a> 15<\/a> 16<\/a> 17<\/a> 18<\/a> 19<\/a> 20<\/a> 21<\/a> 22<\/a> Ein Katalog zur Identifizierung<\/h4>\n\n\n\n
\n
Moderne invasive Registrierung<\/h4>\n\n\n\n
Kennzeichnung von Straftaten<\/h4>\n\n\n\n
Vorl\u00e4ufer der Datenfizierung<\/h4>\n\n\n\n
Von der Taxonomie zum maschinellen Lernen<\/h4>\n\n\n\n
Der vermeintliche Verbrechertyp<\/h4>\n\n\n\n
AI d\u00e9j\u00e0-vu<\/h4>\n\n\n\n
A. Bertillon, Instructons signal\u00e9tiques<\/em>, Melun, 1893, Tafel 16, S. 262.<\/code><\/p>\n\n\n\nIch bin Teil eines Forscherteams des NOMIS-gef\u00f6rderten Elastic Borders Projekts<\/a>, Universit\u00e4t Graz, \u00d6sterreich.<\/code><\/p>\n\n\n\nSiehe auch: M. Maguire, 'Biopower, Racialization and New Security Technology', Social Identities<\/em>, Vol. 18, No.5, 2012, pp. 593-607; K. Donnelly, 'We Have Always Been Biased: Measuring the human body from anthropometry to the computational social sciences', Public<\/em>, Vol. 30, No. 60, 2020, pp. 20-33; A. Valdivia and M. Tazzioli, 'Genealogies beyond Algorithmic Fairness: Making up racialized subjects', in Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency<\/em>, FAccT '23, Association for Computing Machinery, 2023, S. 840-50.<\/code><\/p>\n\n\n\nWenn die Fingerabdr\u00fccke in Griechenland genommen wurden, der Asylbewerber aber sp\u00e4ter in Deutschland aufgegriffen wurde, k\u00f6nnte er zur Bearbeitung seines Antrags nach Griechenland abgeschoben werden.<\/code><\/p>\n\n\n\nB. Ayata, K. Cupers, C. Pagano, A. Fyssa und D. Alaa, The Implementation of the EU Hotspot Approach in Greece and Italy: Eine vergleichende und interdisziplin\u00e4re Analyse (Arbeitspapier)<\/em>, Schweizerisches Netzwerk f\u00fcr Internationale Studien, 2021, S. 36.<\/code><\/p>\n\n\n\nJ.B. Rule, Private Lives and Public Surveillance<\/em>, Allen Lane, 1973.<\/code><\/p>\n\n\n\nIbid., S. 91.<\/code><\/p>\n\n\n\nM. Foucault, Gesellschaft muss verteidigt werden. Lectures at the Coll\u00e8ge de France, 1975-76<\/em>, trans. D. Macey, Picador, 2003, S. 244.<\/code><\/p>\n\n\n\nS. A. Cole, Suspect identities: A history of fingerprinting and criminal identification<\/em>, Harvard University Press, 2001, S.12.<\/code><\/p>\n\n\n\nIbid., S. 18-9.<\/code><\/p>\n\n\n\nIbid., S. 34-45.<\/code><\/p>\n\n\n\nIbid., S.48.<\/code><\/p>\n\n\n\nM. Foucault, The Order of Things<\/em>. Routledge, 1975.<\/code><\/p>\n\n\n\nZ. Bauman, Modernity and the Holocaust<\/em>, Blackwell Publishers, 1989.<\/code><\/p>\n\n\n\nD. Ferreira da Silva, Toward a Global Idea of Race,<\/em> University of Minnesota Press, 2007.<\/code><\/p>\n\n\n\nS. Wynter, \"Die Kolonialit\u00e4t von Sein\/Macht\/Wahrheit\/Freiheit aufheben: Towards the human, after man, its overrepresentation - an argument', CR: The New Centennial Review<\/em>, <\/em>Vol. 3, No. 3, 2003, pp. 257-337.<\/code><\/p>\n\n\n\nG. C. Bowker und S. L. Star, Sorting things out: Classification and its consequences<\/em>, MIT press, 2000, S. 196.<\/code><\/p>\n\n\n\nL. Amoore, 'Die tiefe Grenze', Politische Geographie<\/em>, 2001, 102547.<\/code><\/p>\n\n\n\nIbid.<\/code><\/p>\n\n\n\nGalton f\u00fchrte eine \u00e4hnliche Studie an j\u00fcdischen Schuljungen durch und suchte nach rassischen Merkmalen f\u00fcr das Judentum.<\/code><\/p>\n\n\n\nK. Crawford, The Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence<\/em>, Yale University Press, 2021, S. 126-7.<\/code><\/p>\n\n\n\nR. W. Cox, 'Social Forces, States and World Orders: Beyond International Relations Theory', Millennium<\/em>, Vol. 10, No. 2, 1981, pp. 126-155.<\/code><\/p>\n\n\n\n