Google PPE: Wie aus einer Frage eine Risikokarte werden soll

Google PPE verbindet Datensuche und Geodatenmodelle. Was der begrenzte Ebola-Test mit 15 von 18 Zonen tatsächlich aussagt.

Von Wolfgang

28. Aug. 20265 Min. Lesezeit

Google PPE verbindet Datensuche und Geodatenmodelle. Was der begrenzte Ebola-Test mit 15 von 18 Zonen tatsächlich aussagt.

Bei der Auswertung räumlicher Risiken geht viel Zeit nicht für das eigentliche Modell verloren, sondern davor: Daten finden, ihre Herkunft prüfen, Zeiträume und Kartenebenen zusammenbringen, ein Modell auswählen und am Ende erklären, worauf das Ergebnis beruht. Googles Planetary Prediction Engine, kurz PPE, soll diese Kette weitgehend verbinden. Das ist als Forschungsansatz bemerkenswert. Eine fertige Warnplattform ist es nicht.

Google Research stellte PPE am 27. August als experimentelle Komponente von Google Earth AI vor. Die Engine nimmt eine in Alltagssprache formulierte räumliche Frage entgegen und übersetzt sie zunächst in eine Aufgabe mit Gebiet, Zeitfenster und Zielgröße. Danach sucht sie nach geeigneten direkten Daten und Proxys, bereitet sie auf, kombiniert sie mit gelernten räumlichen Repräsentationen und vergleicht mehrere Modellansätze. Am Schluss stehen eine Vorhersage, Kennzahlen und ein Bericht über den Ablauf.

Geospatiale Forschungsumgebung mit Erdbeobachtungskarte, transparenten Kartenebenen und neutralen Datenpunkten — Die Planetary Prediction Engine verbindet experimentell Datensuche, Geodatenaufbereitung und Modellvergleich. – durch KI erzeugt

Eine Modellkette statt einzelner Arbeitsschritte

Das klingt zunächst nach Automatisierung bekannter Routine. In der Praxis ist die Vorarbeit bei Geodaten aber oft der Engpass. Eine Fachstelle muss klären, welche Daten überhaupt zur Frage passen, ob sie räumlich und zeitlich kompatibel sind und ob ein Signal wirklich vor dem vorherzusagenden Ereignis liegt. PPE soll diese Schritte nicht einfach überspringen, sondern sie in einem durchgehenden Workflow organisieren.

Nach der Beschreibung von Google und dem zugehörigen Preprint umfasst dieser Workflow die Datensuche, die Zusammenführung strukturierter Geodaten mit sogenannten Foundation-Model-Repräsentationen, die Modellierung, eine Prüfung auf Überanpassung und die Auswertung. Solche Repräsentationen fassen Muster aus großen Erdbeobachtungsdaten in vielen Zahlenwerten zusammen. Sie können zusätzliche Hinweise liefern, erklären aber nicht von selbst, warum ein Zusammenhang besteht. Auch eine sauber wirkende Datenkette kann schlechte Labels, fehlende Messungen oder ungeeignete Stellvertreterdaten nicht wegzaubern.

Der wichtige menschliche Punkt liegt deshalb am Ende und an mehreren Stellen davor: Fachleute müssen die Fragestellung, Datenherkunft und Plausibilität prüfen. Ein Modell kann eine Rangliste erzeugen. Ob daraus eine Warnung, eine weitere Untersuchung oder gar keine Maßnahme folgt, ist eine fachliche und verantwortliche Entscheidung.

Was der Ebola-Test tatsächlich zeigt

Als Leistungsnachweis führt Google einen Nowcasting-Test zum Bundibugyo-Ebola-Ausbruch in der Demokratischen Republik Kongo an. Im Paper umfasst der Datensatz 519 Gesundheitszonen. Für fünf aufeinanderfolgende Wochenprognosen berichtet die Full-Stack-Konfiguration 15 von 18 neu betroffenen Zonen in den zehn höchsten Risikorängen. Daraus ergibt sich ein Recall@10 von 83,3 Prozent.

Diese Kennzahl ist enger, als die Prozentzahl vermuten lässt. Recall@10 beantwortet hier die Frage, wie viele der 18 neu betroffenen Zonen unter den zehn am höchsten eingestuften Zonen auftauchten. Sie ist keine allgemeine Trefferquote aller Vorhersagen, sagt nichts über sämtliche Fehlalarme aus und belegt keinen Zeitvorsprung für eine reale Gesundheitswarnung. Die Tabelle im Preprint nennt für die Full-Stack-Konfiguration ein 95-Prozent-Intervall von 60,8 bis 94,2 Prozent. Als veröffentlichte Bayesian-Baseline wird dort ein Wert von ungefähr 73 Prozent genannt.

Originalgrafik zeigt die sechs Schritte von räumlicher Fragestellung über Datensuche und Modellvergleich bis zu Metrik und Provenienz — PPE soll die Arbeitsschritte von der freien Frage bis zum Bericht in einer Forschungskette verbinden; die fachliche Prüfung bleibt entscheidend. – durch KI erzeugt

Der Vergleich macht den Forschungsfortschritt greifbar, aber er bleibt ein begrenzter Benchmark. Die Autoren und Google berichten ihn selbst; eine unabhängige Replikation liegt damit nicht vor. Getestet wurde ein einzelner Ausbruch in einem klar abgegrenzten räumlichen und zeitlichen Setting, nicht die allgemeine Fähigkeit, Epidemien oder andere globale Risiken zuverlässig vorherzusagen.

Wo die offene Bewährungsfrage beginnt

Gerade weil PPE mehrere Arbeitsschritte zusammenführt, verlagert sich die Prüfung. Bei einer herkömmlichen Analyse sind Datenwahl, Aufbereitung und Modellvergleich oft getrennt dokumentiert und verantwortet. In einer automatisierten Kette müsste für externe Fachstellen nachvollziehbar bleiben, welche Daten ausgewählt wurden, welche Prompts und Tool-Schritte dabei eine Rolle spielten, welche Merkmale in das Modell gingen und welche Versionen verwendet wurden.

Die Autoren beschreiben Schutzmechanismen gegen Daten-Leakage und eine Aufteilung von Trainings- und Testdaten. Das ist wichtig, ersetzt aber keine Validierung außerhalb des eigenen Tests. Offen ist vor allem, wie stabil der Ablauf bei anderen Regionen, Erregern, veränderten Mobilitätsmustern, lückenhaften Meldedaten oder anderen Surveillance-Systemen bleibt. Auch die Frage nach Kausalität verschwindet nicht: Ein räumliches Muster kann für eine Prognose nützlich sein, ohne die Ursache eines Ausbruchs zu erklären.

Für Deutschland und die EU wäre PPE deshalb zunächst eine mögliche Forschungs- oder Frühwarnhilfe, keine fertige Infrastruktur. Ein konkreter Einsatz würde lokale und aktuelle Daten, eine klare Zweckbestimmung, Datenschutz, nachvollziehbare Zuständigkeiten, Fachaufsicht und menschliche Verantwortung voraussetzen. Die Hinweise der Europäischen Kommission zu Datenqualität, Risikomanagement, Nutzerinformation und menschlicher Aufsicht geben dafür einen Rahmen, sie sind aber keine Zulassung oder Einstufung dieser konkreten Engine.

Originalgrafik ordnet 519 Gesundheitszonen, fünf Wochenprognosen und 15 von 18 Zonen im Recall-at-10-Benchmark den offenen Übertragungsgrenzen gegenüber — Recall@10 beschreibt die Platzierung neu betroffener Zonen in den zehn höchsten Rängen, nicht die allgemeine Zuverlässigkeit einer Warnung. – durch KI erzeugt

TechZeitGeist-Status

Reifegrad: Experimentelle Forschungskomponente von Google Earth AI
Beleglage: Google-/Autorenangaben und ein Preprint mit einem begrenzten Benchmark
Praxisrelevanz: Interessant für schnellere geospatiale Forschung und vorbereitende Risikoanalysen
Offener Kernpunkt: Übertragbarkeit, Reproduzierbarkeit und Nachvollziehbarkeit außerhalb des DRC-Tests
Nächster Nachweis: Unabhängig dokumentierte Validierung über mehrere Regionen und Surveillance-Systeme

Der eigentliche Fortschritt von PPE liegt damit weniger in einer einzelnen Prozentzahl als in der Verbindung der Arbeitsschritte. Wenn Daten- und Modellarbeit schneller wird, können Fachleute mehr Szenarien prüfen. Ob daraus ein belastbares Werkzeug für reale Risiken wird, entscheidet sich an transparenten Wiederholungen, lokalen Daten und daran, ob die Verantwortung entlang der ganzen Kette sichtbar bleibt.

Quellen und weiterführende Informationen

Hinweis: Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft. Stand: 2026-08-28.