KI auf dem Gerät: warum die Analyse lokal bleiben sollte

Es gibt genau zwei Orte, an denen ein Babyphone entscheiden kann, dass das Geräusch im Kinderzimmer ein Weinen war. Auf dem Telefon im Raum, oder auf einem Rechner irgendwo anders. Datenschutz, Verzögerung und das Verhalten beim Router-Neustart folgen alle aus dieser einen Entscheidung.

Es ist außerdem der Teil im Aufbau eines Babyphones, der üblicherweise einen Werbesatz bekommt und keine Erklärung. Also hier der Mechanismus, konkret.

Die kurze Antwort

Bei der Schreierkennung auf dem Gerät läuft das Klassifikationsmodell auf dem Telefon im Kinderzimmer: Der Ton des Mikrofons wird lokal ausgewertet, und weitergeschickt wird nur die fertige Meldung. Die Cloud-Variante lädt den Ton auf einen Server, der das Modell ausführt und antwortet. Die Auswertung auf dem Gerät spart den Upload, die serverseitige Kopie des Tons und die Abhängigkeit davon, dass ein Hin und Zurück durchläuft, bevor Sie überhaupt etwas erfahren.

Alles Weitere ist die Begründung zu diesem Absatz.

Was auf dem Telefon läuft

MonitorUltra klassifiziert Geräusche mit Apples Framework SoundAnalysis, das Teil von iOS ist. Die einzelnen Bausteine:

• Ein SNAudioStreamAnalyzer hängt an der Mikrofonaufnahme der Babyeinheit. Er bekommt die rohen Audiopuffer laufend, so wie sie eintreffen, und nicht im Nachhinein als Datei.
• Der Klassifikator ist Apples eingebauter Geräuscherkenner, von Apple trainiert und mit dem Betriebssystem ausgeliefert. Er kennt einige Hundert Alltagsgeräusche, darunter weinende Säuglinge, Schreien, Rauchmelder, Sirenen, Sprache, laufendes Wasser und Ventilatoren. Es gibt kein eigenes Modell zum Herunterladen und keinen Modellabruf zur Laufzeit.
• Der Ton wird in einem gleitenden Fenster von 1,5 Sekunden mit halber Überlappung ausgewertet. Der Analyzer liefert also etwa alle drei Viertelsekunden ein frisches Urteil.
• Jedes Urteil ist eine Liste von Labeln mit einem Vertrauenswert zwischen 0 und 1. Die Empfindlichkeitseinstellung in der App ist genau dieser Schwellwert: hoch nimmt alles über 0,3, mittel alles über 0,5, niedrig alles über 0,7. Mehr steckt hinter dem Regler nicht.

Danach folgt eine bewusste Verzögerung. Eine Erkennung muss zwei Sekunden am Stück über dem Schwellwert bleiben, bevor eine Meldung ausgelöst wird, und die Meldung endet erst nach fünf Sekunden Ruhe. Ohne das bringt ein Hüsteln am Bettchen Ihr Telefon zum Leuchten, und nach drei Nächten glauben Sie den Meldungen nicht mehr.

Das rückt das Argument mit der Verzögerung zurecht. Die zwei Sekunden Bestätigung sind der langsame Teil der Erkennung auf dem Gerät, und ich habe sie mit Absicht gewählt, um Fehlalarme klein zu halten. Die Klassifikation selbst läuft in demselben Prozess, der den Ton ohnehin schon im Speicher hält.

Was die Cloud-Variante stattdessen leisten muss

Eine serverseitige Erkennung kann keinen dieser Schritte überspringen:

1. Ton auf dem Telefon im Kinderzimmer aufnehmen.
2. Ihn zu einem Stück bündeln, das groß genug zum Versenden ist.
3. Kodieren und verschlüsseln.
4. Hochladen, über das, was die Hausleitung um zwei Uhr nachts gerade hergibt.
5. Hinter dem Ton anderer Kundschaft in die Warteschlange stellen.
6. Das Modell rechnen lassen.
7. Ein Ergebnis zurückschicken und dann eine Mitteilung auf das Elterntelefon senden.

Jeder dieser Schritte kann für sich scheitern. Die Untergrenze der Verzögerung ist baulich festgelegt: Ein Fenster von 1,5 Sekunden lässt sich erst auswerten, wenn es fertig hochgeladen ist. Blockgröße und Laufzeit hin und zurück addieren sich also zur Modellzeit, statt sich dahinter zu verstecken. Der Upstream eines Hausanschlusses ist meist die engste Leitung im Haus, und genau sie soll hier laufend Ton tragen.

Die Auswertung in der Cloud hat trotzdem ihre Berechtigung. Sie erlaubt einem Anbieter, ein viel größeres Modell zu betreiben und es zentral zu verbessern, und das ist ein echter technischer Vorteil.

Was das Gerät verlässt, genau

Die ehrliche Fassung ist komplizierter als der Werbesatz, deshalb hier vollständig.

MonitorUltra schickt Ton und Bild sehr wohl von der Babyeinheit weg. Es muss das tun, denn der ganze Sinn der Sache ist, dass Sie auf einem anderen Telefon zusehen, womöglich aus einem anderen Netz. Diese Übertragung ist auf dem Transportweg verschlüsselt, wird über LiveKit weitergereicht und funktioniert über WLAN wie über Mobilfunk. Ein Babyphone auf Telefonbasis, das behauptet, es komme ganz ohne Server aus, beschreibt ein Produkt, das an das heimische Netz gebunden bleibt, und das kann weniger.

Zwischen den beiden Bauweisen unterscheidet sich der Zweck der Übertragung, und die Frage, ob etwas davon übrig bleibt.

	Auswertung auf dem Gerät	Auswertung auf dem Server
Wo das Modell rechnet	Auf dem Telefon im Kinderzimmer	Auf Technik, die Sie nicht kontrollieren
Warum der Ton reist	Weil Sie live zuhören wollen	Weil die Erkennung ihn braucht
Ruhender Ton	Keiner. Es wird nichts aufgezeichnet	Was auch immer die Aufbewahrungsregel sagt
Wenn der Dienst des Anbieters ausfällt	Der Klassifikator läuft lokal weiter	Es findet keine Auswertung statt
Was ein Datenleck offenlegt	Keine gespeicherten Ausschnitte	Was aufbewahrt wurde

MonitorUltra zeichnet nichts auf. Es gibt keinen Clip-Verlauf und nichts, was auf einem Server liegt, also gibt es morgens auch keine Sammlung der letzten Nacht zum Durchblättern. Das ist eine echte Einschränkung des Produkts und zugleich eine Datenschutzeigenschaft, und ich sage das lieber, als es hübsch zu verpacken. Mehr zu diesem Tausch steht in was „privat“ wirklich heißen sollte.

Was ein Datenleck offenlegen könnte

Was aus einem System auslaufen kann, ist begrenzt durch das, was es aufbewahrt. Speicherentscheidungen wiegen deshalb schwerer als Aussagen über Verschlüsselung.

Wenn Ton aus dem Kinderzimmer zur Auswertung hochgeladen wird, existiert er, wenn auch nur kurz, auf fremden Rechnern. Ob er sofort gelöscht wird, hängt an einer Regel, und Regeln ändern sich. Aufbewahrungsfristen werden verlängert, damit ein Modell neu trainiert werden kann, oder damit eine Entwicklerin einen gemeldeten Fehler nachstellen kann.

Es gibt eine zweite Kategorie, die gerne vergessen wird: das Ereignisprotokoll selbst. „Weinen erkannt um 02:14, 03:40 und 05:05“ ist ein genaues Abbild der Nächte eines Haushalts, verknüpft mit einem Konto und einer E-Mail-Adresse. Auch ohne aufbewahrten Ton ist ein solcher Verlauf ein personenbezogenes Abbild des Familienalltags. Eine Klassifikation auf dem Gerät, deren Meldungen nirgends gesammelt werden, legt dieses Abbild gar nicht erst an. Wenn Ihnen dieser Punkt wichtig ist, geht was ein Babyphone sicher macht weiter auf Konten, Kopplung und Zugang ein.

Was passiert, wenn das Internet ausfällt

Der Klassifikator braucht ein Mikrofon und sonst nichts. Kein Netz, kein Konto, keine Statusseite eines Anbieters, die grün leuchtet. Ein kurzer Aussetzer der Verbindung macht ihn nicht blind.

Die Zustellung ist der Teil, der das Netz braucht. Wenn Ihr Anschluss wirklich tot ist, bekommt die Elterneinheit weder Bild noch Mitteilung, und kein Babyphone mit Relay entkommt dem, wie auch immer es gebaut ist. Der realistische Vorteil ist enger und gehört klar gesagt: Mit der Auswertung auf dem Gerät kostet Sie ein Netzhänger von fünf Sekunden fünf Sekunden Bild, während die Erkennung weiterläuft, und es gibt keinen fremden Dienst, dessen Ausfall Ihre Schreimeldungen stillschweigend abschalten kann.

Dass die Elterneinheit einen zweiten Weg hat, zählt hier ebenfalls. Weil MonitorUltra über Mobilfunk genauso überträgt wie über WLAN, bleibt ein Elterntelefon verbunden, das aus dem Haus-WLAN gefallen ist. Das behandelt ein Babyphone über Mobilfunk.

Wo die Auswertung auf dem Gerät wirklich schlechter ist

Vier Zugeständnisse, denn eine Seite, die nur Vorteile aufzählt, erklärt gar nichts.

• Modellverbesserungen kommen mit iOS und nicht nach dem Fahrplan eines Anbieters. Eine Cloud-Erkennung lässt sich an einem Dienstagnachmittag für alle verbessern. Ein mit dem System ausgelieferter Klassifikator ändert sich, wenn Apple ihn ändert.
• Ihre Fehlalarme bringen niemandem etwas bei. Zentrales Lernen funktioniert gerade deshalb, weil der Ton an einem Ort ankommt, an dem man ihn ansehen kann. Ihn nicht zu sammeln heißt, darauf zu verzichten, und das kostet wirklich etwas.
• Sie können den Ausschnitt nicht nachhören, der die Meldung ausgelöst hat, weil es keinen Ausschnitt gibt. Sie bekommen ein Label und ein Live-Bild, und morgens nichts zum Abspielen.
• Das Modell ist ein Allrounder. Es ist Apples Klassifikator für Säuglingsweinen im Allgemeinen, ohne jede Anpassung an Ihr Kind. Er deckt auch Rauchmelder und Schreien ab, was eine nützliche Breite ist, und auf Breite ist er ausgelegt.

Vier Fragen an jedes Babyphone

Was auch immer Sie am Ende kaufen, diese Fragen trennen die Bauweisen schneller als jede Funktionstabelle:

1. Wird der Ton auf dem Gerät ausgewertet oder auf einen Server geladen?
2. Wird etwas aufgezeichnet, und wenn ja, wo und wie lange?
3. Hört die Erkennung auf zu arbeiten, wenn der Dienst des Anbieters ausfällt?
4. Was wird darüber protokolliert, wann mein Kind geweint hat, und wer kann das lesen?

Neue Installationen von MonitorUltra benötigen ein aktives Abo, um die Überwachung zu starten, auch für Audio. Ein möglicher Testzeitraum hängt vom gewählten App-Store-Angebot und der Berechtigung ab. Bestehende Installationen mit bisherigem Audiozugang behalten diesen; für neue Nutzer gilt er nicht.

Die aktuellen Webpreise und Bedingungen stehen auf der Preisseite. Preise und Testangebote im App Store können davon abweichen.

Häufige Fragen

Verbraucht die Erkennung auf dem Gerät mehr Akku? Etwas, auf der Babyeinheit, weil dort ein Klassifikator über einem laufenden Tonstrom arbeitet. Das ist einer von mehreren Gründen, warum die Babyeinheit dauerhaft am Strom bleiben soll. Die Elterneinheit empfängt nur und verbraucht sehr wenig.

Ist Apples eingebauter Klassifikator so gut wie ein eigenes Schreimodell? Er ist ein allgemeines Modell, eine spezialisierte Erkennung auf einer großen Sammlung von Schreiaufnahmen könnte ihn bei Randfällen also durchaus schlagen. In der Praxis entscheidet die Platzierung des Mikrofons stärker über die Zuverlässigkeit. Ein Telefon direkt neben einem Gerät für weißes Rauschen liegt hinter jedem Modell zurück.

Kann ich die Erkennung ganz abschalten? Ja. Schreierkennung und Bewegungserkennung sind getrennte Schalter. Vor allem die Bewegung lohnt sich abzuschalten, wenn im Zimmer ein Ventilator steht oder ein Vorhang weht.

Funktioniert die App ohne Konto? Gekoppelt wird über einen QR-Code, den die Babyeinheit anzeigt und die Elterneinheit scannt. Auf der Babyeinheit gibt es kein Konto anzulegen und am Router nichts einzustellen.

Wird mein Ton zum Trainieren verwendet? Nein. Er wird für die Auswertung nicht hochgeladen, und es gibt keine Aufzeichnung, mit der sich trainieren ließe.