Die Funktionsweise moderner Gesellschaften basiert auf einem störungsarmen, globalen Logistik- und Dienstleistungsgeflecht, das durch Extremwetterereignisse, geopolitische Konflikte oder lokale Produktionskonzentrationen erheblich destabilisiert werden kann. Eine fortwährende Prognose, die genug Vorlauf zum Ergreifen von Gegenmaßnahmen liefert, scheitert bislang an der Komplexität der Waren- und Dienstleistungsketten sowie der Möglichkeit, aktuelle Informationen z. B. aus Nachrichtenquellen einzubeziehen. PROVIDER adressiert genau diese Lücke, indem es proaktiv tätig wird und damit präventive Maßnahmen im Risiko- und Krisenmanagement ermöglicht – in direktem Einklang mit den förderpolitischen Zielen des BMFTR zur Stärkung einer resilienten Gesellschaft.

Das Projekt PROVIDER verfolgt das zentrale Ziel, eine innovative Methodik und Systemimplementierung für die kontinuierliche, dynamische Simulation zur frühzeitigen Prediktion von Versorgungsengpässen zu entwickeln. Im Unterschied zu herkömmlichen Post-hoc-Analysen oder statischen Szenarien soll ein dauerhaft operierendes System entstehen, das für alle bekannten Warengruppen den Versorgungssicherheitsstatus überwacht und belastbare Prognosen mit einem Zeithorizont von mehreren Monaten generiert. Das System richtet sich explizit auf kritische Güter und Dienstleistungen außerhalb klassischer KRITIS-Sektoren, die bislang unzureichend in Krisenplanungen berücksichtigt werden.

PROVIDER integriert vier eng verzahnte Schlüsselkomponenten: Erstens die dynamische Erzeugung umfangreicher Knowledge Graphs aus heterogenen Datenquellen (u. a. DATEV-Daten sowie öffentliche Bestände), die globale Waren- und Dienstleistungsnetzwerke strukturell erfassen. Zweitens werden selbstlernende Agenten mittels Deep Reinforcement Learning trainiert und in einer agentenbasierten Simulationsumgebung instanziiert, die Produktion, Handel, Transport und Dienstleistungen realitätsnah abbilden. Drittens ermöglichen Large Language Models (LLMs) die intelligente Parametrisierung der Simulation, indem sie aktuelle Nachrichtenmeldungen analysieren, Risikofaktoren extrahieren und potenzielle Engpässe frühzeitig identifizieren. Viertens gewährleistet die Adversarial Resilience Learning (ARL)-Methodik eine beherrschbare und effiziente Berechnung hochkomplexer, sektorübergreifender Wertschöpfungsketten sowie eine zielgerichtete Resilienzanalyse.