Autor: Moses Varga

Schröpfungshöhe – (Generative) Künstliche Intelligenz, Urheberrecht und Gesellschaft.

Über Nacht begann Ende November 2022 das, was heute als „KI-Revolution“ bezeichnet wird. Nicht einmal die Tech-Szene hatte geahnt, welche Dynamik die gar nicht mal so neue Technologie, im neuen Gewand und mit quasi unbegrenzten Ressourcen ausgestattet, entfalten würde. Technologischer Wandel bedingt gesellschaftlichen Wandel, doch Gesellschaften verändern sich nicht so schnell wie Technologie sich zu entwickeln vermag: Eine enorme Herausforderung.

Der Vortrag skizziert die grundlegenden Prinzipien generativer KI-Systeme und die Strategien ihrer Anbieter, ihren urheber- und medienrechtlichen Status Quo und zentrale gesellschaftliche Implikationen aus der Perspektive der schöpferisch Tätigen in Kultur und Medien, die angesichts einer Technologie, die sie demnächst in ihren Berufen ersetzen könnte, nicht recht glauben wollen an die blumigen Verheißungen der singenden Automaten. Was denn nun: Kreative Kraftpakete oder größter Diebstahl in der Menschheitsgeschichte?

Wo Technologie auf Inhalte trifft: Wie Künstliche Intelligenz und Inhalte im ORF zusammenfinden

Keynote bietet Einblicke hinsichtlich Marktentwicklungen und europäischer Perspektiven hinsichtlich der Nutzung von Künstlicher Intelligenz im Mediensektor, Es werden aktuelle Trends, strategische Perspektiven sowie Chancen und Risiken der KI Integration beleuchtet. Es wird gezeigt, wie KI in der Medienproduktion integriert werden kann, und bietet Einblicke in die Arbeit des ORF AI LAB. Abschließend wird ein Ausblick in die Zukunft gegeben.

Aktuelle KI-Systeme sind zwar in der Lage, riesige Datenmengen zu analysieren, arbeiten jedoch typischerweise vollständig automatisch und führen meist vorgegebene Aufgaben aus (z. B. Sprach- oder Objekterkennung). Kleine und mittlere Unternehmen (KMU), insbesondere solche, die an Spezialanwendungen arbeiten, benötigen jedoch KI-Lösungen, die auf ihre Probleme und Daten zugeschnitten sind. Darüber hinaus müssen Unternehmen, die einem harten Wettbewerb ausgesetzt sind, ihre Strategien ständig anpassen. Eine weitere Einschränkung aktueller KI-Technologien ist ihre hohe Komplexität und mangelnde Transparenz. Da die Modelle auf Millionen erlernter Parameter beruhen, ist es schwierig zu verstehen und zu erklären, wie sie ihre Entscheidungen treffen. Daher sind Methoden erforderlich, die mehr Transparenz bieten und durch intuitive Erklärungen zum Aufbau von Vertrauen beitragen. Letztlich fehlt es an Wissen bei der Anwendung der neuesten KI-Lösungen und viele Unternehmen verfügen nicht über ausreichende personelle Ressourcen, um KI-Lösungen an ihre Bedürfnisse anzupassen. Um die oben genannten Herausforderungen anzugehen, zielt das Projekt Trust AI darauf ab, einen neuartigen erklärungsbasierten interaktiven Lernansatz zu entwickeln. Im Gegensatz zu traditionellen Lernschemata in der KI, die auf Datenannotation oder labelbasiertem Feedback (sogenanntes aktives Lernen) beruhen, ermöglicht unser interaktives Lernparadigma einen kontinuierlichen Dialog zwischen menschlichen Benutzern und KI. Dieser Dialog vertieft schrittweise das Verständnis der mit einer bestimmten Aufgabe verbundenen Probleme. Darüber hinaus wird der Trainingsfortschritt permanent überwacht. Dabei wird die Funktionsweise des Modells bewertet und bei der Identifizierung von Datenverzerrungen geholfen. Ein transparenter Abstimmungsprozess reduziert die Auswirkungen von Verzerrungen und Fehlinterpretationen und macht die KI-Lösungen dadurch vertrauenswürdiger und besser an die eigentliche Aufgabe angepasst. Die entwickelte Plattform macht große Mengen an annotierten Trainingsdaten überflüssig, erleichtert die Anpassung von Lösungen an individuelle Geschäftsprobleme und bietet erklärbare und zuverlässige KI-Modelle. Da die Benutzeroberflächen der Plattform unkompliziert und allgemein verständlich gehalten sind (in Übereinstimmung mit anerkannten Standards der Mensch-Computer-Interaktion), sind für die Verwendung von KI-Lösungen keine technischen Vorkenntnisse erforderlich.