Von Träumen zu realistischen Anwendungsfällen: Zum Einsatz von KI in der Museumsdokumentation

Zusammenfassung

In diesem Poster werden verschiedene bisher erprobte Einsatzszenarien und Anwendungen für KI-Tools zur Steigerung der Effizienz und Effektivität der Sammlungserschließung in Museen – und damit der Datenqualität der verfügbargemachten Sammlungsdaten – vorgestellt und diskutiert. Die vorgestellten Fallstudien werden auf ihre Eignung geprüft und in Hinsicht auf die inhärenten Schwächen und Stärken des Einsatzes von KI kritisch reflektiert, um einerseits Aussagen über den sinnvollen Zeitpunkt und Kontext eines Einsatzes von KI in der Erschließungsarbeit – und die Wahrscheinlichkeit gegebenenfalls nötiger Nachbearbeitungen – und andererseits allgemeinere Schlüsse zum Potential des Einsatzes von KI im Rahmen der Sammlungserschließung zu ermöglichen.

Abstract

Sammlungsdaten von Museen werden weithin als eine Form von Forschungsdaten geführt, wie nicht zuletzt an der aktiven Beteiligung von Museen und verwandten Einrichtungen im Rahmen der geisteswissenschaftlichen Konsortien der Nationalen Forschungsdateninfrastruktur (NFDI) zu sehen ist.1 Während aber bei traditionellen Forschungsprojekten meist im Vorhinein eine überschaubare Zielgröße definierbar ist, ist die finale Zielgröße der digitalen Inventarisierung und Publikation von Museumsbeständen oft eher durch die Sammlungsgeschichte als durch konkrete inhaltliche Hintergründe bestimmt und ungleich größer und schwerer zu überschauen.

Der Fortschritt der digitalen Erfassung von Museumsbeständen ist damit primär von der zur Verfügung stehenden Arbeitskraft im Museum abhängig. Entsprechend werden Hoffnungen und Pläne postuliert, die Erschließungsarbeit durch den Einsatz von KI-Tools zu vereinfachen und die für eine hochqualitative Erschließung nötigen Personalaufwände zu reduzieren.

In diesem Poster werden verschiedene Einsatzszenarien für den Einsatz von KI im Rahmen der Bestandserschließung und -Publikation vorgestellt und hinsichtlich ihrer Vorteile und Nachteile - insbesondere im Bezug auf den konkreten Einsatzzusammenhang - diskutiert. Vom einfacher Bildklassifikation zur Verschlagwortung von Objekten über die Ähnlichkeitssuche auf Basis von Objektabbildungen (prominent erprobt im Falle von Münzsammlungen)2 zur automatischen Generierung von Prosatexten zur Beschreibung der Objekte auf Basis bestehender Objekt-Metadaten3 und zur Sortierung der öffentlich präsentierten Bestände auf Basis eines automatischen Scorings der Ästhetik der jeweiligen Objekt-Thumbnails4.

In der Reflexion der vorgestellten Fallstudien zeigt sich, dass der Einsatz von generalisierten KI-Tools besonders zu Anfang (Bildklassifikation) und gegen Ende des Erschließungsvorganges durchaus sinnvoll unterstützend wirken kann, ohne durch die inhärenten Eigenschaften von KI-Modellen eine Verschlechterung der resultierenden Daten zu riskieren, zumindest wenn eine kritische Betrachtung und Bestätigung der KI-generierten Daten vom Erschließungssystem erzwungen wird. Während der besonders arbeitsaufwendigen Tiefenerschließung können Werkzeuge wie RAGs oder die erwähnte Ähnlichkeitssuche mittelbar helfen, indem sie relevante Kontextinformationen schnell verfügbar machen.

Während der Einsatz von KI-Tools die Erschließungsarbeit so unterstützen kann, bleibt das zentrale Element für die Generierung qualitativ hochwertiger Sammlungsdaten jedoch der Mensch.

Bibliografie

1

Siehe etwa die beteiligten Institutionen im Rahmen von NFDI4Objects, NFDI4Objects. "Wer wir sind."

2

Dataport. "KI in Museen"

3

Ein zum gegenwärtigen Zeitpunkt gerade beginnendes Vorhaben des Autors in Kooperation mit digiS, in dem ein ebensolches Tool mithilfe von LLMs zur automatischen Generierung von Objektbeschreibungen in museum-digital:musdb erstellt werden soll. User sollen dabei mehrere Versionen möglicher Objektbeschreibungen erhalten und passenste Auswählen, sodass eine Qualitätskontrolle quasi implizit erforderlich gemacht wird.

4

Enslin, "Sort by Beauty"