Reflexionsgesteuerte künstliche Intelligenz in der Kunstgeschichte - erklärbare hybride Modelle für die Bildsuche und -analyse

Das Projekt zielt darauf ab, sowohl praktisch, in diesem Fall maschinengestützt, als auch theoretisch orientierte Überlegungen zum Einsatz von Bildähnlichkeitsbewertungen in der Kunstgeschichte anzustellen, deren grundlegende Bedeutung für wissenschaftliche Erkenntnisprozesse weithin anerkannt ist. Diese Überlegungen sollen sich von den wenigen existierenden Ansätzen im Bereich der Kunstgeschichte in zweierlei Hinsicht unterscheiden.

Zum einen soll kunsthistorisches Fachwissen in Form von umfangreichen (digitalisierten oder digital verfügbaren) Textbeständen genutzt werden. Dazu sollen in einem halbautomatischen und interdisziplinären Verfahren domänenspezifische Wissensgraphen erstellt und zum Training hybrider Modelle der Künstlichen Intelligenz (KI) verwendet werden.

Zweitens soll die Leistung der Maschine nicht einfach bis zum Äußersten getrieben werden, sondern wir wollen die KI-generierten Ergebnisse erklärbar machen, indem wir Expertentexte einbeziehen und in maschineninterpretierbaren Wissensgraphen darstellen, um die Black-Box-Eigenschaft von datengetriebenen Deep-Learning-Modellen zu durchbrechen.

Die Demonstration der reinen Machbarkeit wird daher von einer systematischen reflexiven Untersuchung in vier Forschungsszenarien begleitet, in denen wir die Auswirkungen unterschiedlicher Textressourcen und Wissensgraphen auf die KI-generierten Ergebnisse und schließlich auf kunsthistorische Forschungsprozesse untersuchen. Dabei wollen wir uns insbesondere auf Diskussionen über die Probleme der Anwendung von KI-Methoden in der Kunstgeschichte stützen, die während der Sitzungen der ersten Phase des Schwerpunktprogramms (SPP) entstanden sind. Die Perspektive unseres Projekts ist es, die Akzeptanz der in den Geisteswissenschaften allgemein stark kritisierten KI zu erhöhen, indem wir uns mit den methodischen Problemen ihres Einsatzes auseinandersetzen.