Auf dem Weg zu vertrauenswürdiger KI im Kulturerbe

Warum klügere Werkzeuge für unsere Vergangenheit wichtig sind

Von verfallenen Tempeln bis zu fragilen Pergamenten verlassen sich heutige Fachleute für Kulturerbe auf digitale Werkzeuge, um Spuren menschlicher Geschichte zu verstehen und zu erhalten. Künstliche Intelligenz (KI) kann riesige Mengen an Bildern, Scans und Aufzeichnungen viel schneller durchforsten als jede Person, sie kann aber auch die Geschichten, die diese Objekte erzählen, falsch lesen oder verzerren. Dieser Beitrag untersucht, wie wir KI nicht nur leistungsfähig, sondern auch gerecht, transparent und vertrauenswürdig machen können, wenn sie zum Studium und Schutz des kulturellen Erbes eingesetzt wird.

Neue Helfer für alte Schätze

Museen, Archäologinnen und Konservatorinnen wenden KI an, um Fotos zu klassifizieren, Schäden an Gebäuden zu kartieren und verlorene Details aus zerbrochenen Objekten zu rekonstruieren. Techniken, die ursprünglich für selbstfahrende Autos oder Online‑Shopping entwickelt wurden, helfen nun, alte Mosaike, Skulpturen und historische Straßenzüge zu interpretieren. Kultur‑ und Erbmaterial sind jedoch ungewöhnlich unordentlich und ungleich verteilt: Manche Regionen und Epochen sind reich dokumentiert, andere erscheinen nur in verstreuten Aufzeichnungen. Lernt KI vorwiegend an bekannten Monumenten und westlichen Sammlungen, kann sie das Erbe von Minderheitengruppen oder weniger beachteten Orten übersehen oder fehlinterpretieren. Das Papier argumentiert, dass Fehler hier, weil Kulturerbe Identitäten und Erinnerungen prägt, nicht nur technische Pannen, sondern ethische Probleme sind.

Wo Algorithmen falsch liegen können

Die Autorinnen und Autoren skizzieren die vielen Wege, wie sich Verzerrungen in der für das Erbe eingesetzten KI einschleichen können. Manche Verzerrungen resultieren aus Lücken in den Daten: etwa beschädigte Mosaike, bei denen fehlende Fliesen Mustererkennungssysteme verwirren, oder historische Aufzeichnungen, die ganze Gemeinschaften ausklammern. Andere entstehen durch die Frage, wer repräsentiert ist: Beliebte Datensätze zeigen tendenziell Münzen, Ikonen und Gebäude aus Europa, sodass nicht‑westliche Objekte unterrepräsentiert bleiben. Selbst wenn Material vorhanden ist, können Beschriftungen zwischen Expertinnen und Experten variieren, und Social‑Media‑Fotos von berühmten Stätten spiegeln oft touristische Schnappschüsse statt lokale Perspektiven wider. Der Artikel fasst diese Probleme in Kategorien wie fehlende Daten, Unterrepräsentation von Minderheiten, kontextuelle Unterschiede zwischen Regionen und veraltete Ansichten, die in alten Scans oder Archiven eingefroren sind. Zu jedem Typ werden praktische Gegenmaßnahmen vorgeschlagen – von der Erweiterung von Sammlungen um Minderheitserzählungen bis hin zum routinemäßigen Aktualisieren digitaler Modelle, wenn sich Stätten verändern.

Maschinelle Entscheidungen verständlich machen

Vertrauen, so die Autorinnen und Autoren, beruht nicht nur auf besseren Daten, sondern auch auf klareren Erklärungen. Viele moderne KI‑Systeme agieren als „Black Boxes“: Sie klassifizieren einen Bogen als gotisch oder eine Mauer als beschädigt, ohne zu zeigen, warum. Das Papier schlägt einen mehrschichtigen Ansatz zur Erklärbarkeit vor. Eine Schicht betrachtet die internen Mechaniken des Modells, eine andere, wie lokale Geschichte und Kontext seine Entscheidungen beeinflussen, und weitere Schichten fokussieren darauf, was das Ergebnis in der Praxis bedeutet und wie sicher das System ist. Erklärungen können global sein, also das Gesamtverhalten des Systems beschreiben, oder lokal, indem sie sich auf eine einzelne Vorhersage zu einem spezifischen Gebäude oder Artefakt konzentrieren. Um zu beurteilen, ob diese Erklärungen wirklich helfen, definieren die Autorinnen und Autoren einfache, menschzentrierte Metriken wie Nutzerzufriedenheit, Neugier, Vertrauen und die Auswirkung auf die Entscheidungsqualität.

Test des Rahmens an realen Erbedaten

Um zu sehen, wie ihre Ideen in der Praxis funktionieren, untersuchen die Forschenden ein früheres KI‑System, das dichte 3D‑Punktwolken historischer Gebäude analysiert. Dieses System kann sehr gut automatisch jede Punktgruppe architektonischen Elementen wie Bögen, Fenstern oder Säulen zuordnen, war aber nicht mit Fairness oder Transparenz im Blick entworfen worden. Bei der Bewertung mit den neuen ethischen Metriken stellten Expertinnen und Experten fest, dass sie nur teilweise verstanden, wie das System zu seinen Schlussfolgerungen gelangte, und dass das System wenig tat, um alternative Interpretationen zu erklären. Die Autorinnen und Autoren schlagen vor, neuere Modelle zu verwenden, die Erklärungen in ihr Design einbauen. Diese Modelle vergleichen Teile eines Gebäudes mit gelernten „Prototyp“-Formen und heben die Beispiele hervor, die ein bestimmtes Label beeinflusst haben, sodass Erbfachleute die Begründung sehen und diskutieren können, statt eine undurchsichtige Antwort einfach zu akzeptieren.

Zukunftssichere Hüter der Kultur bauen

Kurz gesagt argumentiert dieser Beitrag, dass KI die menschliche Urteilsbildung in der Erbpflege unterstützen sollte, nicht sie stillschweigend ersetzen. Indem systematisch nach Verzerrungen gesucht und darauf bestanden wird, dass Systeme ihre Entscheidungen in einer Sprache und mit visuellen Mitteln erklären, die Fachleute verstehen können, zielt der vorgeschlagene Rahmen darauf ab, KI an den Werten von Inklusion, Genauigkeit und Respekt vor kultureller Vielfalt auszurichten. Die Autorinnen und Autoren schlagen vor, dass ähnliche ethikorientierte Entwürfe auch sensiblen Bereichen wie Gesundheit, Bildung und Umwelt zugutekommen könnten. Für das Kulturerbe ist die Botschaft klar: Nur eine transparente, faire und hinterfragbare KI kann vertraut werden, wenn es darum geht, die Geschichten unserer gemeinsamen Vergangenheit zu erzählen.

Zitation: Paolanti, M., Frontoni, E. & Pierdicca, R. Towards trustworthy AI in cultural heritage. npj Herit. Sci. 14, 131 (2026). https://doi.org/10.1038/s40494-026-02403-z

Schlüsselwörter: Kulturerbe, vertrauenswürdige KI, algorithmische Verzerrung, erklärbare KI, Konservierung des Kulturerbes