Transcript
Speaker: ArtistoCast, der Podcast zur digitalen Kunstgeschichte.
Speaker: Digitalisierung ist das eine.
Speaker: Systeme und Lösungen zu finden, die uns bei der Forschung wirklich weiterhelfen, ist das andere.
Speaker: Trotz einer steigenden Offenheit, Sammeln der Institutionen für das Bereitstellen von Daten, findet sich viel Wissen noch in Silos.
Speaker: Da gibt es hier eine Datenbank, dort ein Repositorium, da hat ein Verlag für die Bereitstellung der Daten System A gewählt und das nächste Archivsystem B und so könnte man eigentlich das ganze Alphabet durchspielen.
Speaker: Sicherlich gibt es bereits Metadatenbanken, also es gibt die Europäaner, die Deutsche Digitale Bibliothek, die versuchen, diese verstreuten und in heterogenen Systemen abgelegten Informationen zusammenzubringen.
Speaker: Aber das ist mühsam und funktioniert irgendwie noch nicht gut genug.
Speaker: Und eigentlich bräuchten wir nun eine Meta-Meta-Datenbank, um diese Datensilos offenen zu können, um das Wissen zusammenzutragen.
Speaker: Kunsthistorische Forschung, unser Wissen, ist eigentlich vernetzt.
Speaker: Die bisherigen, meist relationalen Datenbanken sind es aber nicht.
Speaker: Wie lässt sich also nun unser Anspruch nach vernetzten Informationen, die die Grundlage für unser Wissen sind, in das Digitale übertragen?
Speaker: Die Lösung könnte der Knowledge Graph sein.
Speaker: Ich spreche heute mit Harald Sack und Holger Simon über diesen Wissensgrafen, der im Rahmen von NFDI for Culture entsteht.
Speaker: Prof. Dr. Harald Sack ist Bereichsleiter für Information Service Engineering bei FITZ-Karlsruhe, dem Leibniz-Institut für Informationsinfrastruktur und Professor am Karlsruher Institut KIT, dem Institut für Angewandte Informatik und Formale Beschreibungsverfahren mit der Forschungsgruppe Information Service Engineering.
Speaker: Und im Rahmen von NFDI for Culture ist der Co-Spokesperson von Fitz Karlsruhe.
Speaker: Prof. Dr. Holger Simon ist Sprecher im Arbeitskreis Digitale Kunstgeschichte, Geschäftsführer der Pausanio GmbH und Co.
Speaker: KG.
Speaker: Er ist außerplanmäßiger Professor an der Universität zu Köln und im Culture Steering Board NFDI for Culture.
Speaker: Beide stehen mir nun bei diesen drängenden Fragen zur Seite.
Speaker: Was ist das dahinterliegende Konzept hinter diesem Knowledge Graph?
Speaker: Wie viel Vision steckt hinter diesem Projekt?
Speaker: Und welche Rückschläge und Hürden gibt es jenseits der Technik?
Speaker: Und ich frage mich, ob wir in der Kunstgeschichte schon bereit für ein digitales, offenes, vernetztes Wissen sind.
Speaker: Knowledge Gap oder Knowledge Graph?
Speaker: Das ist hier die Frage.
Speaker: Wenn wir über Daten sprechen, und das haben wir hier in dem Podcast schon getan, Daten, Datenbanken, Normdaten, dann ist irgendwie immer an einer Stelle der Knowledge Graph gekommen oder Linked Open Data, also allgemein das Wissen im digitalen Raum.
Speaker: Jetzt habe ich eine Frage an dich, Holger.
Speaker: Wo kommt dieses Wissen im digitalen Raum eigentlich her, das vernetzt werden soll?
Speaker: Ja, ich meine, für die Kunst- und Kulturgeschichte kommt das Wissen, was wir dann in den digitalen Raum hinein vernetzen wollen, natürlich aus den einzelnen Institutionen.
Speaker: Das sind vor allem die Gedächtnisinstitutionen, das sind die Glambs, das sind die Galleries, die Libraries, die Archives, die Museums, die sozusagen dieses Wissen haben, bisher aber ganz stark analog.
Speaker: Und dieses Wissen so aufbereiten sollen, dass sie es digital zur Verfügung stellen.
Speaker: Und du sprachst ja schon an, das Thema Silo, bisher sind die dann auf Datenbanken in den Museen, ist schon eine ganze Menge drin.
Speaker: Da sind wir aber auch noch am Anfang.
Speaker: Und in diesen Datenbanken gibt es schon die einen oder anderen Informationen.
Speaker: Aber das wollen wir natürlich miteinander verbinden, sodass man da auch wirklich zu Wissen kommt.
Speaker: Also jetzt ganz einfach gefragt, kann man die Datenbanken nicht einfach zusammen kopieren?
Speaker: Naja, ganz so einfach kann man das nicht, weil das ist ja, ich glaube dafür ist, müssen wir einen ganz kurzen Schritt mal zurückgehen, dass wir nochmal gerade überlegen, was ist eigentlich das, was in den Datenbanken drin ist.
Speaker: Denn die Datenbanken bei den Museen, die unterscheiden sich nicht stark von digitalisierten Karteikarten.
Speaker: Ja, wieso sage ich das?
Speaker: Weil eine Karteikarte, da gibt es bestimmte Informationen, die in bestimmten Feldern notiert sind.
Speaker: Und Informationswissenschaften trennen wir zwischen Daten, Informationen und Wissen.
Speaker: Daten sind erstmal eine Zeichenkette und sobald ich die kontextualisiere, habe ich Informationen.
Speaker: Das ist eine Karteikarte.
Speaker: Ich schreibe unter Künstler, schreibe ich den Künstler rein.
Speaker: Ich schreibe unter Titel, schreibe ich einen Titel rein.
Speaker: Und da weiß ich, ah, diese Zeichenkette meint das.
Speaker: So, deswegen haben wir diese Karteikarten und was jetzt passiert ist in den letzten Jahren, seit den 80ern angefangen, nicht von Marburg aus und dann in den 90ern weiter, ist, dass wir das jetzt in Datenbanken gepackt haben.
Speaker: Und eine wunderbare Kontextualisierung von Daten, damit sie Informationen werden, ist eine Tabelle.
Speaker: Und diese gesamten Datenbanken, die wir haben, die meisten zumindest, sind relationale Datenbanken, heißt Tabellen.
Speaker: Also was haben wir in den Datenbanken bisher in den Museen?
Speaker: Das sind eigentlich nichts anderes als Karteikarten.
Speaker: Und auch das, was wir in den Webseiten sehen, sind nichts anderes als Karteikarten.
Speaker: Das sind Informationen.
Speaker: Zu wissen wird das Ganze natürlich jetzt erst ab dem Moment, wo wir das miteinander verknüpfen, wo wir
Speaker: sage ich mal, Aussagesätze machen.
Speaker: Also das, wie wir Menschen miteinander sprechen und Wissen miteinander teilen, indem wir Subjekt, Prädikat, Objekt zueinander setzen und genau so betreiben wir auch Wissenschaft.
Speaker: Das heißt, wir schreiben Bücher und zwar auch in Sprache, Subjekt, Prädikat, Objekt, um unser Wissen, was wir haben und unsere Erkenntnisse darzulegen.
Speaker: Das heißt, um Wissen,
Speaker: Die Forscher, die bisher auch damit zu tun haben, fanden deswegen auch die Datenbanken so langweilig, weil sie nichts anderes als Karteikarten, die hatten gar kein Interesse dran und sind in die Bibliothek gegangen und haben sich dort die Bücher geholt.
Speaker: Jetzt sind wir aber genau dabei, du sprachst den Knowledge Graphen an, um den es heute geht.
Speaker: Wir befinden uns mittendrin in einer Transformation vom Buch zum Knowledge Graphen.
Speaker: Das heißt, dass das gesamte digital erfasst und verknüpft wird.
Speaker: Und ab dem Moment geht es jetzt darum zu gucken, wie verknüpfe ich diese Informationen, die in Tabellen sind, so dass wir zur Sprache kommen, dass wir wirklich auch Bedeutung damit hineinsetzen können.
Speaker: Und das ist die große Herausforderung, an der vor allem Harald sagt ja, dabei ist sozusagen ganz tolle Technologie mit zu entwickeln, mit anderen zusammen, damit wir das so in so eine Technik bringen können.
Speaker: Was ist denn die Technologie hinter diesen Datenbanken, also um überhaupt zu so einem vernetzten Wissen zu kommen?
Speaker: Ja, danke, Holger, dass du mir quasi den Ball, so diese Steilvorlage da hier gegeben hast.
Speaker: Es stimmt natürlich, was du sagst.
Speaker: Also ich hole mal ein Stückchen weiter aus, einfach ohne die Frage jetzt direkt zu beantworten, weil ich das natürlich, was Holger gesagt hat, noch ein bisschen ergänzen möchte.
Speaker: Wenn wir von Datenbanken ausgehen, haben wir da drin wirklich Daten an sich stehen und die nutzen uns erst mal relativ wenig.
Speaker: Also da steht zum Beispiel 42,35.
Speaker: Jetzt ist die Frage, was nutzt uns 42,35, wenn wir nicht wissen, was das Ganze bedeutet?
Speaker: Das heißt, dass das beispielsweise, sagen wir mal, in der Kunstgeschichte vielleicht jetzt die Länge oder Breite von irgendeinem Kunstwerk ist oder irgend sowas, dann nutzt uns das relativ wenig.
Speaker: Selbst wenn wir nur wissen, es ist die Höhe.
Speaker: Und da steht 42,35, ja, sind das Zentimeter, Millimeter, sind das Meter?
Speaker: Lichtjahre werden es nicht sein, aber es ist trotzdem nicht ganz eindeutig.
Speaker: Das heißt, ich muss also zusätzlichen Kontext liefern.
Speaker: Das ist das, was Holger gesagt hat.
Speaker: In den Datenbanken ist das Problem, sollte dieser Kontext vorhanden sein, ist er gegeben in natürlicher Sprache.
Speaker: Das ist toll für uns Menschen, weil wir dann verstehen, okay, das ist jetzt die Breite oder Höhe in Zentimeter.
Speaker: Der Computer kann damit noch gar nichts anfangen, wenn das irgendwie in natürlicher Sprache erklärt ist.
Speaker: Und das ist auch das Problem, warum wir nicht so ohne weiteres jetzt so unterschiedliche Datenbanken einfach, wie man so schön sagt, miteinander zusammenschalten oder vernetzen können.
Speaker: Weil es ist nicht klar, was das eine Feld in der einen Datenbank bedeutet und wo ist das Korrespondierende dann in der anderen.
Speaker: Sind die denn gleich normiert?
Speaker: Passt das alles zusammen?
Speaker: Das kann natürlich wieder ein Mensch machen, der drauf guckt und sich die Beschreibungen in natürlicher Sprache durchliest.
Speaker: Der kann dann sagen, okay,
Speaker: Das passt nicht genau zusammen, da schalte ich jetzt irgendeine Funktion dazwischen, die irgendwie auf der einen Seite Millimeter, auf der anderen Seite in Zentimeter umrechnet oder so.
Speaker: Aber das ist natürlich ein gehöriger Aufwand, wenn man mal sieht, wie viel denn schon eigentlich in diesen vorhandenen Datenrepositorien und Datenbanken drinsteht.
Speaker: Und die Idee, die jetzt hinter diesen Wissensgrafen steckt, ist, wir wollen genau diese Beschreibung, was bedeuten die Daten,
Speaker: Also nicht nur maschinenlesbar, jeden möglichen Text kann ich quasi lesen mit der Maschine, aber das heißt noch nicht, dass ich ihn verstanden habe, sondern wirklich maschinenverstehbar, die Bedeutung.
Speaker: Die Semantik muss mit abgebildet werden und das explizit.
Speaker: Und das geht, das kann man mit Mitteln der symbolischen Wissensrepräsentation, also Logik hatte vielleicht jeder mal in der Schule, darauf basiert das Ganze.
Speaker: Logik ist was, was der Computer versteht und wir können mithilfe von sogenannten Beschreibungslogiken, das sind ganz bestimmte Arten von Logiken,
Speaker: angeben, was jetzt beispielsweise das bedeutet, dass eine Zahl, ein Datum eine Länge darstellt und was die zugehörige Maßeinheit dafür wäre und wie genau diese Länge jetzt mit anderen Dingen, die ja auch noch verzeichnet sind in der Datenbank, in Zusammenhang steht.
Speaker: Und das kann ich in Maschinen verstehbarer Form nutzen und vernetzen.
Speaker: Und daraus wird dann langsam aus den Daten, die ich habe, mithilfe dieser formalen semantischen Beschreibung, dann eine Wissensrepräsentation, in dem Sinne dann ein Wissensgraf, Graf einfach, weil man hier eben einzelne Objekte hat, das sind so die Knoten im Graphen, die mit anderen in Verbindung stehen.
Speaker: Das sind die Kanten zwischen den einzelnen Knoten, die alles miteinander dann verbinden.
Speaker: Das heißt, die Technologie, die dahinter steckt, ist notwendig, um die Übersetzungsleistung zwischen dem, was Menschen denken, Menschen wissen und irgendwie systematisch anlegen, auch für die Computer zu übersetzen, um sie dann wieder für Menschen nutzbar zu machen?
Speaker: Ja, aber hauptsächlich, denke ich mal, geht es darum, dass eben Computer untereinander dieses Wissen oder diese Informationen austauschen können, ohne dass der Mensch sehr, sehr großen manuellen Aufwand betreiben muss.
Speaker: Und was ich sagte, es ist alles auch möglich ohne diese Technologie, aber dann eben nur jedes Mal mit sehr großem Aufwand, der jedes Mal wieder investiert werden muss in Form von Programmen, die geschrieben werden müssen, die diese Übersetzungen und Verknüpfungen dann Fall für Fall übernehmen.
Speaker: Ich glaube, jeder, der schon mal so eine Tabelle vor sich hatte oder mehrere Tabellen, die man aufeinander anpassen musste, weiß, wovon du jetzt sprichst, weil das ist wirklich äußerst mühsam.
Speaker: Manchmal fehlt auch die Dokumentation, was überhaupt gemeint wurde und so weiter.
Speaker: Wie geht man dann aber jetzt nun vor?
Speaker: Also kann man mit der Technologie, die dahinter steckt, also mit diesen neuen Beschreibungslogiken, einfach alle Daten nehmen oder verabschieden,
Speaker: Tabellen, die jetzt schon da sind?
Speaker: Oder muss man die von vornherein auf eine andere Art und Weise aufbauen, die Daten?
Speaker: Am einfachsten ist es natürlich, wenn man von vornherein mit diesen neuen Technologien, diesen semantischen Technologien, Beschreibungslogiken, ist wirklich nur das, was ganz, ganz unten unter der Motorhaube steckt.
Speaker: Normalerweise hat man da entsprechende Beschreibungssprachen, um jetzt dieses Wissen tatsächlich auch in Form darzustellen, dass es im Web verfügbar wird.
Speaker: Da kommt dann dieses semantische Web oder Semantic Web, wie man es nennt,
Speaker: mit ins Spiel.
Speaker: Das sind also webbasierte Beschreibungssprachen, mit denen ich dieses Wissen wirklich formalisiert fassen und explizit ausdrücken kann.
Speaker: Wenn man von vornherein anfängt, seine Inhalte, seine Daten in dieser Form zu annotieren oder auch darzustellen, ist es natürlich der geringste Aufwand.
Speaker: Aber wir haben natürlich jetzt schon
Speaker: Seit Jahrzehnten sehr, sehr große Datenbestände da.
Speaker: Das heißt Alt, ich möchte es nicht Lasten nennen, aber Altbestände.
Speaker: Und der Aufwand, das Ganze dann jetzt zusätzlich in eine Form zu bringen, dass es semantisch vernetzbar wird und dass eben die Inhalte verstanden werden, ist eben recht groß.
Speaker: Und es ist auch eine bestimmte Kompetenz.
Speaker: Also man muss wissen, wie man es macht.
Speaker: Und da gibt es leider noch nicht so viele Leute,
Speaker: Und da entsteht dann so eine Art Bottleneck und es wird sehr, sehr schwierig, das umzusetzen.
Speaker: Und viele Kulturinstitutionen scheuen sich natürlich, weil sie das oft nicht in eigener Regie machen, sondern dann eben mit einer IT-Abteilung oder irgendwas im Haus zusammenarbeiten, die eventuell noch wenig oder gar nichts von diesen neuen Techniken gehört haben und davon natürlich auch abraten, weil sie da keine Erfahrung haben und sagen, never change a running system.
Speaker: Und das Ganze, wenn wir es mal planen, ja, vielleicht in fünf bis zehn Jahren haben wir da eine Perspektive und da gerät es dann meist in Vergessenheit.
Speaker: Wir sind einfach schon souveräner im Umgang mit relationalen Datenbanken, was vielleicht für so ein Museum oder Kultureinrichtungen auch einfach aufzusetzen ist.
Speaker: Das lernt jeder im Informatikstudium oder kann man sich selbst auch einfach relativ einfach beibringen.
Speaker: Aber wenn es nun um den nächsten Schritt geht, brauchen wir die Übersetzungsleistungen.
Speaker: Vielleicht
Speaker: Wenn man die Karteikarten von Süderlin abschreibt, Süderlin kann ja auch nicht jeder lesen, um dann in eine neue Sprache, eine neue lesbare Sprache zu bringen.
Speaker: Sind das denn auch die Herausforderungen oder gibt es auch aus informationswissenschaftlicher Perspektive Herausforderungen an die Technik oder ist das alles schon fertig und da?
Speaker: Also…
Speaker: Die Technik an sich ist nicht neu.
Speaker: Also schon, man kann sagen, seit gut 20 Jahren sind wir dabei, semantische oder semantisch annotierte Systeme anzulegen und miteinander zu vernetzen.
Speaker: Allerdings ist es natürlich in der Forschung, dass wir das seit 20 Jahren machen.
Speaker: Man kann sagen, seit vielleicht gut zehn Jahren, 2012, sind die Wissensgrafen dann tatsächlich auch in der realen Welt angekommen.
Speaker: 2012 glaube ich war, das hatte Google angefangen, die Suchergebnisse, die man eben in dieser Suchmaschine sieht, eben mit dem Google Knowledge Graph anzureichern und zu verbessern und es gab eben einen enormen Qualitätssprung in der Art, wie Suchergebnisse dann jetzt seit zehn Jahren repräsentiert werden, mit zusätzlichen Ergebnissen an der Seite und Fragen werden beantwortet und Dinge, die damit in Bezug stehen, werden angezeigt und das Ganze kommt basierend auf einem Knowledge Graph.
Speaker: Also seit
Speaker: 2012 kann man sagen, ist das Ganze jetzt hier state of the art und wird mittlerweile von allen Suchmaschinenanbietern oder auch von allen größeren E-Commerce-Anbietern, also angefangen von Amazon über eBay oder auch bis hin zu Zalando, also alle oder auch Ikea, alle haben so einen großen Wissensgraf, der jetzt hier ihre Informationssysteme, ihre Shoppingsysteme, ihre Suchsysteme bedient.
Speaker: Weil der Vorteil ist, ist es einfach offener für mehr Daten, also ist es skalierbar?
Speaker: Also es ist ganz klar ein ökonomischer Vorteil, weil vorher gab es in so großen Unternehmen zahlreiche einzelne Datenbestände und Datenbanken, die alle in den unterschiedlichen Abteilungen dann doch miteinander ausgetauscht werden mussten.
Speaker: Und genau dieser Austausch, an jeder Stelle eine eigene Schnittstelle zu schaffen und dafür sorgen, dass das Ganze synchron bleibt, ist eben ein riesiger auch finanzieller Aufwand.
Speaker: Und das Ganze dann auf eine einheitliche Schnittstelle, nämlich diese semantische Schnittstelle auf Semantik-Web und Wissensgrafen, dann als Grundlage von diesem ganzen System dann herzunehmen und auch als Grundlage der dazugehörigen Datenintegrationsleistung, das bringt einen ökonomischen Vorteil.
Speaker: Und das haben eben die Großen dann jetzt vor, seit zehn Jahren schon gut erkannt.
Speaker: Und ich denke, dass den Vorteil, den jetzt Harald gerade beschreibt, der ist so noch gar nicht in den Museen oder in den Gedächtnisinstitutionen bekannt.
Speaker: Also wir nutzen das wie selbstverständlich bei Google, haben dementsprechend die Erfolge dabei, merken aber gar nicht, dass wir eigentlich Schatzkisten im Keller schon haben, nämlich in den Datenbanken, die wir heben müssen.
Speaker: Und ab dem Moment, wo man jetzt kommt, Knowledge Graph ist erstmal, ey, was ist Knowledge Graph?
Speaker: Also ich brauche ein Verständnis dafür.
Speaker: Und ich muss kein Mathematikerin und Informatiker sein, um zu verstehen, aber es ist wichtig, finde ich, für uns in der Wissenschaft, in der Kunstgeschichte, dass wir verstehen, wie Wissen modelliert wird in einer relationalen Datenbank, in Tabellen oder in einem Graphen.
Speaker: Das muss ich verstehen, um zu merken, da ist ein qualitativer Sprung, da ist ein qualitativer Schritt und gleichzeitig, also ich brauche dieses Wissen,
Speaker: Und dann auf der anderen Seite ist eine große Scheu, oh, das ist jetzt alles ganz groß aufwendig, ganz viel, das ist also, jetzt muss ich schon wieder ran an die Datenbanken und die bringen mir doch gar nichts.
Speaker: Weil bei Karteikarten suche ich auch nicht, ich forsche in der Bibliothek.
Speaker: Diesen Sprung jetzt zu sagen, okay,
Speaker: Die Sachen muss sich so heben, dass sie zu wissen werden, vor allem miteinander vernetzt, wenn man sich vorstellt, all das, was wir schon mal aufgenommen haben in den relationalen Datenbanken, wenn wir das schaffen, schon miteinander zu vernetzen und dann auch mit den großen Wissensressourcen wie Wikipedia und anderen auch das noch miteinander zu verbinden, dann ist ungeheuer viel schon mal da.
Speaker: was wir sofort auch nutzen können.
Speaker: Und wir stehen gerade so an dieser Schwelle, wo wir merken, okay, da ist viel, jetzt müssen wir diesen Schritt noch machen, dass wir das Gesamte auch zusammenbringen.
Speaker: Und das ist ja auch eine der Hauptaufgaben und Intentionen von NFDI, also der nationalen Forschungsdateninfrastruktur in Deutschland oder das Konsortium, in dem Harald und ich ja tätig bin, NFDI for Culture, wo es darum geht, die Daten zu
Speaker: Forschungsdaten für materielle, immaterielle Kulturgüter so zugänglich zu machen, dass sie, wie Harald eben beschrieben hat, computerverstehbar sind, dass die Computer untereinander miteinander kommunizieren können, aber auch dann als nächsten Schritt, damit wir neue Methoden entwickeln können, um daraus mehr und bessere Erkenntnisse zu gewinnen.
Speaker: Denn das gesamte Ziel dient ja dazu, bessere Erkenntnisse zu gewinnen, die wir so entwickeln.
Speaker: im analogen gar nicht bekommen können, weil wir jetzt Zugriff haben auf wirklich dann Massendaten und das ist ja die Hoffnung, die letztlich auch dahinter steckt.
Speaker: Aber da sind wir gerade an dem Punkt, es liegt eigentlich alles vor, dass es möglich ist, da kommen wir gleich oder am Ende auch nochmal zu, wie man konkret auch mitmachen kann, was man ganz klar da auch für braucht und wie man das mit integrieren kann und was auch dafür schon entwickelt ist.
Speaker: Aber das ist sozusagen der wichtige Moment, an dem wir jetzt stehen, dass wir diese Daten auch zugänglich machen und das in dem Glamms ankommt, dass das, was da in der Kiste steht, wirklich Schatz ist und wichtig ist, weiterzuführen und ein ganz zentrales Element wird auch der Museumsarbeit und nicht sowas bisher immer so, da sitzt jemand an der Datenbank,
Speaker: Nee, das ist ein ganz wichtiger Teil der Aufgabe, das Gedächtnis, dementsprechendes Wissen dann zur Verfügung zu stellen.
Speaker: Jetzt sprichst du ja ganz viele unterschiedliche Aspekte an.
Speaker: Einen möchte ich mal herausgreifen, dieses vernetzte Wissen.
Speaker: Jeder sitzt auf seinen Schatzkästchen.
Speaker: Jeder, der kunsthistorisch forscht, kennt das ja.
Speaker: Man hat ja einen Bestand, über den man forscht, nicht immer nur an einer Institution.
Speaker: Im Museum A liegt eine Tafel, jetzt wenn man über Gemälde nachdenkt.
Speaker: In Institution B liegen die Quellen, in Institution C liegen noch ein paar Zeichnungen.
Speaker: Man muss sich dann jedes Mal aufs Neue darauf einstellen, wie sind eigentlich die Informationen dort aufbereitet, muss ich bei denen ins Archiv, in die Karteikarten, gibt es eine Datenbank.
Speaker: Kann ich mir also dann, gehen wir mal davon aus, dass der Knowledge Graph existiert und alles da drin ist, was wir haben, dass mir ein Einstiegsinterface reicht, um diese heterogen verstreuten Informationen zusammenzufinden?
Speaker: Auf jeden Fall.
Speaker: Also das ist, und ich meine, wir werden ja gleich nochmal auch dazu kommen, zum Culture Knowledge Graphen, der ja seit 2022 publiziert und öffentlich ist.
Speaker: Da gibt es genau eine Schnittstellung, und zwar heute schon.
Speaker: da draufgehe und eine Abfrage mache an den Graphen, kann ich über unterschiedliche Ressourcen, die aus ganz unterschiedlichen Bereichen kommen, kann ich suchen, übergreifende Suchen machen und mir die Sachen zusammenholen.
Speaker: Das geht jetzt schon.
Speaker: Das heißt, die Technik ist da.
Speaker: Wir können es.
Speaker: Was jetzt noch fehlt, ist das Nächste, dass wir aus den relationalen Datenbanken, also die Tabellen, so miteinander verbinden,
Speaker: dass sie wirklich zu Linked Data, zu verbundenen Daten werden, die dann in dem Netz auch sich mit anderen Daten, anderen Wissensquellen dann auch verbinden.
Speaker: Und das ist genau der Schritt, der jetzt gerade gemacht werden muss.
Speaker: Und wie funktioniert das?
Speaker: Also man kommt von einer normalen Objektdatenbank zum Beispiel oder der Sammlungsdatenbank und Ziel ist ein Knowledge Graph.
Speaker: Muss ich dann jetzt jemanden da hinsetzen und die Person fügt händisch Normdaten ein und hat irgendwie eine Ontologie neben sich liegen und bastelt da passend dran rum?
Speaker: Das wäre natürlich der Idealzustand, dass quasi wir davon ausgehen könnten, dass wir lauter Kulturinstitutionen haben, die schon fertige, eigene Wissensgrafen selbst vorhalten und die könnten wir dann miteinander föderieren.
Speaker: Das heißt von einem zentralen Punkt, von einem einzelnen Punkt, egal wo der ist, dann komplett vernetzt abfragbar machen.
Speaker: Das ist natürlich weit hergeholt und ich weiß genau, dass wir nicht in dem Zustand sind.
Speaker: Es gibt eine Handvoll weniger Kulturinstitutionen, bei denen man schon, oder nicht Institutionen, also es gibt ein paar Webadressen, bei denen man tatsächlich schon auf Wissensgrafen zugreifen kann.
Speaker: Allerdings viel zu wenige, kaum welche, muss ich eigentlich dann sagen.
Speaker: Aber trotzdem muss ich jetzt genau unserer Fachdisziplin hier schon mal auch gute Noten ausstellen, weil viele der vorhandenen Ressourcen sind schon digitalisiert.
Speaker: Und viele sind auch öffentlich zugreifbar, ohne dass mir jemand das recht streitig macht, dass ich darauf zugreifen darf oder nicht.
Speaker: Also in anderen Fachdisziplinen sieht das noch ganz anders aus.
Speaker: Also jetzt nicht nur wegen Urheberrechten oder Datenschutzgründen gibt es in anderen Disziplinen oftmals noch Vorbehalte wie, ich werde meine Forschungsdaten bestimmt nicht mit irgendjemand anderen teilen, weil ich habe dafür sehr viel Geld bezahlt.
Speaker: Das kam zwar vom Steuerzahler, aber trotzdem der Aufwand, wenn ich das mal rechne, der andere soll das mal schön selber machen.
Speaker: Und
Speaker: Solche eben, sagen wir mal, ethischen oder auch jetzt nicht unbedingt juristischen, aber auch psychologischen Schwellen, die müssen wir halt auch im Zuge dieser NFDI-Projekte versuchen abzubauen und die Leute eher wirklich zu einer Tausch- und einer Teilkultur motivieren.
Speaker: Das ist in der Wissenschaft ja so, man macht das eigentlich nur ungerne, wenn man nicht dafür am Ende auch belohnt wird.
Speaker: Und dieses Belohnungsprinzip muss in vielerlei Richtung gehen.
Speaker: Das eine ist natürlich, ich möchte vielleicht, dass meine Daten tatsächlich auch gefunden werden, weil dann hätte ich möglicherweise den Vorteil, ich werde auch mit meinen Daten, die ich zur Verfügung gestellt habe, zitiert.
Speaker: Das ist ja das Belohnungssystem der Wissenschaft, zielt darauf ab, dass irgendjemand anders mich positiv erwähnt.
Speaker: Je mehr, desto besser.
Speaker: Dann bekomme ich auch zukünftig Fördergelder oder auch die Professur, die ich anstrebe.
Speaker: Also Publish or Perish.
Speaker: Und das ist eine der Intentionen, mit denen wir versuchen, die Wissenschaftler davon zu überzeugen, ihre Daten auch zur Verfügung zu stellen.
Speaker: Und das andere ist natürlich auch die rechte Klärung, die manchmal auch wirklich gar nicht so einfach vonstatten geht, insbesondere wenn Urheber oder auch Persönlichkeitsrechte betroffen sind.
Speaker: Da haben wir auch
Speaker: Bestimmte Problemstellen natürlich auch in den Geisteswissenschaften, auch in der Kunstgeschichte, wenn es beispielsweise um Bildrechte geht oder eben um Urheberrechte von Bildwerken, die eben jetzt auch noch geschützt sind und ähnliche Sachen, die wir nicht so ohne weiteres und ohne Probleme jedem öffentlich im Netz zur Verfügung stellen können.
Speaker: Sollte das oder ist die Hürde dann erstmal überwunden, dann besteht natürlich die technologische Hürde, dass ich sagen muss, ich muss natürlich etwas Aufwand betreiben, um daran teilhaben zu können.
Speaker: Das haben wir auch in NFDI for Culture gesehen und hatten uns dann überlegt, ja, wir müssen eben vielleicht diese Hürde ein Stückchen runtersetzen für die Kulturinstitutionen.
Speaker: Und wir sind da jetzt mittlerweile einem mehrstufigen Verfahren zu einem ganzen Strauß oder Bündel von Lösungsmöglichkeiten gekommen, auf die wir jetzt mal kurz ansprechen könnten.
Speaker: Die einfachste Möglichkeit ist, wir haben uns vorgestellt, diese ganzen Daten liegen überall verteilt vor.
Speaker: Wir streben jetzt nicht an, alles zentralisiert an einer Stelle zu bündeln und nochmal zu speichern und zu replizieren.
Speaker: Das würde keinen Sinn machen.
Speaker: Die Mittel haben wir auch gar nicht.
Speaker: Nichtsdestotrotz wollen wir sowas zur Verfügung stellen wie einen zentralisierten Index.
Speaker: Also man muss es sich ähnlich vorstellen wie bei Google.
Speaker: Google hat ja auch nicht alle Webseiten, sondern hat eben den Inhalt oder die wichtigsten Inhalte dieser Webseiten irgendwo im Index drin, sodass ich sie durchsuchen kann.
Speaker: Sowas schaffen wir hier auch.
Speaker: Und das heißt, man muss jetzt in den Beteiligten...
Speaker: Datenrepositorien entscheiden, okay, was sind jetzt die wichtigen Dinge in meinen Daten, die ich zur Verfügung stelle?
Speaker: Was ist uns jetzt denn wichtig?
Speaker: Beispielsweise bei einem Kunstwerk ist vielleicht wichtig, der Urheber des Kunstwerks ist wichtig, was ist darauf abgebildet, ist wichtig.
Speaker: Vielleicht auch noch, wann ist das Kunstwerk geschaffen worden?
Speaker: Und dann muss man entscheiden, ist vielleicht auch noch irgendeine Provenienzgeschichte wichtig?
Speaker: Sollen wir diese Daten dann auch noch einstellen?
Speaker: Und genau für diesen Ausschnitt
Speaker: der Daten, die wir jetzt als wichtig erachten für eine Suche.
Speaker: Da haben wir eine Art Austauschformat, leichtgewichtiges Austausch-Datenformat definiert.
Speaker: Das basiert auf schema.org, haben vielleicht schon einige mal gehört, dass es von einem Datenformat, das Google mal aus der Taufe gehoben hat, um den Leuten die Möglichkeit zu geben, bessere oder eben
Speaker: vielschichtigere Informationen über die Suchmaschine Google zur Verfügung zu stellen.
Speaker: Also das beispielsweise dann, wenn ich nach einem Produkt suche, das ist eigentlich, war ja alles irgendwie bei Google ausgerichtet in Richtung E-Commerce und dass man damit auch Geld verdienen kann, dann möchte ich natürlich auch sagen, okay, ich habe das Produkt noch auf Lager, das kostet bei mir so viel und wenn du es bei mir bestellst, musst du so und so viele Tage warten und ähnliches.
Speaker: Und das kann ich in diesem Datenformat auf meiner Webseite, auf der dieses Produkt vorgestellt wird, in diesem Format mit angeben.
Speaker: Und dann weiß Google, okay, kann diese Daten tatsächlich quasi mithavisten, das heißt ernten oder erfassen und dann diese Daten mit anderen Produkten in Verbindung setzen.
Speaker: Und das ist für Werbetreibende natürlich, war das lange Zeit sowas wie der heilige Gral, dass ich eben direkt über die Suchmaschine schon einen Fuß in die Tür bekommen habe, wenn die Leute was Bestimmtes gesucht haben und gleich schon vergleichen konnten.
Speaker: Und ich bin da besser als meine Konkurrenten, dann ist das natürlich super.
Speaker: Und genau das gleiche Prinzip wenden wir jetzt an mit den Daten, die wir hier jetzt aus dem NFDI-Umfeld bekommen.
Speaker: Das heißt hier mit Forschungsdaten, beispielsweise aus der Kunstgeschichte und harvesten das oder wollen das ernten von allen beteiligten Institutionen.
Speaker: Und der Plan klingt eigentlich zu gut, um wahr zu sein.
Speaker: Das einzige Problem ist halt, dass selbst auch diese Hürde und auch dieser Vorteil, wenn das natürlich in die eigenen Webseiten mit eingebaut wird, dann wird auch meine Datensammlung bei Google sichtbarer, als sie jetzt schon vorher war.
Speaker: Aber es hilft halt leider, haben wir festgestellt, nicht viel.
Speaker: Leute finden das toll und sagen, ja, stellen wir mal so als Desiderat an unsere IT-Abteilung mit ein, so in fünf bis zehn Jahren.
Speaker: Können wir dann vielleicht damit rechnen, dass das gemacht wird?
Speaker: Und das heißt, dann stehen wir wieder genauso da wie vorher und wir mussten dann noch einen Schritt weiter auf die Kulturinstitutionen zugehen, weil
Speaker: Viele sagen ja, ja, wir haben schon jetzt für unsere Webseiten und für die Deutsche Digitale Bibliothek oder andere Bibliotheken bestimmte Schnittstellen geschaffen.
Speaker: Da gibt es so bestimmte Datenformate, Lido, OAI, PMH, also ich möchte sie gar nicht alle nennen, kennen die meisten Leute sowieso nicht.
Speaker: Da sind schon vorhandene Schnittstellen da, das heißt, die Daten wurden schon mal in andere Formate übersetzt.
Speaker: Und werden die jetzt auf breiter Basis genutzt, haben wir uns gedacht, okay, dann gehen wir eben den Schritt, dann machen wir einmal zentral diese Übersetzung von diesen schon bekannten Schnittstellenformaten in das Format unseres Knowledge Graphs oder dieses Austauschformats, das wir vorgeschlagen haben.
Speaker: Und das ist jetzt der Weg, den wir für eben viele Kulturinstitutionen gehen können, die bereits schon diese Arbeit geleistet haben, irgendwann im Vorfeld.
Speaker: Die können jetzt sehr, sehr leicht hiermit integriert werden.
Speaker: Du hattest jetzt ja auch gerade angesprochen, dass viele Institutionen ihre Daten bereits aufgebaut oder aufbereitet haben, um sie an andere Institutionen anknüpfungsfähig zu machen, also in Austauschformate übersetzt haben.
Speaker: Jetzt kann ich natürlich auch Clam-Institutionen verstehen, die sagen, okay, da kommen alle fünf Jahre irgendwelche
Speaker: FachinformatikerInnen oder Institutionen oder Bewegungen mit Visionen um die Ecke und wollen, dass wir wieder was Neues machen, wieder eine neue Übersetzung.
Speaker: Also wie kann man denn jetzt diese Technologie auch in der Geschichte ein bisschen einbetten?
Speaker: Also ist es wirklich nur so eine fixe Idee oder ist es gekommen, um zu bleiben?
Speaker: Naja, also es ist ja jetzt nicht super neu.
Speaker: Ich hatte ja schon gesagt, seit zwei Jahrzehnten ist das in der Forschung angekommen.
Speaker: Und es ist eigentlich wirklich auch noch in den frühen Jahren des World Wide Web mit entstanden.
Speaker: Der Begründer, in Anführungszeichen Erfinder des World Wide Web, Tim Berners-Lee,
Speaker: Ich hatte schon relativ kurz, nachdem das in den 90er Jahren Fahrt aufgenommen hat, gesehen, das Problem, das wir im Web haben, ist, dass da sind sehr, sehr viele Dokumente, egal ob das jetzt Textdokumente, Bilddokumente, Videos oder sonst was sind, die sind miteinander vernetzt und das ist toll.
Speaker: Aber eigentlich kann man hier im Web noch relativ wenig anfangen mit den Dokumenten, weil das, was drinsteht,
Speaker: Das versteht der Computer nicht.
Speaker: Der sieht einfach nur ein Dokument, das kann dargestellt werden.
Speaker: Die Suchmaschine ist in der Lage, tatsächlich jetzt uns auch dann inhaltlich interessante Ergebnisse zu liefern.
Speaker: Aber es steckt ja noch viel mehr in den Dokumenten drin.
Speaker: Die bedeuten ja was.
Speaker: Wenn da eine Adresse steht, dann ist das klar.
Speaker: Wenn da eine Straße steht und da steht eine Hausnummer, dann bedeutet das ja was Bestimmtes.
Speaker: Das heißt, dass da eine geografische...
Speaker: Angabe mit verbunden ist, wo genau diese Person beispielsweise, die eine Adressangabe jetzt hier hat, verortet werden kann.
Speaker: Also ich möchte jetzt nicht gleich wieder in datenschutzrechtliche Diskussionen abstreifen, das ist jetzt nur ein Standardbeispiel, das man hier vernimmt.
Speaker: Aber, und da kam schon wirklich Ende der 90er Jahre der Gedanke auf, ja, wir haben ja in der KI Möglichkeiten, das Wissen oder die Bedeutung wirklich auch explizit zu erfassen.
Speaker: Nur die Verknüpfung zwischen diesen, ich hatte sie vorhin schon genannt, diesen Beschreibungslogiken, die dafür verwendet werden,
Speaker: Und dem World Wide Web, die war noch nicht gegeben.
Speaker: Und Tim Berners-Lee ist dann den Schritt weitergegangen, dass er einfach gesagt hat, okay, wir verbinden das miteinander.
Speaker: Wir bringen genau diese Beschreibungssprachen in das Web und bauen darauf so einen Technologiestack, einen Technologiestapel aus, mit dem ich dann in der Lage bin,
Speaker: das Web, wie wir es alle kennen, zu erweitern, um diese semantischen Layer, um Bedeutung dann tatsächlich auch auszudrücken, damit eben jetzt autonome Agenten, also jetzt nicht nur wir Menschen, sondern wirklich dann auch Programme in der Lage sind, Informationen zusammen zu sammeln und dann dem Nutzer zur Verfügung zu stellen.
Speaker: Also die ursprüngliche Version oder Vision ging viel, viel weiter als das, was Google mittlerweile geschaffen hat, weil Google ist ja immer noch
Speaker: Eine zentrale Instanz, die uns allen die Arbeit quasi abnimmt und versucht quasi schon von vornherein zu ergründen, was uns interessiert.
Speaker: Deshalb werden auch von Google so viele benutzerbezogene Daten von uns gesammelt, weil die Suche und alles wird ja so versucht anzupassen, damit das, was uns interessiert,
Speaker: von dort geliefert werden kann.
Speaker: Das Problem ist halt, dass es alles zentralisiert.
Speaker: Natürlich muss dann an einer zentralen Stelle die Information über alle Benutzer gespeichert sein.
Speaker: Und das ist natürlich manchmal deutlich mehr, als uns lieb ist.
Speaker: Aber die ursprüngliche Idee, die Intention von dem Semantik-Web geht genau in die andere Richtung, in die verteilte Richtung.
Speaker: Das genau eben nur mein lokales Endgerät, das heißt nur mein Computer,
Speaker: weiß quasi über mein Nutzungsverhalten Bescheid, was mich interessiert, was meine Vorlieben sind, wie ich ticke.
Speaker: Und kann dann aufgrund von autonomen Agenten, die er quasi losschicken kann ins Web, Informationen gezielt so zusammensammeln, dass sie zu meinem Informationsbedürfnis passen.
Speaker: Und davon muss kein anderer was wissen, beziehungsweise keine zentrale Stelle kann das dann mit anderen in Bezug setzen, um das Ganze dann in irgendeiner Art und Weise wirtschaftlich zu nutzen oder auszunutzen.
Speaker: Und das ist die Idee, die da eigentlich dahinter steckt.
Speaker: Und das ist eine, Harald, nicht diese Idee der dezentralen Daten, die eigentlich auch den Kulturorganisationen oder den GLAMS besonders entgegenkommt.
Speaker: Das heißt, sie selber haben die Daten und müssen sie jetzt nicht abgeben und irgendwie hin, sondern können sie haben und sie verbinden sie mit den anderen.
Speaker: Durch die Verbindung kommt genau ein Mehrwert zustande.
Speaker: Das heißt, Larry Page und Sergey Brine haben natürlich wunderbar hingeguckt seinerzeit, als sie den Aufsatz gelesen haben, haben das dann für sich genutzt für ihren eigenen Google-Graphen.
Speaker: Was ich aber spannend finde in dieser Geschichte ist,
Speaker: dass einer der Gründe, weswegen damals die Google-Gründer dann Google Books gegründet haben, ja genau das war, zu sagen, ja, wo liegt denn das Wissen, was ich brauche, um sozusagen meinen Graphen eigentlich wirklich verbessern zu können, nämlich in den Büchern.
Speaker: Also haben sie gesagt, so, wir bieten den Bibliotheken an, die ganzen Sachen zu digitalisieren, machen es selber, entwickeln dieses,
Speaker: dieses Natural Language Processing, mit dem es möglich ist, aus diesen Büchern sozusagen den Graphen mit zu füttern, diese Triple Spadons mit aufzubauen.
Speaker: Und in Europa wurde das ganz falsch verstanden.
Speaker: Es wurde so verstanden, nämlich, oh, da klaut Google plötzlich die gesamten Daten und alles.
Speaker: Und dabei war das in diesem Fall gar nicht so gedacht.
Speaker: Entwickelte dann die Europeana 2008, die genau als Gegenstück zu Google Books entstanden ist, 2008,
Speaker: Und 2012 wurde dann, also schon vorher gegründet, aber ging dann online die Deutsche Digitale Bibliothek als diejenige, die sozusagen Europäer zuarbeiten sollte.
Speaker: Aber dieser Grundgedanke dahinter, der eigentlich bei
Speaker: zu Google Books führte, nämlich einen Graphen aufzubauen, einen Wissensgraphen, der war weder in der Europäaner noch in der Deutschen Bibliothek, kam der an, geschweige denn, sind die beiden heute so sozusagen technisch, dass das möglich ist, deswegen muss man ja ran und das Gesamte nochmal neu anpacken.
Speaker: Ich finde das aber spannend, dass das eigentlich so zwei Linien sind,
Speaker: die sich hinten treffen wieder, weil die Europäische und Deutsche Digitale Bibliothek heute für uns ein ganz wichtiger Fundus ist, wo man schon sagen kann, da ist schon mal viel digitalisiert, wenngleich auch diese Grundidee des Grafen und so weiter da noch gar nicht umgesetzt.
Speaker: Das ist das, was wir jetzt machen müssen und was auch möglich ist, dementsprechend jetzt einzubinden.
Speaker: Gibt es denn auch schon Überlegungen, was denn der Mehrwert für die kunsthistorische Forschung oder auch die digitale Kunstgeschichtsforschung sein wird, wenn wir davon ausgehen, der Knowledge Graph ist da.
Speaker: Kunsthoreinstitutionen speisen dort ein, haben die Schnittstellen gebaut.
Speaker: Wir haben den Fundus, auf dem man suchen kann.
Speaker: Was ist eure Vision damit?
Speaker: Was sind Methoden oder auch Forschungsideen, die erst dann umsetzbar sind?
Speaker: Also einmal aus der Kunstgeschichte rauf finde ich ganz spannend, dass wir dann Daten haben,
Speaker: die dementsprechend als Graph modelliert sind, also wir dementsprechend auch mathematisch abrufen können durch eine Sparkle-Abfrage und die dann ganz anders visualisieren können.
Speaker: Also wir haben die Möglichkeiten damit, über Karten, über dementsprechend Zeitstrahlen, über explorative Suchen, ganz anders Vernetzungen, Verbindungen herzustellen, die dann auch darzustellen, die ganz neue Erkenntnisse uns geben, aufgrund dessen, wie diese Daten strukturiert sind.
Speaker: Das kann man alles auch aufwendig mit einzelnen relationalen Datenbanken machen.
Speaker: Also die Technik ist nicht neu, nur wir können es jetzt dann über Massendaten machen, nämlich wirklich über einen ganz großen Pool und können uns dementsprechend einen Ausschnitt raussuchen und sagen, zeige mir das genauso an und dadurch gewinnen wir Erkenntnis.
Speaker: Das heißt, ich denke, das ist ein Punkt ganz stark,
Speaker: Wir haben ganz neue Möglichkeiten, Methoden, Visualisierungen draufzusetzen, um zu neuen Erkenntnissen zu kommen.
Speaker: Das andere, denke ich, ist auch sowas von innerhalb, also gerade bei Museen auch mit, sie haben ganz neue Möglichkeiten, das, was sie selber als Wissen haben, innerhalb von
Speaker: der Institution über ihre Objekte anzureichern durch das Wissen der anderen durch den Graphen.
Speaker: Das heißt also mit dieser Verlinkung ist ja jetzt nicht nur gegeben, dass man von außen irgendwas machen kann, sondern ich habe mein eigenes Wissen, meine eigene Datenbank reichere ich eigentlich an, indem ich plötzlich die Möglichkeit habe, innerhalb des Graphen zuzufangen, nämlich auch das, was über Wikidata, über andere Sachen kommt, auch zu klassifizieren,
Speaker: Ich möchte nur die und die Informationen von den und den Institutionen haben.
Speaker: Also es ist ja nicht so, dass ich jetzt in einem Riesenball bin, wo alles gleich ist, sondern ich weiß ja, aha, das kommt von Wikipedia, das kommt von Institution XY, das kommt davon, dass ich dann auch aussuchen kann und darin mir Informationen reinhole in meine eigenen Sachen und zwar für die eigene Vermittlung bis hin in den Museumskontext mit hinein.
Speaker: Das heißt,
Speaker: Ich habe die Möglichkeit dann, als zweites halt, meine Daten anzureichern dadurch, um eigene Sachen zu machen.
Speaker: Und das dritte, was ich finde, ist, ich habe es eben nochmal im Satz ein bisschen auch erläutert, ist wirklich das, dass wir das als
Speaker: Massendaten zusammenfügen und echt über eine große Anzahl von Wissen drüber gehen können.
Speaker: Und da auch letztlich, wenn man sich dann vorstellt, dass unsere Forschungspublikationen und das, was drin ist, auch noch mehr und mehr damit verknüpft werden kann, glaube ich,
Speaker: kommen wir echt dahin, dass das, was ja Digitalität oder Computer auch als Vorteil für uns hat, nämlich, dass wir Komplexität damit bewältigen können, dass wir das, was wir Menschen so an vielen Beziehungen gar nicht herstellen können, der Computer uns helfen kann, um neue Erkenntnisse auch mitzubekommen.
Speaker: Am Ende
Speaker: müssen wir Menschen immer noch entscheiden, was möchte ich dann vermitteln, was möchte ich worüber oder was ist die eigentliche Erkenntnis, die ich dann rausziehe.
Speaker: Aber das Hilfsmittel wird in dem Falle der Computer.
Speaker: Und das ist der Unterschied vom Buch hier zum Knowledge Graph, weil es echt ein Sprung ist, der uns hilft, neues Wissen zu generieren und damit dann auch neue Erkenntnisse.
Speaker: Ich kann mir auch vorstellen, dass der Wissenskanon, den wir haben, sich dann dadurch stark verschiebt.
Speaker: Weil im Moment ist es ja oft so, dass man, wenn man Recherchen startet, erst mal dorthin geht, wo es die meisten Informationen gibt.
Speaker: Also man geht an Zentralinstitute oder an Institutionen mit großen Bibliotheken, an Häuser, die viel aus dem Bereich dieses Themas haben, nachdem man forscht.
Speaker: Ich stelle mir jetzt mal so vor, wenn es wirklich alles dann in diesem Knowledgecraft drin ist, gibt es ja nicht mehr diese Hierarchisierung von was ist die wichtige Institution und was ist irgendwie das kleine Dorfarchiv, das irgendwo liegt.
Speaker: Alles wird ja dann egalitärer und gleich zugänglich und in dem Moment eröffnet sich eine ganz neue Wissenswelt, auch hinsichtlich einer World Art History.
Speaker: Also ja, auf der einen Seite, du hast auf der Datenebene diese Gleichheit, ja.
Speaker: Und das mag sein, obwohl die Frage danach, ob alles drin ist, was heißt alles, aber sagen wir mal, es ist wirklich richtig viel drin.
Speaker: Letztlich ist es aber das, ich muss abfragen, ich muss Anwendungen machen und darüber entsteht der Gap dann wieder.
Speaker: Das heißt, ich bringe den Kanon darüber rein, wie gehe ich damit um?
Speaker: Und deswegen die Hoffnung damit, jetzt wird alles gleich,
Speaker: ist nicht das Thema, ob wir die Daten dementsprechend gleich hinbekommen und gleichwertig und auch zugänglich, sondern hat zu tun ganz stark damit, was uns interessiert und wie wir mit diesen Daten umgehen.
Speaker: Aber die Möglichkeit ist natürlich leichter, muss aber dafür die Sachen auch digitalisiert haben.
Speaker: Alles das, was nicht digitalisiert ist, ist nicht zugänglich und nicht drin.
Speaker: Da ist auch ein Gap.
Speaker: Und diese Diskussion werden wir dann auf jeden Fall auch weiterführen.
Speaker: Und jetzt, was kommt jetzt rein?
Speaker: Alles das, was schon Kanon ist.
Speaker: Weil guck rein, was in den ganzen Datenbanken ist.
Speaker: Das ist ja ganz stark auch das, vor allem, was als erstes reinkommt, was gerade Teil des Kanons auch mit ist.
Speaker: Gleichzeitig kommt all das auch jetzt rein, was wir in den Depots und so weiter haben, was wir nie zu sehen bekommen haben und auch worüber nie geforscht wurde.
Speaker: Und das ist der Vorteil dabei, ganz klar.
Speaker: Du hast jetzt schon den Gap angesprochen.
Speaker: Was ist denn diese Hürde, der große Graben, den man überspringen muss?
Speaker: Kann ich einfach als Kunsthistorikerin und Kunsthistoriker in diesem Knowledge Graph suchen?
Speaker: Also ähnlich wie bei Google mit einem Suchschlitz?
Speaker: Prinzipiell ja, natürlich.
Speaker: Aber sagen wir mal, die...
Speaker: Der wirkliche Mehrwert oder der wirkliche Nutzen wird dann erst offenbar, wenn man in der Lage ist, auch Werkzeuge anzuwenden, die genau dieses Wissen, das da abgebildet wird oder repräsentiert wird, auch wirklich nutzt.
Speaker: Die traditionelle Suche, wie wir sie kennen, ist eine sehr eindimensionale Geschichte, weil ich suche normalerweise irgendwas,
Speaker: von dem ich schon weiß, dass es existiert.
Speaker: Also ich suche ein Bild, auf dem Person XY abgebildet ist zum Beispiel.
Speaker: Dann gebe ich das so ein.
Speaker: Also ich möchte, was weiß ich, ein Kunstwerk und gebe den Namen der Person ein, die darauf abgebildet werden soll.
Speaker: Und das kann ich dann zentral quasi an so vernetzte Datenbanken stellen.
Speaker: Das konnte ich vorher auch schon.
Speaker: Aber wenn ich weiß, wie ich es richtig mache, dann kann ich wesentlich komplexere Abfragen stellen,
Speaker: Und da will ich dann gleich nochmal drauf eingehen, wie man das dann auch noch vereinfachen kann und welche Richtung das dann geht.
Speaker: Aber wenn man diese komplexen Abfragen stellen kann, kann ich beispielsweise hergehen jetzt und ich kann nach, also ich muss nicht mehr so konkret sein.
Speaker: Ich kann beispielsweise sagen, okay, gib mir Bilder zurück, bei denen spätbarocke Künstler abgebildet werden mit, ich nehme jetzt mal was ganz abwegiges, landwirtschaftlichen Nutztieren.
Speaker: Da gibt es einige.
Speaker: Ja, genau.
Speaker: Also worauf ich raus will, ist beispielsweise, vorher musste ich hergehen, musste jedes einzelne Nutztier, das mir einfällt, benennen und natürlich auch jeden Künstler, der in diese Kategorie fällt.
Speaker: Beziehungsweise, dass das Ganze auch noch spätbarock ist, muss ich raussuchen, ja, von welchem Jahr bis zu welchem Jahr geht das denn?
Speaker: Was interessiert mich denn da?
Speaker: Und das ist halt das Ding, wenn ich das vorhandene Wissen in diesem großen Wissensgraf mit externen Wissensquellen, wie jetzt beispielsweise Wikidata, verknüpfe,
Speaker: Dann kann ich sehr leicht feststellen, okay, Spätbarock geht von dann bis dann.
Speaker: Künstler finde ich da auch, nach wen ich suche.
Speaker: Da kann ich eine Gruppe nach Künstlern suchen, die genau eben deren Schaffenswerk genau in dieser Zeit des Spätbarock liegt.
Speaker: Plus ich finde auch noch heraus, welche Tiere als landwirtschaftliche Nutztiere gelten und kann dann diese Abfrage in Richtung dann unseres Wissensgrabs erweitert dann so stellen, dass dann
Speaker: Über was wird dort abgebildet, da gibt es ja in der Kunstgeschichte so ein schönes System, das heißt Icon Class, Holger wird das bestimmt kennen und da gibt es Trillionen von, ne so viele natürlich auch nicht, ich glaube knapp über 100.000 wahrscheinlich irgendwelche Codes, mit denen quasi kodiert werden kann, was genau denn jetzt passiert.
Speaker: Ja.
Speaker: dann kriege ich Ergebnisse aus allen möglichen angeschlossenen Kulturinstitutionen zurück.
Speaker: Und da muss es sich dann nicht nur um Bilder handeln, da kann es dann auch andere Kunstwerke sein, beispielsweise Plastiken können das sein oder es können Münzen sein auf denen, was abgebildet ist und ähnliches.
Speaker: Also es erweitert halt ganz einfach die Spannbreite auch der Ergebnisse, die ich erwarten kann.
Speaker: Ich werde Dinge finden, mit denen ich überhaupt nicht gerechnet habe.
Speaker: Und auf eine Art und Weise, ich muss aber wissen, wie ich diese Abfrage stelle.
Speaker: Und worauf ich jetzt hinaus möchte, wohin sich das Ganze ändern kann oder ändern wird, und das ist auch ein Stückchen auch noch jetzt ein kleiner Forschungsaspekt an der Sache dran.
Speaker: Wir müssen natürlich herausfinden, wie setzen wir den Endbenutzer, der jetzt natürlich nicht über dieses Fachwissen verfügt, in die Lage, solche Abfragen stellen zu können.
Speaker: Und da kommen dann natürlich solche Frage-Antwort-Systeme dann zum Tragen, also dass ich in der Lage bin, genauso wie ich gerade meine Frage formuliert habe mit diesen abstrakten Begriffen, die müssen dann übersetzt werden in diese entsprechenden Abfragen an die beteiligten Wissensgrafen, an Wikidata, an unseren Wissensgrafen und das ist,
Speaker: Geht mir oder weniger gut, aber beispielsweise mithilfe von diesen neuen großen Sprachmodellen, Jet, GPT und Co., die sind schon ganz gut in der Lage, solche Schnittstellen zu schaffen und zu vereinfachen, dass auf der einen Seite meine natürlich gestellte Anfrage in eine formale Abfrage umgeschrieben wird oder umgekehrt die Ergebnisse, die ich bekomme, in schön lesbare Texte dann übersetzt werden.
Speaker: Im Moment ist es so, dass man an den Knowledge Graphen einen mit, was ist das, einen Sparkle Endpunkt, oder?
Speaker: Genau, also das ist für die Experten, die können dann so eine Sparkle Abfrage stellen.
Speaker: Das sieht so ähnlich aus wie bei relationalen Datenbanken.
Speaker: Da gab es auch eine Abfragesprache, gibt es immer noch SQL oder SQL.
Speaker: Ist eigentlich ganz einfach für denjenigen, der es kann.
Speaker: Jemand, der nicht in der Materie steckt, der muss natürlich einen Lernaufwand investieren, um dann solche Abfragen tatsächlich zu finden.
Speaker: gestalten zu können.
Speaker: Und nichtsdestotrotz ist immer so eine Art Suchschlitzabfrage möglich, in der ich eben Begriffe aufliste, die dann gesucht oder gefunden werden müssen.
Speaker: Allerdings auch wieder da nur eingeschränkt halt darauf mit der Art und Weise, also welche Ergebnisse kann ich denn da erwarten?
Speaker: Das muss dann auch tatsächlich im Index drinstehen, was ich da suche.
Speaker: Ja, aber ihr seid ja da dran, eine andere Art von Interface zu gestalten für alle, die Sparkle nicht kennen.
Speaker: Oder nicht dazu fähig sind.
Speaker: Genau, das ist unsere tägliche Arbeit.
Speaker: Jetzt macht ihr das ja auch schon eine ganze Weile, NFDI for Culture läuft schon seit ein paar Jahren.
Speaker: Was ist denn die häufigste Kritik am Knowledge Graph, der ihr begegnet?
Speaker: Dass noch zu wenig drin ist.
Speaker: Ja, ich glaube, also deswegen das, was bisher immer kommt, oh ja, da ist ja noch so gar nicht viel.
Speaker: Aber das ist, glaube ich, ganz klar.
Speaker: Das liegt jetzt daran, deswegen versuchen wir da jetzt ganz viele, die auch schon Daten haben, dazu zu bringen, sie dementsprechend zur Verfügung zu stellen.
Speaker: Und so, dass man auch nicht zur Verfügung zu stellen, ist auch schon wieder falsch.
Speaker: sondern dass wir sie so aufbereiten können, dass man sie mit in dem Graphen darüber ansprechen kann, zugänglich machen kann, dass man das dementsprechend hat.
Speaker: Aber ich glaube, ab dem Moment, wo da eine große Menge drin ist, wird man sofort den Nutzen sehen, ganz ähnlich wie bei KI, wo man lange dachte, ach, was ist das?
Speaker: Es ist was für Nerds.
Speaker: Ab dem Moment, wo Chatschie Bedi eine Anwendung bringt, die für alle sofort einen Mehrwert hat, merkt man, was da an Potenzial drin ist dabei.
Speaker: Genau und wir haben in NFDI4Culture auch diese ursprüngliche Eintrittshürde, nämlich eben die Arbeit, die ich investieren muss, um meine Daten da reinzubringen, jetzt so weit niedrig oder niederschwellig angesetzt, dass wir eben auf bereits vorhandene Schnittstellen zugreifen und jetzt…
Speaker: geht es auch wesentlich schneller, Dinge einzugliedern oder reinzubringen in den Wissensgraf.
Speaker: Jetzt kommen natürlich dann zusätzliche neue Fragestellungen, dass eben neue Arten von Objekten dann darin verortet werden.
Speaker: Und es ist wie immer die Frage, und da brauchen wir auch die Unterstützung der Wissensgrafie,
Speaker: Kulturwissenschaftler.
Speaker: Wir haben jetzt hier diese ganzen Daten.
Speaker: Was ist denn wichtig für eure Forschung, für eure Forschungsfragen?
Speaker: Was sollen wir denn davon wirklich jetzt abbilden in diesem großen Suchindex?
Speaker: Weil alles das, wir müssen nicht unbedingt wissen, wie viele Seiten ein Buch hat beispielsweise, aber es wäre vielleicht interessant zu wissen, A, wer hat es geschrieben, B, wer hat es verlegt oder C, über wen wird da geschrieben oder über was wird da geschrieben?
Speaker: Aber das wäre jetzt mal eine leidenhafte Vorstellung.
Speaker: Sagt uns doch mal konkret, was habt ihr für Forschungsfragen?
Speaker: Und an der Stelle sind wir jetzt gerade, dass wir eben in unterschiedlichen Anwendungskontexten wirklich Forschungsfragen von Wissenschaftlern, die mit diesen Daten arbeiten wollen, zusammenstellen und sammeln.
Speaker: Und danach richten wir natürlich dann auch die Inhalte aus, die dann im Knowledge Graph zu finden sind.
Speaker: Und so kommt jetzt Stück für Stück, ziehen wir dann hoch und bringen wir damit rein und stellen zur Verfügung.
Speaker: Das ist ja wirklich keine einfache Aufgabe.
Speaker: Alleine die Frage, was ist euch wichtig?
Speaker: Eine Buchwissenschaftlerin würde auf die Frage, braucht man die Seitenzahlen ja oder nein anders antworten als ich als Kunsthistorikerin.
Speaker: Also das ist, glaube ich, auch die, unabhängig von technischer Möglichkeit, die Heterogenität,
Speaker: von dem, was Kultur ist und Kulturwissenschaften bei uns ausmacht, die überhaupt alle mitzunehmen und die Bedarfe abzufragen.
Speaker: Wie geht ihr da vor?
Speaker: Also es gibt ja jetzt nicht irgendwie so eine Mailing-Liste, die sagt so, hier, her mit euren Fragen.
Speaker: Ja, aber schon sehr explorativ, oder?
Speaker: Indem wir einfach jetzt auch mit denen arbeiten, die jetzt kommen.
Speaker: Und wie Harald gerade schon sagte, mit den ersten Forschungsfragen auch, wo man sagt, wir müssen ran, um zu lernen, was braucht es in dem Graphen, damit man auch dementsprechend Antworten darauf findet, auf die Fragen, die ich stelle.
Speaker: Und insofern sind wir da auch noch ganz am Anfang nicht.
Speaker: Also wenn man sieht, es ist jetzt möglich, aber der Graf ist noch nicht derjenige, mit dem wir komplett alle Fragen der Kunstgeschichte und Kulturgeschichte lösen können.
Speaker: Es wird ein Instrument sein, mit dem wir dann, wenn da viele
Speaker: Informationen drin sind, als Wissen miteinander verbunden und wenn es so drin verbunden ist, dass wir dann auch diese Informationen darin abfragen können, also genau das, was Harald gerade sagte, dass wir wissen, was ist wichtig oder was braucht ihr, was wir miteinander verknüpfen müssen, dass man dann einen Graphen hat, der dann auch wächst und dementsprechend mehr und mehr genutzt wird.
Speaker: Deswegen ist es aber wichtig jetzt am Anfang erstmal, dass wir so viel wie es geht an Informationen mit reinholen,
Speaker: Und dass wir die ersten Wissenschaftlerinnen mit drauf nehmen, die das auch schon nutzen, weil ganz ehrlich, in meinem eigenen Fach in der Kunstgeschichte, ich würde mal fast behaupten, also wer arbeitet wirklich digital oder forscht digital?
Speaker: Also digitales Forschen ist ja nicht PowerPoint nutzen.
Speaker: also 5% oder so, die sowas nutzen, aber die müssen wir jetzt gewinnen, um daran zu gehen, dass wir die Fragen stellen können und mit denen auch zu arbeiten, damit wir den Knowledge Graphen besser bekommen.
Speaker: Und das ist die Aufgabe von NFT for Culture, jetzt genau diese Community anzusprechen und dann auch dementsprechend das Schritt für Schritt, iterativ diesen Knowledge Graphen dann auch wirklich groß und zum Erfolg führen zu lassen.
Speaker: Und das ist auch, wenn ich das ergänzen darf, Holger, es geht ja nicht nur darum herauszufinden, was wollen die Kulturwissenschaftler oder was haben die für Fragen, sondern durch die Möglichkeiten, die wir jetzt schaffen, wird die Beantwortung von ganz neuen Fragestellungen, die vielleicht bisher noch gar nicht quasi zur Sprache gekommen sind, möglich.
Speaker: Das heißt, das ist so ein gegenseitiger, wechselseitiger Prozess der gegenseitigen Befruchtung, wo wir eben Schritt für Schritt vorgehen.
Speaker: Erstmal fragen, ja, was sind eure traditionellen Fragestellungen?
Speaker: Guckt mal, wir könnten aber auch dieses und jenes.
Speaker: Interessiert euch das vielleicht?
Speaker: Und so tasten wir uns da langsam von beiden Seiten vor, um wirklich das Potenzial wirklich ausnutzen zu können, das sich hier erschließt.
Speaker: Also zum Beispiel, die gesamte Provenienzforschung wird einen Vorteil davon haben, weil diese Art von Information so zusammenzufügen, dass ich dann feststellen kann, guck mal, wo überall das Objekt war und wie ich das miteinander verbinden kann, ist eigentlich nur über den Knowledge Graph möglich, denn alles andere ist Sisyphus-Arbeit im Archiv.
Speaker: Diese ganze Arbeit, es ist ja nicht Forschung, eine Quelle zu finden.
Speaker: Es ist Forschung, diese Quelle dann im richtigen Bezug zu setzen.
Speaker: Und dieses zu helfen, sie zu finden, bisher ist es aber immer das Gefühl, ich muss diese eine Quelle haben oder damit ich sozusagen, das ist der große Erfolg meiner Forschung.
Speaker: Nee, das ist fleißige Suche.
Speaker: Aber jetzt eigentlich, was bedeutet das für meine Fragestellung und so weiter?
Speaker: Und darin auch wirklich Energie reinzunehmen und dass wir aber die Informationen wirklich im Knowledge Graphen haben, der uns hilft, genau diese Fragen dann auch zu stellen und zu beantworten.
Speaker: Ich denke gerade darüber nach, wie viel Zeit ich in meiner Dissertation gespart hätte, wenn ich auf einen Knowledge Graph hätte zurückgreifen können.
Speaker: Ja, ich habe zum Beispiel den ganzen Holstein-Katalog durchgeblättert, komplett die gesamten Grafiken des 15., 16.
Speaker: Jahrhunderts für meine Dissertation, war echt Tage damit beschäftigt, das gut zu machen.
Speaker: Das ist heute mit Knowledge Graphen und Computer Vision ist es ein Klick, wenn ich dementsprechend die Daten auch drin habe.
Speaker: Das heißt, all die unsinnige Arbeit, die wird mir genommen, aber die wichtige muss ich tun.
Speaker: Wenn ich das Objekt habe, den Fund, dann muss ich immer noch zuordnen.
Speaker: Was ist davor, danach?
Speaker: Was bedeutet das für die Bildgeschichte?
Speaker: Und dann fängt Forschung eigentlich erst an.
Speaker: Es wirkt auch ein bisschen so, dass man dann forschen könnte ohne Fachgrenzen, oder?
Speaker: Ja.
Speaker: Ja, ganz genau so ist es.
Speaker: Also die NFDI beschränkt sich ja jetzt nicht nur auf die Kulturwissenschaften, sondern die soll die komplette Wissenschaftslandschaft abdecken.
Speaker: Und wir entwickeln ja nicht nur für die Kunstgeschichte hier jetzt Knowledge Graphen, sondern auch in anderen Fachdisziplinen.
Speaker: Und naheliegend ist ja dann die Quervernetzung in andere Bereiche, sodass dann Fragestellungen entstehen.
Speaker: die jetzt beispielsweise die Material- und Werkstoffwissenschaften oder die Chemie betreffen.
Speaker: Beispielsweise, wenn es darum geht, aus welchen Farben werden jetzt oder welche Farben werden verwendet in einer bestimmten Epoche, wie setzen die sich zusammen?
Speaker: Diese Information kann ich dann finden über eben jetzt hier den Bereich Chemie oder den Bereich Material- und Werkstoffwissenschaften, wo genau für Farben dann eben die einzelnen Komponenten und deren Eigenschaften dann auch hinterlegt sind.
Speaker: Und darauf aufbauend kann ich dann eben jetzt wirklich auch disziplinübergreifende Fragestellungen beantworten.
Speaker: Und da wird es dann auch wirklich spannend.
Speaker: Ja, es baut Hürden ab, die man sonst bei einer interdisziplinären Forschung immer wieder hat, wenn man sich in andere Fachbereiche eindenken und einlesen muss.
Speaker: Was sind da die Fachmagazine?
Speaker: Wo ist publiziert worden?
Speaker: Und so weiter und so fort.
Speaker: Also ich sehe da ganz ehrlich nur Vorteile für uns als Wissenschaftlerinnen und Wissenschaftler.
Speaker: Auf der einen Seite, was unsere Art und Weise zu forschen angeht,
Speaker: Auf der anderen Seite für Kulturinstitutionen, den Clam-Institutionen, sehe ich die Vorteile, dass sie einfach ihre Sammlungen in die Wissenswelt hineinkriegen, also auch noch zugänglicher machen, als es vielleicht jetzt schon über Homepages und Datenbanken passiert ist.
Speaker: Ich denke, dass viele, die zugehört haben, jetzt ähnlich denken wie ich, aber wie macht man dann jetzt mit?
Speaker: Also ich sitze auf einer Sammlung.
Speaker: Was muss ich tun, um sie in den Graphen reinzukriegen?
Speaker: Also die Grundlage, das, was du auf jeden Fall tun musst und was noch viel mehr geschehen muss, ist erstmal digitalisieren.
Speaker: Also das ist das, was man machen muss.
Speaker: Analoge passt nicht in den Graphen, wir brauchen es digital.
Speaker: Und dann bietet NFD4Culture gerade drei Möglichkeiten an.
Speaker: Das eine ist, du modellierst es gleich im Graphen, hast es also in Datenbanken, die gleich schon Graphen anbieten und darüber kann man es dann dementsprechend einbinden und zur Verfügung stellen, dass man den Graphen sozusagen, der schon da ist, vielleicht auch ein Sparkle Endpoint, den jemand schon hat, das werden aber die wenigsten sein.
Speaker: Die einfachste Sache ist die, dass wenn ich schon eine Datenbank habe, sie aber und die Informationen schon im Internet auch zur Verfügung stelle aus dieser Datenbank mit heraus, was ja einige schon haben.
Speaker: Es gibt ja viele Institutionen, Museen schon, die ihre Sachen aus der Datenbank in einer Website zeigen.
Speaker: Dann ist es sehr einfach,
Speaker: über dieses Culture Graph Interchange Format, das wir mitentwickelt haben, einfach es über die Webseite, dass wir es über die Webseite anfragen und darüber dann den Graphen mit modellieren.
Speaker: Das ist für die Institution wenig Aufwand oder man muss die Schema Org mit reinbringen einmal, dieses Plug-in.
Speaker: Das ist aber etwas, was man auf jeden Fall machen kann und was kein großer Aufwand ist, auch kein großer Kostenaufwand ist.
Speaker: Und dann können wir das mit integrieren.
Speaker: Also alle die, die die Sachen schon haben auf der Webseite, ist auch da wirklich die Integration relativ einfach.
Speaker: Und ein bisschen aufwendiger wird es, wenn ich es in meiner Datenbank habe, aber ich habe es noch nicht in der Webseite.
Speaker: Dann muss ich einen ordentlichen Export machen, zum Beispiel Lido.
Speaker: ein Lido Export, der mittlerweile auch Standard ist.
Speaker: Und wenn ich das habe, es gibt mittlerweile die Möglichkeit von Lido in so ein Lido RDF Format mitzukommen, dass man sozusagen das gleich in Linked Open Data auch mitbringt, dass man es mit reinnehmen kann.
Speaker: Das ist von beiden Seiten ein bisschen mehr Aufwand, das ist klar.
Speaker: Aber das ist die dritte Möglichkeit.
Speaker: Und insofern aber alles drei Möglichkeiten, glaube ich, mit denen man recht sofort anfangen kann.
Speaker: Für uns ist eher das Problem die Zeit.
Speaker: dass man das jetzt mit einbindet und so weiter.
Speaker: Aber da sind wir dran, dass das auf jeden Fall gelingen sollte.
Speaker: Inspiriert von den Ideen des Semantik-Web knüpft man bei NFDI for Culture einen Wissensgrafen aus Knoten und Kanten.
Speaker: Digitales Klöppeln, damit wir uns nicht nur schneller durch große Datenmengen schaufeln können, sondern auch bislang unbekannte Verknüpfungen sichtbar machen.
Speaker: Der Umgang mit dem Knowledge Graph verspricht ein großer Gewinn für die Forschung zu sein und das Information Retrieval, ich erinnere hier an die dritte Folge des Podcasts, zu verbessern.
Speaker: Auf der technischen Seite sind die Weichen schon gestellt.
Speaker: Offen ist, wie wir im Fach Kunstgeschichte unsere Kompetenzen weiterentwickeln, um mit diesem Angebot auch umgehen zu können.
Speaker: Denn nur wenn wir Angebote dieser Art nutzen und wiederum unsere Bedarfe an die Entwicklerinnen und Entwickler melden, bekommen wir digitale Werkzeuge, die wir wirklich brauchen.
Speaker: Der Austausch miteinander ist wichtig und wir sind es dem kulturellen Erbe ja auch irgendwie schuldig.
Speaker: Kulturhistorische Daten sind Daten von Bedeutung.
Speaker: Im Knowledge Graph werden sie zu semantischen Daten, zu Daten mit Bedeutung.
Speaker: Diese Folge wurde von Jacqueline Klosig-Eckardt produziert im Auftrag des Arbeitskreises Digitale Kunstgeschichte.
Speaker: Unterstützt wird sie dabei von der Redaktion der Arbeitskreismitglieder Peter Bell, Lisa Diekmann, Peggy Große, Waltraud von Pippich und Holger Siemann.
Speaker: Finanziert wird AdHistocast, der Podcast zur digitalen Kunstgeschichte von NFDI for Culture, dem Konsortium in der nationalen Forschungsdateninfrastruktur, das sich mit Forschungsdaten zu materiellen und immateriellen Kulturgütern befasst.
Speaker: Unterstützt wird AdHistocast durch den Deutschen Verband für Kunstgeschichte.
Speaker: Du hast noch eine Frage oder Anregungen?
Speaker: Kontaktiere uns einfach unter podcast.digitale-kunstgeschichte.de
