Cover des Buchs: Urheberrecht und Training generativer KI-Modelle
Monographie Open Access Vollzugriff

Urheberrecht und Training generativer KI-Modelle

Technologische und juristische Grundlagen
Autor:innen:
Verlag:
 2024

Zusammenfassung

Generative KI (z.B. ChatGPT) erzeugt Texte, Bilder, Musik und Videos. Die Technologie basiert auf dem umfangreichen Training mit urheberrechtlich geschützten Daten. In den USA berufen sich KI-Entwickler auf „fair use“; in Europa gilt nach verbreiteter Ansicht die Schranke für „Text und Data Mining“ (TDM). Die interdisziplinäre Untersuchung widerlegt diesen Ansatz, weil sich generatives KI-Training fundamental von TDM unterscheidet. Überdies wird u.a. auch erklärt, warum KI-Entwickler außerhalb Europas dem EU-Urheberrecht unmittelbar unterliegen, wenn ihre KI-Systeme in der EU zugänglich sind. Insgesamt wird deutlich: Eine gründlichere technologisch orientierte Betrachtung und eine Anpassung des Rechts an die Realität sind erforderlich.

Schlagworte

Publikation durchsuchen

Bibliographische Angaben

Copyrightjahr
2024
ISBN-Print
978-3-7560-2305-9
ISBN-Online
978-3-7489-4955-8
Verlag
Nomos, Baden-Baden
Reihe
Recht und Digitalisierung | Digitization and the Law
Band
19
Sprache
Deutsch
Seiten
217
Produkttyp
Monographie

Inhaltsverzeichnis

KapitelSeiten
  1. Titelei/Inhaltsverzeichnis 1 - 12 Download Kapitel (PDF)
  2. Executive Summary 13 - 16 Download Kapitel (PDF)
  3. § 1. Einleitung und Übersicht 17 - 22 Download Kapitel (PDF)
  4. Download Kapitel (PDF)
      1. I. Lernaufgaben
      2. II. Parameter und Hyper-Parameter
      3. III. Generalisierung und Modellkapazität
      4. IV. Datenaugmentierung
      1. I. Aufbau und Struktur
      2. II. Embeddings und latent space
      3. III. Training von KNNs
      4. IV. Pre-Training und Fine-Tuning
      5. V. Weiterverwendung von trainierten Modellen und catastrophic forgetting
      6. VI. Reproduzierbarkeit eines Trainingsvorgangs
      1. I. Technische Grenzen der Trainierbarkeit
      2. II. Lösung: Approximation
      3. III. Large language models (LLMs) – Autoregressive Modelle
      4. IV. Generative Adversarial Networks (GANs)
      5. V. Variational Autoencoders (VAEs)
      6. VI. Diffusionsmodelle
      7. VII. Sampling und Konditionierung
      8. VIII. Style transfer
      1. I. Datensammlung: Webscraping und Erstellung von Korpora zum Training
      2. II. TDM: Anknüpfungspunkte und Abgrenzung
      3. III. Datenverarbeitung und potentielles Memorisieren beim Training
    5. E. Ausblick
  5. Download Kapitel (PDF)
    1. A. Überblick
      1. I. Sammlung, Vorbereitung und Speicherung der Trainingsdaten
        1. 1. Meinungsstand
          1. a) Ausgangspunkt: Speicherung „im Innern“
          2. b) Nicht gefordert: Unmittelbare Wahrnehmbarkeit
          3. c) Method in flux: „Wahrnehmbarmachung“
        3. 3. Zwischenergebnis
        1. 1. Vervielfältigung und Bearbeitung: Entscheidung nach Einzelfall
        2. 2. Caveat: Keine „künstliche Doppelschöpfung“
        3. 3. Zwischenergebnis
  6. Download Kapitel (PDF)
    1. A. Überblick
      1. I. Vervielfältigung ist „vorübergehend“ sowie „flüchtig und begleitend“
      2. II. Vervielfältigung ist „integraler und wesentlicher Teil eines technischen Verfahrens“
      3. III. Vervielfältigung hat den Zweck einer „rechtmäßigen Nutzung“
      4. IV. Vervielfältigung hat „keine eigenständige wirtschaftliche Bedeutung“
      5. V. Zwischenergebnis
    3. C. Text und Data Mining für Zwecke der wissenschaftlichen Forschung (§ 60d UrhG, Art. 3 DSM-Richtlinie)
        1. 1. Grundlegung: Syntax als Schutzgegenstand des Urheberrechts
        2. 2. Fehlkonzeption: Gleichsetzung von TDM und Training generativer KI-Modelle
          1. a) Wortlaut
            1. aa) Klarstellung: Begriffliche Verwirrung um das „right to mine“
              1. (1) Missverständnis: Scheinbares Aussieben der Syntax
                1. (a) Semantik/Syntax-Agnostik der Technologie
                2. (b) Quantität der Datenextraktion: large-scale data extraction
                3. (c) Technologieimmanenz: „copy expression for expression’s sake ...“
                4. (d) Schließlich: Syntax-Repräsentation im Vektorraum
          3. c) Zwischenergebnis
            1. aa) Europäisches Gesetzgebungsverfahren
            2. bb) Nationaler Gesetzgeber
          2. b) Methodisches Axiom: Vorrang des objektiven Telos
          3. c) Zwischenergebnis
          1. a) Meinungsstand
            1. aa) Wortlaut
            2. bb) System
            3. cc) Telos
          3. c) Zwischenergebnis
        1. 1. „Vervielfältigungen“, nicht „Änderungen“
        2. 2. „Rechtmäßig zugängliche Werke“
        3. 3. „Erforderlichkeit“ und Löschpflicht
        1. 1. Verbot von Förmlichkeiten (Art. 5 Abs. 2 RBÜ)
        2. 2. Praktische Hindernisse
        3. 3. Scheitern der Abwicklung durch private ordering
        1. 1. Meinungsstand
          1. a) Überblick
              1. (1) Internationales Urheberrecht
              2. (2) Europäisches Urheberrecht
            2. bb) Anwendung: Wettbewerb durch generative KI-Modelle
            3. cc) Exkurs: Opt-out und Beeinträchtigung der normalen Auswertung
            1. aa) Relevante Interessen
            2. bb) Anwendung: KI-Training
        3. 3. Zwischenergebnis
      5. V. Intertemporalität und Schrankenlosigkeit: Training vor dem 7. Juni 2021
      1. I. Vorübergehende Vervielfältigungshandlungen bei KI-Einsatz (§ 44a UrhG), Zitate (§ 51 UrhG) und unwesentliches Beiwerk (§ 57 UrhG)
      2. II. Karikatur, Parodie und Pastiche (§ 51a UrhG)
      3. III. Vervielfältigungen zum privaten und sonstigen eigenen Gebrauch (§ 53 UrhG)
      4. IV. Vorschaubilder-Doktrin des Bundesgerichtshofs: „Fingierte Einwilligung“
  7. Download Kapitel (PDF)
      1. I. Territorialitätsprinzip und Verletzungshandlung „im Inland“
      2. II. KI-Training im Ausland und forum shopping
      3. III. Blinder Fleck in der Diskussion: Öffentliche Zugänglichmachung nach §§ 15 Abs. 2 Nr. 2, 19a UrhG
      1. I. Gerichtsstände der EuGVVO
      2. II. Deliktsgerichtsstand nach § 32 ZPO
      3. III. Zwischenergebnis: Praktische Durchsetzung
      1. I. Vorab: Kategorisierung der KI-Modelle und -Systeme
      2. II. Persönlicher und sachlicher Anwendungsbereich der KI-Verordnung
      3. III. Schnittstelle: KI-Verordnung und Urheberrecht
      4. IV. Streitpunkt: Räumliche Reichweite des europäischen Urheberrechts
      5. V. Durchsetzung: Rechtsfolgen von Pflichtverstößen
      6. VI. Zwischenergebnis
  8. Download Kapitel (PDF)
      1. I. Einzigartigkeit der menschlichen Kreativität
      2. II. Schöne neue Welt unendlich gesteigerter Kreativität
      3. III. Urheberrecht vs. KI-Innovation
    2. B. Klarstellung #1: Farewell to human exceptionalism
    3. C. Klarstellung #2: Ersticken im Überfluss algorithmisch recycelter Kreativität
    4. D. Klarstellung #3: KI-Innovation vs. race to the bottom
  9. § 7. Zusammenfassung der Ergebnisse 193 - 196 Download Kapitel (PDF)
  10. Anhänge I bis IV 197 - 202 Download Kapitel (PDF)
  11. Literaturverzeichnis 203 - 217 Download Kapitel (PDF)

Literaturverzeichnis (241)

  1. Abbamonte, Giuseppe B., The application of the copyright TDM exception and trans-parency requirements in the AI Act to the training of generative AI, E.I.P.R. 46 (2024), 479. Google Scholar öffnen
  2. Agrawal, Ajay/Gans, Joshua/Goldfarb, Avi, Prediction Machines: The Simple Eco-nomics of Artificial Intelligence, Brighton 2018, 13. Google Scholar öffnen
  3. Alleyne, Allyssia, A sign of things to come? AI-produced artwork sells for $433K, smashing expectations, CNN, October 25, 2018 (einsehbar unter: https://edition.cnn.com/style/article/obvious-ai-art-christies-auction-smart-creativity/index.html (zuletzt am 9. August 2024)). Google Scholar öffnen
  4. Baumann, Malte, Generative KI und Urheberrecht – Urheber und Anwender im Spannungsfeld, NJW 2023, 3673. Google Scholar öffnen
  5. Becker, Maximilian, Generative KI und Deepfakes in der KI-VO: Für eine Positiv-kennzeichnung authentischer Inhalte, CR 2024, 353. Google Scholar öffnen
  6. Beebe, Barton, An Empirical Study of the Multifactor Tests for Trademark Infringe-ment, California Law Review 94 (2006), 1581. Google Scholar öffnen
  7. Beebe, Barton, An Empirical Study of U.S. Copyright Fair Use Opinions, 1978–2005, University Of Pennsylvania Law Review 156 (2008), 549. Google Scholar öffnen
  8. Benkler, Yochai, From Consumers to Users: Shifting the Deeper Structures of Regu-lation Toward Sustainable Commons and User Access, Federal Communications Law Journal 52 (2000), 561. Google Scholar öffnen
  9. Bernzen, Anna K., Urheberrecht und Künstliche Intelligenz in Künstner/Louven (Hrsg.), Plattform-Governance und Recht, Berlin 2024, 171. Google Scholar öffnen
  10. Bomhard, David, Text und Data Mining auf Grundlage von Webcrawling und Webscraping, InTeR 2023, 174. Google Scholar öffnen
  11. Bomhard, David/Gajeck, Niclas A., Softwareentwicklung durch künstliche Intelligenz, RDi 2021, 472. Google Scholar öffnen
  12. Bomhard, David/Siglmüller, Jonas, AI Act- das Trilogergebnis, RDi 2024, 45. Google Scholar öffnen
  13. Borel, Émile, La mécanique statique et l’irréversibilité, J. Phys. Theor. Appl. 1913, 189. Google Scholar öffnen
  14. Borges, Georg/Hilber, Marc (Hrsg.), BeckOK IT-Recht, 14. Edition 2024, München. Google Scholar öffnen
  15. Borges, Georg/Keil, Ulrich (Hrsg.), Rechtshandbuch Big Data, Baden-Baden 2024. Google Scholar öffnen
  16. Borghi, Maurizio/Karapapa, Stavroula, Non-display uses of copyright works: Google Books and beyond, Queen Mary Journal of Intellectual Property 2011, 21. Google Scholar öffnen
  17. Bostrom, Nick, Superintelligence: Paths, Dangers, Strategies, Oxford 2014. Google Scholar öffnen
  18. Bowman, Samuel R./Vilnis, Luke/Vinyals, Oriol/Dai, Andrew M./Jozefowicz, Ra-fal/Bengio, Samy, Generating Sentences from a Continuous Space, in: Proceedings of the 20th SIGNLL Conference on Computational Natural Language Learning (CONLL) 2016 (einsehbar unter: https://doi.org/10.48550/arXiv.1511.06349 (zuletzt am 19. August 2024)). Google Scholar öffnen
  19. Bradford, Anu, Europe’s Digital Constitution, Virginia Journal of International Law 64 (2023), 1. Google Scholar öffnen
  20. Bradford, Anu, The Brussels Effect, Northwestern University Law Review 107 (2015), 1. Google Scholar öffnen
  21. Bralios, Dimitrios/Wichern, Gordon/Germain, François/Pan, Zexu/Khurana, Sameer/Hori, Chiori/Le Roux, Jonathan, Generation or Replication: Auscultating Audio Latent Diffusion Models, ICASSP 2024–2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), IEEE (2024) (einsehbar unter: https://www.merl.com/publications/docs/TR2024-027.pdf (zuletzt am 9. August 2024)). Google Scholar öffnen
  22. Brandford, Anu, The Brussels Effect: How the European Union Rules the World, Oxford 2020. Google Scholar öffnen
  23. Buchalik, Barbara/Gehrmann, Mareike Christine, Von Nullen und Einsen zu Paragra-phen: Der AI Act, ein Rechtscode für Künstliche Intelligenz, CR 2024, 145. Google Scholar öffnen
  24. Bullock, Greg, Save time with Smart reply in Gmail, Google, The Keyword (May 17, 2017) (einsehbar unter: https://blog.google/products/gmail/save-time-with-smart-reply-in-gmail/ (zuletzt am 19. August 2024)). Google Scholar öffnen
  25. Bundesregierung, Strategie Künstliche Intelligenz der Bundesregierung 2018. Google Scholar öffnen
  26. Bundestag, Bundestags-Drucksache 14/8058, Beschlussempfehlung und Bericht, Urheber: Rechtsausschuss. Google Scholar öffnen
  27. Bundestag, Bundestags-Drucksache 19/27426, Entwurf eines Gesetzes zur Anpas-sung des Urheberrechts an die Erfordernisse des digitalen Binnenmarktes, 2021. Google Scholar öffnen
  28. Bundestag, Bundestags-Drucksache 20/5149, Bericht des Ausschusses für Bildung, Forschung und Technikfolgenabschätzung (2023). Google Scholar öffnen
  29. Bundestag, Bundestags-Drucksache IV/270, Entwurf eines Gesetzes über Urheber-recht und verwandte Schutzrechte (Urheberrechtsgesetz), 1962. Google Scholar öffnen
  30. Burk, Dan L., Cheap Creativity and what it will do, Georgia Law Review 57 (2023), 1669. Google Scholar öffnen
  31. Carlini, Nicholas/Tramèr, Florian/Wallace, Eric/Jagielski, Matthew/Herbert-Voss, Ari-el/Lee, Katherine/Roberts, Adam/Brown, Tom/Song, Dawn/Erlingsson, Úlfar/Oprea, Alina/Raffel, Colin, Extracting Training Data from Large Language Models, in: Pro-ceedings of the 30th USENIX Security Symposium (USENIX Security 21) 2633 (2021) (einsehbar unter: https://www.usenix.org/conference/usenixsecurity21/presentation/carlini-extracting (zuletzt am 21. August 2024)). Google Scholar öffnen
  32. Carlini, Nicholas/Hayes, Jamie/Nasr, Milad/Jagielski, Matthew/Sehwag, Vikash/Tramèr, Florian/Balle, Broja/Ippolito, Daphne/Wallace, Eric, Extracting Training Data from Dif-fusion Models, in: Proceedings of the 32nd USENIX Security Symposium (einsehbar unter: https://doi.org/10.48550/arXiv.2301.13188 (zuletzt am 16. August 2024)). Google Scholar öffnen
  33. Carlini, Nicholas/Ippolito, Daphne/Jagielski, Matthew/Lee, Katherine/Tramèr, Flori-an/Zhang, Chiyuan, Quantifying Memorization Across Neural Language Models, Pro-ceedings of the 11th International Conference on Learning Representations (ICLR) 2023 (einsehbar unter: https://doi.org/10.48550/arXiv.2202.07646 (zuletzt am 9. August 2024)). Google Scholar öffnen
  34. Carroll, Michael W., Copyright and the Progress of Science: Why Text and Data Min-ing Is Lawful, UC Davis Law Review 53 (2019), 893. Google Scholar öffnen
  35. Carter, Shan/Nielsen, Michael, Using Artificial Intelligence to Augment Human Intelli-gence, Distill, 2017 (einsehbar unter: https://distill.pub/2017/aia/ (zuletzt am 9. Au-gust 2024)). Google Scholar öffnen
  36. Chakrabarti, Soumen/Ester, Martin/Fayyad, Usama/Gehrke, Johannes/Han, Jiawei/Morishita, Shinichi/Piatetsky-Shapiro, Gregory/Wang, Wei, Data Mining Curricu-lum: A Proposal (Version 1.0), ACM SIGKDD 2004 (einsehbar unter: https://kdd.org/exploration_files/CURMay06.pdf (zuletzt am 9. August 2024)). Google Scholar öffnen
  37. Chang, Kent/Cramer, Mackenzie/Soni, Sandeep/Bamman, David, Speak, Memory: An Archaeology of Books Known to ChatGPT/GPT-4, in: Proceedings of the 2023 Con-ference in Empirical Methods in Natural Language Processing (einsehbar unter: https://aclanthology.org/2023.emnlp-main.453/ (zuletzt am 15. August 2024)). Google Scholar öffnen
  38. Chen, Boyuan/Wen, Mingzhi/Shi, Yong/Lin, Dayi/Rajbahadur, Gopi Krishnan/Jiang, Zhen Ming (Jack), Towards training reproducible deep learning models, Proceedings of the 44th International Conference on Software Engineering (2022) (einsehbar unter: https://doi.org/10.1145/3510003.3510163 (zuletzt am 9. August 2024)). Google Scholar öffnen
  39. Chen, Chen/Liu, Daochang/Xu, Chang, Towards Memorization-Free Diffusion Models, Pro-ceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recog-nition (2024) (einsehbar unter: https://doi.org/10.48550/arXiv.2404.00922 (zuletzt am 9. August 2024)). Google Scholar öffnen
  40. Chesterman, Simon, Good models borrow, great models steal: intellectual property rights and generative AI, Policy & Society 2024, 00(00), 1–15. Google Scholar öffnen
  41. Chollet, Françoise, Deep learning with Python, Shelter Island/NY 2021. Google Scholar öffnen
  42. Cooper, A. Feder/Grimmelmann, James, The Files are in the Computer: On Copyright, Memorization, and Generative AI, Chicago-Kent Law Review (forthcoming 2024), 1–63. Google Scholar öffnen
  43. Cun, Yann Le/Fogelman-Soulie, Françoise, Modeles connexionnistes de l’apprentissage (connectionist learning models), 1987 (PhD thesis: Universite P. et M. Curie (Paris 6)) (einsehbar unter: https://www.persee.fr/doc/intel_0769-4113_1987_num_2_1_1804 (zuletzt am 9. August 2024)). Google Scholar öffnen
  44. de la Durantaye, Katharina, »Garbage in, garbage out« – Die Regulierung generativer KI durch Urheberrecht, ZUM 2023, 645. Google Scholar öffnen
  45. de la Durantaye, Katharina, Nutzung urheberrechtlich geschützter Inhalte zum Trai-ning generativer künstlicher Intelligenz – ein Lagebericht, AfP 2024, 9. Google Scholar öffnen
  46. Dermawan, Artha, Text and data mining exceptions in the development of generative AI models: What the EU member states could learn from the Japanese “nonenjoy-ment” purposes?, Journal of World Intellectual Property 27 (2024), 44. Google Scholar öffnen
  47. Dornis, Tim W., Behind the Steele Curtain – An Empirical Study of Trademark Con-flicts Cases, 1952–2016, Vanderbilt Journal of Entertainment & Technology Law 20 (2020), 567. Google Scholar öffnen
  48. Dornis, Tim W., Der Schutz künstlicher Kreativität im Immaterialgüterrecht, GRUR 2019, 1252. Google Scholar öffnen
  49. Dornis, Tim W., Artificial Creativity: Emergent Works and the Void in Current Copy-right Doctrine, Yale Journal of Law & Technology 22 (2020), 1. Google Scholar öffnen
  50. Dornis, Tim W., Of ‘Authorless Works’ and ‘Inventions without Inventor’ – The Mud-dy Waters of ‘AI Autonomy’ in Intellectual Property Doctrine, E.I.P.R. 43 (2021), 570. Google Scholar öffnen
  51. Dornis, Tim W., Die „Schöpfung ohne Schöpfer“ – Klarstellungen zur „KI-Autonomie“ im Urheber- und Patentrecht, GRUR 2021, 784. Google Scholar öffnen
  52. Dornis, Tim W., Künstliche Intelligenz und internationaler Vertragsschluss, Rabels Zeitschrift für ausländisches und internationales Privatrecht 87 (2023), 306. Google Scholar öffnen
  53. Dornis, Tim W., Künstliche Intelligenz und Vertragsschluss, AcP 223 (2023), 717. Google Scholar öffnen
  54. Dreier, Thomas/Schulze, Gernot, Urheberrechtsgesetz, 7. Auflage, München 2022. Google Scholar öffnen
  55. Ducato, Rossana/Strowel, Alain, Ensuring Text and Data Mining: Remaining Issues with the EU Copyright Exceptions and Possible Ways Out, E.I.P.R. 43 (2021), 322. Google Scholar öffnen
  56. Ebers, Martin/Hoch, Veronica R. S./Rosenkranz, Frank/Ruschemeier, Hannah/Steinrötter, Björn, Der Entwurf für eine EU-KI-Verordnung: Richtige Richtung mit Optimierungs-bedarf – Eine kritische Bewertung durch Mitglieder der Robotics & AI Law Society (RAILS), RDi 2021, 528. Google Scholar öffnen
  57. Editorial, Moving towards reproducible machine learning, Nature Computational Sci-ence 1, 629–630 (2021) (einsehbar unter: https://doi.org/10.1038/s43588-021-00152-6 (zuletzt am 9. August 2024)). Google Scholar öffnen
  58. Eichelberger, Jan, Das Bereitstellen von technischen Einrichtungen als öffentliche Wiedergabe oder Grundlage einer Vermutung der öffentlichen Wiedergabe?, ZUM 2023, 660. Google Scholar öffnen
  59. Elkin-Koren, Niva, Cyberlaw and Social Change: A Democratic Approach to Copy-right Law in Cyberspace, Cardozo Arts & Entertainment. Law Journal 14 (1996), 215. Google Scholar öffnen
  60. Europäische Kommission, Vorschlag für eine Richtlinie des Europäischen Parlaments und des Rates über das Urheberrecht im digitalen Binnenmarkt, COM (2016) 593 final. Google Scholar öffnen
  61. Feldman, Ronen/Sanger, James, The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data, Cambridge University Press 2009 (einsehbar unter: https://doi.org/10.1017/CBO9780511546914.002 (zuletzt am 9. August 2024)). Google Scholar öffnen
  62. Finke, Moritz, Urheberrechtliche Zulässigkeit der Nutzung des Outputs einer Künst-lichen Intelligenz, ZGE 15 (2023), 414. Google Scholar öffnen
  63. Floridi, Luciano, Machine Unlearning: Its Nature, Scope, and Importance for a “De-lete Culture”, Philosophy & Technology 36 (2023), 42. Google Scholar öffnen
  64. Gatys, Leon A./Ecker, Alexander S./Bethge, Matthias, A Neural Algorithm of Artistic Style, arXiv:1508.06576v2 [cs.CV] (2015) (einsehbar auf: https://doi.org/10.48550/arXiv.1508.06576 (zuletzt am 31. Juli 2024)). Google Scholar öffnen
  65. Geiger, Christophe, The Three-Step Test, a Threat to a Balanced Copyright Law?, IIC 37 (2006), 683. Google Scholar öffnen
  66. Geiger, Christophe, When the Robots (Try to) Take Over: Of Artificial Intelligence, Authors, Creativity and Copyright Protection, in: Thouvenin, Florent/Peukert, Alex-ander/Jaeger, Thomas/Geiger, Christophe (Hrsg.), Kreation Innovation Märkte – Creation Innovation Markets – Festschrift Reto M. Hilty, Berlin 2024. Google Scholar öffnen
  67. Geiger, Christophe/Frosio, Giancarlo/Bulayanko, Oleksandr, Text and Data Mining in the Proposed Copyright Reform: Making the EU Ready for an Age of Big Data?, IIC 49 (2018), 814. Google Scholar öffnen
  68. Geiger, Christophe/Gervais, Daniel J./Senftleben, Martin, The Three-Step-Test Revisit-ed: How to Use the Test’s Flexibility in National Copyright Law, American University International Law Review 29 (2014), 581. Google Scholar öffnen
  69. Gernhardt, Franz, Urheberrechtsverletzungen durch künstliche Intelligenz am Bei-spiel der bildenden Künste; Werk ohne Autor einmal anders, GRUR-Prax 2022, 69. Google Scholar öffnen
  70. Gervais, Daniel, Exploring the Interfaces Between Big Data and Intellectual Property Law, JIPITEC 10 (2019), 22. Google Scholar öffnen
  71. Ginsburg, Jane C., Berne-Forbidden Formalities and Mass Digitization, Boston Univer-sity Law Review 96 (2016), 745. Google Scholar öffnen
  72. Goldstein, Paul, Copyright’s Highway – From Gutenberg to the Celestial Jukebox, reprint Stanford 2003. Google Scholar öffnen
  73. Götting, Horst-Peter/Lauber-Rönsberg, Anne/Rauer, Nils (Hrsg.), BeckOK Urheber-recht, 42. Edition (2024) und 41. Edition (2024), München. Google Scholar öffnen
  74. Gourley, David/Totty, Brian/Sayer, Marjorie/Aggarwal, Anshu/Reddy, Sailu, HTTP: the definitive guide, 2002 (einsehbar unter: https://www.oreilly.com/library/view/http-the-definitive/1565925092/ (zuletzt am 9. August 2024)). Google Scholar öffnen
  75. Grätz, Axel, Künstliche Intelligenz im Urheberrecht – Eine Analyse der Zurech-nungskriterien und der Prinzipien der Verwandten Schutzrechte vor dem Hinter-grund artifizieller Erzeugnisse, Köln 2021. Google Scholar öffnen
  76. Graves, Alex/Wayne, Greg/Reynolds, Malcolm/Harley, Tim/Danihelka, Ivo/Grabska-Barwińska/Colmenarejo, Sergio Gómez/Grefenstette, Edward/Ramalho, Tiago/Agapiou, John/Badia, Adrià Puigdomènech/Hermann, Karl Moritz/Zwols, Yori/Ostrovski, Georg/Cain, Adam/King, Helen/Summerfield, Christopher/Blunsom, Phil/Kavukcuoglu, Koray/Hassabis, Demis, Hybrid computing using a neural network with dynamic exter-nal memory, Nature 538.7626 (2016): 471–476 (einsehbar unter: https://doi.org/10.1038/nature20101 (zuletzt am 9. August 2024)). Google Scholar öffnen
  77. Griffiths, Jonathan, The “Three-step Test” in European Copyright Law: Problems and Solutions, IPQ 2009, 428. Google Scholar öffnen
  78. Grimmelmann, James, Copyright for Literate Robots, Iowa Law Review 101 (2016), 657. Google Scholar öffnen
  79. Grützmacher, Malte, Die zivilrechtliche Haftung für KI nach dem Entwurf der geplan-ten KI-VO, CR 2021, 433. Google Scholar öffnen
  80. Guadamuz, Andres, A Scanner Darkly: Copyright Liability and Exceptions in Artificial Intelligence Inputs and Outputs, GRUR Int. 2024, 111. Google Scholar öffnen
  81. Gundersen, Odd Erik, The fundamental principles of reproducibility, Philosophical Transactions of the Royal Society A 379: 20200210 (2021) (einsehbar unter: https://doi.org/10.1098/rsta.2020.0210 (zuletzt am 9. August 2024)). Google Scholar öffnen
  82. Haberstumpf, Helmut, Wem gehören Forschungsergebnisse? Zum Urheberrecht an Hochschulen, ZUM 2001, 819. Google Scholar öffnen
  83. Hacker, Philipp, Ein Rechtsrahmen für KI-Trainingsdaten, ZGE 12 (2020), 239. Google Scholar öffnen
  84. Hamann, Hanjo, Nutzungsvorbehalte für KI-Training in der Rechtsgeschäftslehre der Maschinenkommunikation – Dogmatische und praktische Schwächen von Art. 4 Abs. 3 DSM-RL und § 44b Abs. 3 UrhG, ZGE 16 (2024), 113. Google Scholar öffnen
  85. Han, Jiawei/Pei, Jian/Kamber, Micheline, Data Mining: Concepts and Techniques, 3rd edn., Waltham 2012. Google Scholar öffnen
  86. Handke, Christian/Guibault, Lucie/Vallbé, Joan-Josep, Copyright’s impact on data min-ing in academic research, Managerial and Decision Economics 42 (2021), 1999. Google Scholar öffnen
  87. Hans, Abhimanyu/Wen, Yuxin/Jain, Neel/Kirchenbauer, John/Kazemi, Hamid/Singhania, Prajwal/Singh, Siddharth/Somepalli, Gowthami/Geiping, Jonas/Bhatele, Ab-hinav/Goldstein, Tom, Be like a Goldfish, Don’t Memorize! Mitigating Memorization in Generative LLMs, arXiv preprint arXiv:2406.10209 (2024) (einsehbar unter: https://doi.org/10.48550/arXiv.2406.10209 (zuletzt am 9. August 2024)). Google Scholar öffnen
  88. Hargreaves, Ian, Digital Opportunity – A Review of Intellectual Property and Growth, 2011 (einsehbar unter: https://assets.publishing.service.gov.uk/media/5a796832ed915d07d35b53cd/ipreview-finalreport.pdf (zuletzt am 4. Juli 2924)). Google Scholar öffnen
  89. Hearst, Marti, What Is Text Mining? (einsehbar unter: https://people.ischool.berkeley.edu/~hearst/text-mining.html (zuletzt am 4. Juli 2024)). Google Scholar öffnen
  90. Heine, Robert, Generative KI: Nutzungsrechte und Nutzungsvorbehalt, GRUR-Prax 2024, 87. Google Scholar öffnen
  91. Heinze, Christian, Schadensersatz im Unionsprivatrecht – Eine Studie zu Effektivität und Durchsetzung des Europäischen Privatrechts am Beispiel des Haftungsrechts, Tübingen 2017. Google Scholar öffnen
  92. Heinze, Christian/Wendorf, Joris, KI und Urheberrecht, in: Ebers, Martin/Heinze, Christian/Krügel, Tina/Steinrötter, Björn (Hrsg.), Künstliche Intelligenz und Robotik, München 2020. Google Scholar öffnen
  93. Henderson, Peter/Li, Xuechen/Jurafsky, Dan/Hashimoto, Tatsunori/Lemley, Mark A./Liang, Percy, Foundation Models and Fair Use, Journal of Machine Learning Re-search 23 (2023), 1. Google Scholar öffnen
  94. Hilgendorf, Eric/Roth-Isigkeit, David (Hrsg.), Die neue Verordnung der EU zur Künst-lichen Intelligenz, 1. Auflage, München 2023. Google Scholar öffnen
  95. Hinton, Geoffrey/Vinyals, Oriol /Dean, Jeff, Distilling the knowledge in a neural net-work, arXiv preprint arXiv:1503.02531 (2015) (einsehbar unter: https://doi.org/10.48550/arXiv.1503.02531 (zuletzt am 9. August 2024)). Google Scholar öffnen
  96. Hoeren, Thomas, „Geistiges Eigentum“ ist tot – lang lebe ChatGPT, MMR 2023, 81. Google Scholar öffnen
  97. Hoffmann, Garrett, How neural networks learn distributed representations, O´Reilly 13 February 2018 (einsehbar unter: https://www.oreilly.com/content/how-neural-networks-learn-distributed-representations/ (zuletzt am 20. Juni 2024)). Google Scholar öffnen
  98. Hofmann, Franz, Zehn Thesen zu Künstlicher Intelligenz (KI) und Urheberrecht, WRP 2024, 11. Google Scholar öffnen
  99. Hofmann, Franz, Retten Schranken Geschäftsmodelle generativer KI-Systeme?, ZUM 2024, 166. Google Scholar öffnen
  100. Hofmann, Franz, Aktuelle Entwicklungen der Rechtsprechung zum europäischen Urheberrecht von April 2022 bis April 2024, EuZW 2024, 541. Google Scholar öffnen
  101. Holzmüller, Tobias, Opt-in, Opt-out: Der Kampf um die Trainingsdaten und die neue soziale Frage, GRUR 2024, 1057. Google Scholar öffnen
  102. Honsell, Heinrich, Die rhetorischen Wurzeln der juristischen Auslegung, ZfPW 2016, 106. Google Scholar öffnen
  103. Käde, Lisa, Kreative Maschinen und Urheberrecht – Die Machine Learning-Werkschöpfungskette vom Training über Modellschutz bis zu Computational Creati-vity, in: Cornils, Matthias/Ebers, Martin/Martini, Mario/Rostalski, Frauke/Rühl, Giese-la/Steinrötter, Björn (Hrsg.), Datenrecht und neue Technologien, Band 2, Baden-Baden 2021. Google Scholar öffnen
  104. Käde, Lisa, Do You Remember? – Enthalten KI-Modelle Vervielfältigungen von Trai-ningsdaten, lassen sich diese gezielt rekonstruieren und welche Implikationen hat das für das Urheberrecht?, ZUM 2024, 174. Google Scholar öffnen
  105. Kannan, Anjuli, Kurach, Karol/Ravi, Sujith/Kaufmann, Tobias/Tomkins, Andrew/Miklos, Balint/Corrado, Greg/Lukacs, Laszlo/Ganea, Marina/Young, Peter/Ramavajjala, Vivek, Smart Reply: Automated Response Suggestion for Email, in: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Min-ing (2016), 955 (einsehbar unter: https://doi.org/10.48550/arXiv.1606.04870 (zuletzt am 21. August 2024)). Google Scholar öffnen
  106. Kaplan, Jared/McCandlish Sam/Henighan, Tom/Brown, Tom B./Chess, Benjamin/Child, Rewon/Gray, Scott/Radford, Alec/Wu, Jeffrey/Amodei, Dario, Scaling laws for neural language models, arXiv preprint arXiv:2001.08361 (2020) (einsehbar unter: https://doi.org/10.48550/arXiv.2001.08361 (zuletzt am 9. August 2024)). Google Scholar öffnen
  107. Karras, Tero/Laine, Samuli/Aila, Timo, A style-based generator architecture for gen-erative adversarial networks, in: Proceedings of the IEEE/CVF conference on com-puter vision and pattern recognition 2019, pp. 4401–4410 (einsehbar unter: https://doi.org/10.48550/arXiv.1812.04948 (zuletzt am 9. August 2024)). Google Scholar öffnen
  108. Keller, Paul/Warso, Zuzanna, Defining Best Practices for Opting out of ML Training, Open Future Policy Brief #5, 29 September 2023 (einsehbar unter: https://openfuture.eu/publication/defining-best-practices-for-opting-out-of-ml-training/ (zuletzt am 5. August 2024)). Google Scholar öffnen
  109. Kingma, Diederik P./Welling, Max, Auto-Encoding Variational Bayes, in: Proceedings of the 2nd International Conference on Learning Representations (ICLR) 2014 (ein-sehbar unter: https://doi.org/10.48550/arXiv.1312.6114 (zuletzt am 9. August 2024)). Google Scholar öffnen
  110. Kleinkopf, Felicitas Lea, Text- und Data-Mining – Die Anforderungen digitaler For-schungsmethoden an ein innovations- und wissenschaftsfreundliches Urheberrecht, in: Grünberger, Michael/Klass, Nadine, Schriftenreihe des Archivs für Medienrecht und Medienwissenschaft (UFITA), Band 300, Baden-Baden 2022. Google Scholar öffnen
  111. Kögel, Daniel, Urheberrechtliche Implikationen bei der Verwendung kreativer und generativer künstlicher Intelligenz, in: Bernzen, Anna K./Fritzsche, Jörg/Heinze, Christian/Thomson, Oliver (Hrsg.), Das IT-Recht vor der (europäischen) Zeitwen-de?, DSRITB, Edewecht 2023, 285. Google Scholar öffnen
  112. Kögel, Daniel, Urheberrechtliche Implikationen bei der Verwendung kreativer und generativer künstlicher Intelligenz, InTeR 2023, 179. Google Scholar öffnen
  113. Konertz, Roman, Urheberrechtliche Fragen der Textgenerierung durch Künstliche Intelligenz: Insbesondere Schöpfungen und Rechtsverletzungen durch GPT und ChatGPT, WRP 2023, 796. Google Scholar öffnen
  114. Konertz, Roman/Schönhof, Raoul, Vervielfältigungen und die Text- und Data-Mining-Schranke beim Training von (generativer) Künstlicher Intelligenz, WRP 2024, 289. Google Scholar öffnen
  115. Konertz, Roman/Schönhof, Raoul, Rechtsfolgen der Urheberrechtsverletzung bei ge-nerativer Künstlicher Intelligenz, Über die Möglichkeit des „Vergessens“ in Neurona-len Netzen, WRP 2024, 534. Google Scholar öffnen
  116. Kraetzig, Viktoria, Deliktsschutz gegen KI-Abbilder – Teil 1: Täuschende Deepfakes, CR 2024, 207. Google Scholar öffnen
  117. Kraetzig, Viktoria, KI-Kunst als schöpferische Zerstörung, NJW 2024, 697. Google Scholar öffnen
  118. Krönke, Christoph, Das europäische KI-Gesetz: Eine Verordnung mit Licht und Schat-ten, NVwZ 2024, 529. Google Scholar öffnen
  119. Kur, Anette, Of Oceans, Islands, and Inland Water – How Much Room for Exceptions and Limitations Under the Three-Step Test?, Richmond Journal of Global Law & Business 8 (2009), 287. Google Scholar öffnen
  120. Lauber-Rönsberg, Anne, Autonome „Schöpfung“ – Urheberschaft und Schutzfähigkeit, GRUR 2019, 244. Google Scholar öffnen
  121. Lauer, Gerhard, Die digitale Vermessung der Kultur- Geisteswissenschaften als Digi-tal Humanities, in: Geiselberger, Heinrich/Moorstedt, Tobias (Hrsg.), Big Data – Das neue Versprechen der Allwissenheit, Berlin 2013. Google Scholar öffnen
  122. Lecun, Yann, Modeles connexionnistes de l'apprentissage (connectionist learning models), 1987 (PhD thesis: Universite P. et M. Curie (Paris 6)). Google Scholar öffnen
  123. Lee, Katherine/Ippolito, Daphne/Nystrom, Andrew/Zhang, Chiyuan/Eck, Doug-las/Callison-Burch, Chris/Carlini, Nicholas, Deduplicating Training Data Makes Lan-guage Models Better, Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Vol. 1: Long Papers) 2022 (einsehbar unter: https://doi.org/10.48550/arXiv.2107.06499 (zuletzt am 9. August 2024)). Google Scholar öffnen
  124. Lee, Katherine/Cooper, A. Feder/Grimmelmann, James, Talkin’ ‘Bout AI Generation: Copyright and the Generative-AI Supply Chain, Journal of the Copyright Society of the U.S.A. (forthcoming 2024), 1–149. Google Scholar öffnen
  125. Leistner, Matthias, Bei Spielen nichts Neues? Zugleich Besprechung von BGH, Urt. v. 1. 6. 2011 – I ZR 140/09 – Lernspiele, GRUR 2011, 761. Google Scholar öffnen
  126. Lemley, Mark A./Bryan, Casey, Fair Learning, Texas Law Review 99 (2021), 743. Google Scholar öffnen
  127. Lemley, Mark A., How Generative Ai Turns Copyright Upside Down, Columbia Sci-ence and Technology Law Review 25 (2024), 21 (einsehbar auf SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4517702 (zuletzt am 22. Juni 2024)). Google Scholar öffnen
  128. Lessig, Lawrence, The Future of Ideas: The Fate of the Commons in a Connected World, Stanford 2002. Google Scholar öffnen
  129. Levendowski, Amanda, How Copyright Law Can Fix Artificial Intelligence’s Implicit Bias Problem, Washington Law Review 93 (2018), 579. Google Scholar öffnen
  130. Longpre, Shayne/Mahari, Robert/Chen, Anthony/Obeng-Marnu, Naana/Sileo, Da-mien/Brannon, William/Muennighoff, Niklas/Khazam, Nathan/Kabbara, Jad/Perisetla, Kartik/Wu, Xinyi/Shippole, Enrico/Bollacker, Kurt/Wu, Tongshuang/Villa, Luis/Pentland, Sandy/Hooker, Sara, The data provenance initiative: A large scale audit of dataset licensing & attribution in AI, arXiv preprint arXiv:2310.16787 (2023) (ein-sehbar unter: https://doi.org/10.48550/arXiv.2310.16787 (zuletzt am 9. August 2024)). Google Scholar öffnen
  131. Lucas, André, For a Reasonable Interpretation of the Three-Step Test, E.I.P.R. 32 (2010), 277. Google Scholar öffnen
  132. Lux, Herwig/Noll, Christopher J., Of Books and Bytes: The Copyright Dilemma in AI Development – The European Perspective on Using Copyrighted Works for AI Training, TLJ 2024, 111. Google Scholar öffnen
  133. Luxem, Kevin/Mocellin, Petra/Fuhrmann, Falko/Kürsch, Johannes/Miller, Stephanie R./Palop, Jorge J./Remy, Stefan/Bauer, Pavol, Identifying behavioral structure from deep variational embeddings of animal motion, Communications Biology 5.1 (2022): 1267. Google Scholar öffnen
  134. Maamar, Niklas, Urheberrechtliche Fragen beim Einsatz von generativen KI-Systemen, ZUM 2023, 481. Google Scholar öffnen
  135. Margoni, Thomas/Kretschmer, Martin, A Deeper Look into the EU Text and Data Mining Exceptions: Harmonisation, Datan Ownership, and the Future of Technology, GRUR Int. 2022, 685. Google Scholar öffnen
  136. Menéndez, Javier, AI-Generated Artwork Is Blowing Up The Economics of Art – Not everyone is an artist, but now everyone can create art, February 3 2022, Medium (einsehbar unter: https://medium.com/illumination/ai-generated-artwork-is-blowing-up-the-economics-of-art-e65f57a9b362 (zuletzt am 21. Juni 2024)). Google Scholar öffnen
  137. Merges, Robert P., The End of Friction? Property Rights and Contract in the “Newto-nian” World of On-Line Commerce, Berkeley Technology Law Journal 12 (1997), 115. Google Scholar öffnen
  138. Mezei, Péter, A saviouror a dead end? Reservation of rights in the age of generative AI, E.I.P.R. 46 (2024), 461. Google Scholar öffnen
  139. Mikolov, Tomas/Chen, Kai/Corrado, Greg/Dean, Jeffrey, Efficient Estimation of Word Representations in Vector Space, Proceedings of the International Conference on Learning Representations (ICLR) 2013 (einsehbar unter: https://doi.org/10.48550/arXiv.1301.3781 (zuletzt am 9. August 2024)). Google Scholar öffnen
  140. Mitchell, Ryan, Web scraping with Python: Collecting more data from the modern web, 3rd edn., Sebastopol 2024. Google Scholar öffnen
  141. Nasr, Milad/Carlini, Nicholas/Hayase, Jonathan/Jagielski, Matthew/Feder Cooper, A./Ippolito, Daphne/Choquette-Choo, Christopher A./Wallace, Eric/Tramèr, Florian/Lee, Kathrine, Scalable Extraction of Training Data from (Production) Language Models, arXiv preprint arXiv:2311.17035 (2023) (einsehbar unter: https://doi.org/10.48550/arXiv.2311.17035 (zuletzt am 9. August 2024)). Google Scholar öffnen
  142. Nemitz, Paul, Constitutional democracy and technology in the age of artificial intelli-gence, Philosophical Transactions of the Royal Society A 376 (2018), 1. Google Scholar öffnen
  143. Nordemann, Jan Bernd/Pukas, Jonathan, Copyright exceptions for AI training data—will there be an international level playing field?, Journal of Intellectual Property Law & Practice 17 (2022), 973. Google Scholar öffnen
  144. Obergfell, Eva Inés, Big Data und Urheberrecht, in: Ahrens, Hans-Jürgen/Bornkamm, Joachim/Fezer, Karl-Heinz/Koch, Thomas/McGuire, Mary-Rose/Würtenberger, Gert, Festschrift für Wolfgang Büscher, Köln 2018, 223. Google Scholar öffnen
  145. Oechsler, Jürgen, Die Idee als persönliche geistige Schöpfung: Von Fichtes Lehre vom Gedankeneigentum zum Schutz von Spielideen, GRUR 2009, 1101. Google Scholar öffnen
  146. Ohly, Ansgar, Zwölf Thesen zur Einwilligung im Internet, GRUR 2012, 983. Google Scholar öffnen
  147. Oliver, Jo, Copyright in the WTO: The Panel Decision on the Three-Step Test, Co-lumbia Journal of Law & Arts 25 (2001), 119. Google Scholar öffnen
  148. Peifer, Karl-Nikolaus, Individualität im Zivilrecht, Tübingen 2001. Google Scholar öffnen
  149. Pesch, Paulina Jo/Böhme, Rainer, Artpocalypse now? – Generative KI und die Verviel-fältigung von Trainingsbildern, GRUR 2023, 997. Google Scholar öffnen
  150. Pesch, Paulina Jo/Böhme, Rainer, Verarbeitung personenbezogener Daten und Daten-richtigkeit bei großen Sprachmodellen – ChatGPT & Co. unter der DS-GVO, MMR 2023, 917. Google Scholar öffnen
  151. Peukert, Alexander, A Bipolar Copyright System for the Digital Network Environment, Hastings Communications and Entertainment Law Journal 28 (2005), 1. Google Scholar öffnen
  152. Peukert, Alexander, Copyright in the Artificial Intelligence Act – A Primer, GRUR Int. 2024, 497. Google Scholar öffnen
  153. Picht, Peter Georg/Thouvenin, Florent, AI and IP: Theory to Policy and Back Again – Policy and Research Recommendations at the Intersection of Artificial Intelligence and Intellectual Property, IIC 54 (2023), 916. Google Scholar öffnen
  154. Pineau, Joelle/Vincent-Lamarre, Philippe/Sinha, Koustuv/Larivière, Vincent/Beygelzimmer, Alina/d´Alché-Buc, Florence/Fox, Emily/Larochelle, Hugo, Improving reproducibility in machine learning research (a report from the NeurIPS 2019 reproducibility pro-gram), Journal of machine learning research 22.164 (2021), 1–20 (einsehbar unter: https://doi.org/10.48550/arXiv.2003.12206 (zuletzt am 9. August 2024)). Google Scholar öffnen
  155. Pukas, Jonathan, KI-Trainingsdaten und erweiterte kollektive Lizenzen – Generierung von Werken als KI-Trainingsdaten auf Basis erweiterter kollektiver Lizenzen, GRUR 2023, 614. Google Scholar öffnen
  156. PyTorch Contributors, Reproducibility (2023) (einsehbar unter: https://pytorch.org/docs/stable/notes/randomness.html (zuletzt am 6. Juni 2024)). Google Scholar öffnen
  157. Quang, Jenny, Does Training AI Violate Copyright Law?, Berkeley Technology Law Journal 36 (2021), 1407. Google Scholar öffnen
  158. Radford, Alec/Kim, Jong Wook/Hallacy, Chris/Ramesh, Aditya/Goh, Gabriel/Agarwal, Sandhini/Sastry, Girish/Askell, Amanda/Mishkin, Pamela/Clark, Jack/Krueger, Gretch-en/Sutskever, Ilya, Learning Transferable Visual Models from Natural Language Su-pervision, in: Proceedings of the 38th International Conference on Machine Learn-ing, PMLR 139, 2021 (einsehbar unter: https://doi.org/10.48550/arXiv.2103.00020 (zuletzt am 21. August 2024)). Google Scholar öffnen
  159. Rahman, Aimon/Perera, Malsha V./Vishal, M. Patel, Frame by Familiar Frame: Un-derstanding Replication in Video Diffusion Models, arXiv preprint arXiv:2403.19593 (2024) (einsehbar unter: https://doi.org/10.48550/arXiv.2403.19593 (zuletzt am 9. August 2024)). Google Scholar öffnen
  160. Raue, Benjamin, Das Urheberrecht der digitalen Wissen(schafts)gesellschaft, GRUR 2017, 11. Google Scholar öffnen
  161. Raue, Benjamin, Daten und Sicherheit, CR 2017, 656. Google Scholar öffnen
  162. Raue, Benjamin, Rechtssicherheit für datengestützte Forschung, Die Text-und-Data-Mining-Schranken in Art. 3 und 4 DSM-Richtlinie, ZUM 2019, 684. Google Scholar öffnen
  163. Raue, Benjamin, Die Freistellung von Datenanalysen durch die neuen Text und Data Mining-Schranken (§§ 44b, 60d UrhG), ZUM 2021, 793. Google Scholar öffnen
  164. Raue, Benjamin, Kreativität im Zeitalter ihrer technischen Reproduzierbarkeit: Genera-tive KI als Totengräberin des Urheberrechts? Eine Gedankenskizze, ZUM 2024, 157. Google Scholar öffnen
  165. Ricketson, Sam/Ginsburg, Jane, International Copyright and Neighbouring Rights – The Berne Convention and Beyond, 3rd edn., Oxford 2022. Google Scholar öffnen
  166. Roos, Philipp/Weitz, Caspar Alexander, Hochrisiko-KI-Systeme im Kommissionsent-wurf für eine KI-Verordnung: IT- und produktsicherheitsrechtliche Pflichten von Anbietern, Einführern, Händlern und Nutzern, MMR 2021, 844. Google Scholar öffnen
  167. Rosen, Sherwin, The Economics of Superstars, American Economic Review 71 (1981), 845. Google Scholar öffnen
  168. Ruder, Manuel/Dosovitskiy, Alexey/Brox, Thomas, Artistic style transfer for videos, in: Pattern Recognition: 38th German Conference, GCPR 2016, pp. 26–36 (einsehbar unter: https://doi.org/10.1007/978-3-319-45886-1_3 (zuletzt am 9. August 2024)). Google Scholar öffnen
  169. Runge, Philipp, Die Vereinbarkeit einer Content-Flatrate für Musik mit dem Drei-Stufen-Test, GRUR Int. 2007, 130. Google Scholar öffnen
  170. Rüthers, Bernd/Fischer, Christian/Birk, Axel, Rechtstheorie und Juristische Metho-denlehre, 12. Auflage, München 2022. Google Scholar öffnen
  171. Säcker, Franz Jürgen/Rixecker, Roland/Oetker, Hartmut/Limperg, Bettina, (Hrsg.) Mün-chener Kommentar zum Bürgerlichen Gesetzbuch, Band 7, 9. Aufl., München 2024. Google Scholar öffnen
  172. Sag, Matthew, Copyright and Copy-Reliant Technology, Northwestern University Law Review 103 (2009), 1607. Google Scholar öffnen
  173. Sag, Matthew, Orphan Works As Grist For The Data Mill, Berkeley Technology Law Journal, 27 (2012), 1503. Google Scholar öffnen
  174. Sag, Matthew, The New Legal Landscape for Text Mining and Machine Learning, Journal of the Copyright Society of the USA 66 (2019), 291. Google Scholar öffnen
  175. Sag, Matthew, Copyright Safety For Generative AI, Houston Law Review 61 (2023), 295. Google Scholar öffnen
  176. Sag, Matthew, Fairness and Fair Use in Generative AI, Fordham Law Review 92 (2024), 1885. Google Scholar öffnen
  177. Samuelson, Pamela, Fair Use Defenses in Disruptive Technology Cases, U.C.L.A. Law Review 2024 (forthcoming) (einsehbar auf SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4631726 (zuletzt am 22. Juni 2024)). Google Scholar öffnen
  178. Schack, Haimo, Anmerkung zu OLG Jena, Urteil vom 27.2.2008 – 2 U 319/07, Urhe-berrechtliche Unzulässigkeit von Thumbnails, MMR 2008, 408. Google Scholar öffnen
  179. Schack, Haimo, Urheberrechtliche Schranken für Bildung und Wissenschaft, ZUM 2016, 266. Google Scholar öffnen
  180. Schack, Haimo, Schutzgegenstand, „Ausnahmen oder Beschränkungen“ des Urhe-berrechts, GRUR 2021, 904. Google Scholar öffnen
  181. Schack, Haimo, Urheber- und Urhebervertragsrecht, 10. Auflage, Tübingen 2021. Google Scholar öffnen
  182. Schack, Haimo, Auslesen von Webseiten zu KI-Trainingszwecken als Urheberrechts-verletzung de lege lata et ferenda, NJW 2024, 113. Google Scholar öffnen
  183. Schönberger, Daniel, Deep Copyright: Up‑ and Downstream Questions Related to Arti-ficial Intelligence (AI) and Machine Learning (ML), ZGE 10 (2018), 35. Google Scholar öffnen
  184. Schricker, Gerhard/Loewenheim, Ulrich (Hrsg.), Urheberrecht, 6. Auflage, München 2020. Google Scholar öffnen
  185. Schuhmann, Christoph/Beaumont, Romain/Vencu, Richard/Gordon, Cade/Wightman, Ross/Cherti, Mehdi/Coombes, Theo/Katta, Aarush/Mullis, Clayton/Wortsman, Mitch-ell/Schramowski, Patrick/Kundurthy, Srivatsa/Crowson, Katherine/Schmidt, Lud-wig/Kaczmarczyk, Robert/Jenia, Jitsev, LAION-5B: An open large-scale dataset for training next generation image-text models, in: 36th Conference on Neural Infor-mation Processing Systems (NeurIPS 2022) Track on Datasets and Benchmarks (einsehbar unter: https://doi.org/10.48550/arXiv.2210.08402 (zuletzt am 15. August 2024)). Google Scholar öffnen
  186. Schulze, Gernot, Wann beginnt eine urheberrechtlich relevante Nutzung?, ZUM 2000, 126. Google Scholar öffnen
  187. Schulze, Gernot, Werturteil und Objektivität im Urheberrecht – Die Feststellung der urheberrechtlichen Schutzfähigkeit am Beispiel der „kleinen Münze“, GRUR 1984, 400. Google Scholar öffnen
  188. Searle, John R., Minds, brains, and programs, Behavioral and Brain Sciences, 3 (1980), 417. Google Scholar öffnen
  189. Senftleben, Martin, Copyright, Limitations and the Three-step test, Hürth 2004. Google Scholar öffnen
  190. Senftleben, Martin, Towards a Horizontal Standard for Limiting Intellectual Property Rights? – WTO Panel Reports Shed Light on the Three-Step Test in Copyright Law and Related Tests in Patent and Trademark Law, IIC 37 (2006), 407. Google Scholar öffnen
  191. Senftleben, Martin, How to Overcome the Normal Exploitation Obstacle: Opt-Out For-malities, Embargo Periods, and the International Three-Step Test, Berkeley Tech-nology Law Journal (2014), 1. Google Scholar öffnen
  192. Senftleben, Martin, The International Three-Step Test – A Model Provision for EC Fair Use Legislation, Journal of Intellectual Property, Information Technology and E-Commerce Law 2010, 67. Google Scholar öffnen
  193. Senftleben, Martin, Compliance of National TDM Rules with International Copyright Law: An Overrated Nonissue?, IIC 53 (2022), 1477. Google Scholar öffnen
  194. Sesing-Wagenpfeil, Andreas, Trainierte KI-Modelle als Vervielfältigungsstücke im Sinne des Urheberrechts, ZGE 16 (2024), 212. Google Scholar öffnen
  195. Shorten, Connor/Khoshgoftaar, Taghi M., A survey on Image Data Augmentation for Deep Learning, J Big Data 6, 60 (2019) (einsehbar unter: https://doi.org/10.1186/s40537-019-0197-0 (zuletzt am 9. August 2024)). Google Scholar öffnen
  196. Siemens, George, Not everything we call AI is actually ‘artificial intelligence’. Here’s what you need to know, The Conversation, December 2022 (einsehbar unter: https://theconversation.com/not-everything-we-call-ai-is-actually-artificial-intelligence-heres-what-you-need-to-know-196732 (zuletzt am 31. Juli 2024)). Google Scholar öffnen
  197. Siglmüller, Jonas/Gassner, Daniel, Softwareentwicklung durch Open-Source-trainierte KI – Schutz und Haftung, RDi 2023, 124. Google Scholar öffnen
  198. Skiljic, Alina, When Art Meets Technology or Vice Versa: Key Challenges at the Crossroads of AI-Generated Artworks and Copyright Law, IIC 52 (2021), 1338. Google Scholar öffnen
  199. Söbbing, Thomas/Schwarz, Alexander, Urheberrechtliche Grenzen für lernende künst-liche Intelligenz, Der neue § 44b UrhG und seine Möglichkeiten und Grenzen beim Machine Learning sowie die Anwendung von § 60d UrhG, RDi 2023, 415. Google Scholar öffnen
  200. Sobel, Benjamin L. W., Artificial Intelligence’s Fair Use Crisis, Columbia Journal of Law & the Arts 41 (2017), 45. Google Scholar öffnen
  201. Sobel, Benjamin L. W., A Taxonomy of Training Data – Disentangling the Mismatched Rights, Remedies, and Rationales for Restricting Machine Learning, 221–242, in: Lee, Jyh-An/Hilty, Reto/Liu, Kung-Ching (eds.), Artificial Intelligence & Intellectual Property, Oxford 2020. Google Scholar öffnen
  202. Sobel, Benjamin L. W., Elements of Style: Copyright, Similarity, and Generative AI, Harvard Journal of Law and Technology 38 (forthcoming 2024), 1. Google Scholar öffnen
  203. Somepalli, Gowthami/Singla, Vasu/Goldblum, Micah/Geiping, Jonas/Goldstein, Tom, Diffusion Art or Digital Forgery? Investigating Data Replication in Diffusion Models, arXiv:2212.03860v3 [cs.LG] 12 Dec 2022 (einsehbar unter: https://doi.org/10.48550/arXiv.2212.03860 (zuletzt am 9. August 2024)). Google Scholar öffnen
  204. Somepalli, Gowthami/Singla, Vasu/Goldblum, Micah/Geiping, Jonas/Goldstein, Tom, Understanding and Mitigating Copying in Diffusion Models, arXiv:2305.20086v1 [cs.LG] 31 May 2023 (einsehbar unter: https://doi.org/10.48550/arXiv.2305.20086 (zuletzt am 16. August 2024)). Google Scholar öffnen
  205. Spindler, Gerald, Text und Data Mining – urheber- und datenschutzrechtliche Fragen, GRUR 2016, 1112. Google Scholar öffnen
  206. Spindler, Gerald, Text‑ und Datamining im neuen Urheberrecht und in der europäi-schen Diskussion, ZGE 10 (2018), 273. Google Scholar öffnen
  207. Spindler, Gerald, Der Vorschlag der EU-Kommission für eine Verordnung zur Regu-lierung der Künstlichen Intelligenz (KI-VO-E), CR 2021, 361. Google Scholar öffnen
  208. Stachlewski, Tomasz, Amazon S3 + Amazon CloudFront: A Match Made in the Cloud (2018) (einsehbar unter: https://aws.amazon.com/de/blogs/networking-and-content-delivery/amazon-s3-amazon-cloudfront-a-match-made-in-the-cloud/ (zuletzt am 18. Juli 2024)). Google Scholar öffnen
  209. Steinrötter Björn/Schauer, Lina Marie, Text und Data Mining, Forschung und Lehre, in: Barudi, Malek (Hrsg.), Das neue Urheberrecht, Baden-Baden 2021, 145. Google Scholar öffnen
  210. Stenbit, Ian/Chollet, François/Wood, Luke, A walk through latent space with Stable Diffusion, Keras 2022 (einsehbar unter: https://keras.io/examples/generative/random_walks_with_stable_diffusion/ (zuletzt am 28. Juni 2024)). Google Scholar öffnen
  211. Stieper, Malte, Die Umsetzung von Art. 17 VII DSM-RL in deutsches Recht (Teil 1) – Brauchen wir eine Schranke für Karikaturen, Parodien und Pastiches?, GRUR 2020, 699. Google Scholar öffnen
  212. Sucker, Reinhard, Der digitale Werkgenuss im Urheberrecht, Tübingen 2014. Google Scholar öffnen
  213. Tomczak, Jakub M., Latent Variable Models, in: Deep Generative Modeling, Berlin 2022 (einsehbar unter: https://doi.org/10.1007/978-3-030-93158-2_4 (zuletzt am 9. August 2024)). Google Scholar öffnen
  214. Torrance, Andrew W./Tomlinson, Bill, Training is Everything: Artificial Intelligence, Copyright, and “Fair Training”, Dickinson Law Review 128 (2023), 233. Google Scholar öffnen
  215. Turing, Alan M., Computing machinery and intelligence, Mind 59 (1950), 433. Google Scholar öffnen
  216. Tyagi, Kalpana, Copyright, text & data mining and the innovation dimension of gener-ative AI, Journal of Intellectual Property Law & Practice 19 (2024), 557. Google Scholar öffnen
  217. Ueno, Tatsuhiro, The Flexible Copyright Exception for ‘Non-Enjoyment’ Purposes – Recent Amendment in Japan and Its Implication, GRUR Int. 2021, 145. Google Scholar öffnen
  218. Ulmer, Eugen, Urheber- und Verlagsrecht, in: Albach, Horst/Helmstädter, E./Lerche Peter/Nörr, Dieter, Enzyklopädie der Rechts- und Staatswissenschaft, 3. Auflage, Berlin, Heidelberg, New York 1980. Google Scholar öffnen
  219. Vaswani, Ashish/Shazeer, Noam/Parmar, Niki/Uszkoreit, Jakob/Gomez, Aidan N./Kaiser, Łukasz/Polosukhin, Illia, Attention Is All You Need, 30 Advances in Neu-ral Information Processing Systems 30 (NIPS) 2017 (einsehbar unter: https://proceedings.neurips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html (zuletzt am 9. August 2024)). Google Scholar öffnen
  220. Verweyen, Urs, „Für lebende Künstler!“ – Zur Diskussion um eine KI-Vergütung, Edi-torial in WRP 12/2023. Google Scholar öffnen
  221. Vesala, Juha, Developing Artificial Intelligence-Based Content Creation: Are EU Cop-yright and Antitrust Law Fit for Purpose?, IIC 54 (2023), 351. Google Scholar öffnen
  222. von Ungern-Sternberg, Joachim, Übertragung urheberrechtlich geschützter Werke durch Internetanbieter und Online-Verbreitungsrecht, in: Erdmann, Willi/Leistner, Matthias/Rüffer, Wilfried/Schulte-Beckhausen, Thomas (Hrsg.), Festschrift für Mi-chael Loschelder zum 65. Geburtstag, Köln 2010, 415. Google Scholar öffnen
  223. von Ungern-Sternberg, Joachim, Die Bindungswirkung des Unionsrechts und die urhe-berrechtlichen Verwertungsrechte, in: Büscher, Wolfgang/Erdmann, Willi/Haedicke, Maximilian W./Köhler, Helmut/Loschelder, Michael (Hrsg.), Festschrift für Joachim Bornkamm zum 65. Geburtstag, München 2014, 1007. Google Scholar öffnen
  224. von Welser, Marcus, ChatGPT und Urheberrecht, GRUR-Prax 2023, 57. Google Scholar öffnen
  225. von Welser, Marcus, Generative KI und Urheberrechtsschranken, GRUR-Prax 2023, 516. Google Scholar öffnen
  226. Wagner, Gerhard, Prävention und Verhaltenssteuerung durch Privatrecht – Anma-ßung oder legitime Aufgabe?, AcP 206 (2006), 352. Google Scholar öffnen
  227. Wagner, Kristina, Generative KI: Eine „Blackbox“ urheberrechtlicher Haftungsrisiken? Balanceakt zwischen Innovationsförderung und effektivem Rechtsschutz für Werke Dritter, MMR 2024, 298. Google Scholar öffnen
  228. Wandtke, Artur-Axel/Bullinger, Winfried (Hrsg.), Praxiskommentar Urheberrecht, 6. Auflage, München 2022. Google Scholar öffnen
  229. Wang, Zhizhong/Zhao, Lei/Xing, Wei, StyleDiffusion: Controllable disentangled style transfer via diffusion models, Proceedings of the IEEE/CVF International Con-ference on Computer Vision 2023, pp. 7677–7689 (einsehbar unter: https://doi.org/10.48550/arXiv.2308.07863 (zuletzt am 9. August 2024)). Google Scholar öffnen
  230. Wen, Yuxin/Liu, Yuchen/Chen, Chen/Lyu, Lingjuan, Detecting, explaining, and mitigat-ing memorization in diffusion models, in: Proceedings of the 12th International Con-ference on Learning Representations (ICLR) 2024 (einsehbar unter: https://doi.org/10.48550/arXiv.2407.21720 (zuletzt am 9. August 2024)). Google Scholar öffnen
  231. Wendiggensen, Martin, Wie OpenAI das nächste ChatGPT auf ein neues Level heben kann, FAZnet vom 14. August 2024 (einsehbar unter: https://www.faz.net/pro/d-economy/kuenstliche-intelligenz/gpt-5-openai-will-chatgpt-mit-neuem-sprachmodell-auf-das-naechste-level-heben-19915113.html (zuletzt am 17. August 2024)). Google Scholar öffnen
  232. Würdinger, Markus (Hrsg.), juris PraxisKommenar – Internationales Privatrecht und UN-Kaufrecht, 8. Auflage, Saarbrücken 2017. Google Scholar öffnen
  233. Wulf, Julia/Löbeth, Tim-Jonas, Text und Data Mining: Wenn gewolltes und geschaffe-nes Recht auseinanderfallen, GRUR 2024, 737. Google Scholar öffnen
  234. Wymeersch, Paulien, EU Copyright Exceptions and Limitations and the Three-Step Test: One Step Forward, Two Steps Back, GRUR Int. 2023, 631. Google Scholar öffnen
  235. Yang, Zichaei/Hu, Zhiting/Dyer, Chris/Xing, Eric P./Berg-Kirkpatrick, Taylor, Unsuper-vised text style transfer using language models as discriminators, Advances in Neu-ral Information Processing Systems 31 (NeurIPS) 2018 (einsehbar unter: https://doi.org/10.48550/arXiv.1805.11749 (zuletzt am 9. August 2024)). Google Scholar öffnen
  236. Zech, Herbert, Information als Schutzgegenstand, Tübingen 2012. Google Scholar öffnen
  237. Zhao, Wayne Xin/Zhou, Kun/Li, Junyi/Tang, Tianyi/Wang, Xiaolei/Hou, Yupeng/Min, Yingqian/Zhang, Beichen/Zhang, Junjie/Dong, Zican/Du, Yifan/Yang, Chen/Chen, Yushuo/Chen, Zhipeng/Jiang, Jinhao/Ren, Ruiyang/Li, Yifan/Tang, Xinyu/Liu, Zikang/Liu, Peiyu/Nie, Jian-Yun/Wen, Ji-Rong, A survey of large language models, arXiv preprint arXiv:2303.18223 (2023) (einsehbar unter: https://doi.org/10.48550/arXiv.2303.18223 (zuletzt am 9. August 2024)). Google Scholar öffnen
  238. Zhou, Kun/Sisman, Berrak/Liu, Rui/Li, Hazhou, Seen and Unseen Emotional Style Transfer for Voice Conversion with A New Emotional Speech Dataset, IEEE Interna-tional Conference on Acoustics, Speech and Signal Processing (ICASSP), 2021, pp. 920–924 (einsehbar unter: https://doi.org/10.1109/ICASSP39728.2021.9413391 (zuletzt am 9. August 2024)). Google Scholar öffnen
  239. Zinkula, Jacob/Mok, Aaron, ChatGPT may be coming for our jobs. Here are the 10 roles that AI is most likely to replace, Business Insider, 6 March 2024 (einsehbar unter: https://www.businessinsider.com/chatgpt-jobs-at-risk-replacement-artificial-intelligence-ai-labor-trends-2023-02 (zuletzt am 21. Juni 2024)). Google Scholar öffnen
  240. Zippelius, Reinhold, Juristische Methodenlehre, 12. Auflage, München 2021. Google Scholar öffnen
  241. Zörner, Hendrik, Inhalte nicht an KI verschenken, 28. August 2024 (einsehbar unter: https://www.djv.de/news/pressemitteilungen/press-detail/inhalte-nicht-an-ki-verschenken/ (zuletzt am 28. August 2024)). Google Scholar öffnen

Ähnliche Veröffentlichungen

aus dem Schwerpunkt "Urheberrecht & Medienrecht", "Europarecht & Internationales Recht & Rechtsvergleichung"
Cover des Buchs: Training eines Sprachmodells in der Justiz
Monographie Vollzugriff
Boris P. Paal, Tristan Radtke
Training eines Sprachmodells in der Justiz
Cover des Buchs: Unbeabsichtigte Normenkonflikte zwischen EU-Recht und nationalem Recht
Monographie Kein Zugriff
Yannis Ockernahl
Unbeabsichtigte Normenkonflikte zwischen EU-Recht und nationalem Recht
Cover des Buchs: Der Volkseinwand
Monographie Kein Zugriff
Florian Feigl
Der Volkseinwand
Cover des Buchs: Wie fördert die EU Menschenrechte in Drittstaaten?
Monographie Kein Zugriff
Dennis Traudt
Wie fördert die EU Menschenrechte in Drittstaaten?
Cover des Buchs: Future-Proofing in Public Law
Sammelband Kein Zugriff
Nicole Koblenz LL.M., Nicholas Otto, Gernot Sydow
Future-Proofing in Public Law

Hinweis

Dieses Werk ist urheberrechtlich geschützt und darf nur nach den Vorgaben der Nutzungs- und Lizenzvereinbarung genutzt werden. Jede darüber hinaus gehende Nutzung des Werkes ist ausdrücklich untersagt und wird verfolgt.

Feedback geben

Wir freuen uns über Ihr Feedback zu Inhalten und Funktionen. Ihre Nachricht hilft uns, unseren Service stetig zu verbessern.

Bewertung
Bild anhängen
oder hier ablegen
PNG oder JPG (max. 3 MB)

Anmelden

Passwort vergessen?
Login via Open Athens
Noch kein Benutzerkonto?
Jetzt registrieren

Publikation zitieren

Download: RIS BibTex