Kreative Maschinen und Urheberrecht

Dr. Lisa Käde

doi:10.5771/9783748912453

Zusammenfassung

Die interdisziplinäre Analyse nimmt konkreten Bezug zu in der KI-Entwicklung eingesetzten Machine Learning (ML)-Frameworks und gibt praxisrelevante Antworten auf damit zusammenhängende urheberrechtliche Fragen. Insbesondere der Datenbank(werk)schutz für ML-Modelle steht dabei im Fokus. Die Arbeit bietet außerdem eine Einschätzung der Relevanz von Text und Data Mining-Schranken im KI-Kontext. Mit Blick auf die Erzeugung von Werken durch bzw. mithilfe von ML wird die Zurechnungsproblematik erörtert, eine Lösung vorgeschlagen und eine Hilfestellung zur Ermittlung eines Urhebers angeboten. Darüber hinaus erfolgt hinsichtlich etwaiger KI-Autonomie eine Einführung in die Zusammenhänge von Intelligenz, Kreativität und Computational Creativity.

Schlagworte

Publikation durchsuchen

Bibliographische Angaben

Copyrightjahr: 2021
ISBN-Print: 978-3-8487-7231-5
ISBN-Online: 978-3-7489-1245-3
Verlag: Nomos, Baden-Baden
Reihe: Datenrecht und neue Technologien
Band: 2
Sprache: Deutsch
Seiten: 287
Produkttyp: Monographie

Inhaltsverzeichnis

KapitelSeiten

Titelei/InhaltsverzeichnisSeiten 1 - 24 Download Kapitel (PDF)
Download Kapitel (PDF)
1. 1. A. Problemstellungen
  2. B. Gang der Arbeit
  3. C. Grenzen der Arbeit
2. 1. 1. 1. 1. Ursprung
      2. aa) „Klassische“ KI-Definitionen
        bb) Alternative Definition
        cc) Hier: Strukturelle Definition
        b) Funktionsmäßige Kategorisierung
    2. II. Zusammenfassung
  2. 1. 1. 1. Algorithmus
      2. 2. Lernen
      3. 3. Machine Learning
      4. 4. Modell
    2. 1. 1. Entscheidungsbäume bzw. Random Forest-Modelle
      2. 2. Künstliche neuronale Netze
      3. 3. Sonderfall: Generative Adversarial Networks
    3. 1. 1. Klassifikation, Klassifizierung
      2. 2. Regression
      3. 3. Überwachtes Lernen (Supervised Learning)
      4. 4. Unüberwachtes Lernen (Unsupervised Learning)
      5. 5. Lernen durch Verstärkung (Reinforcement Learning)
      6. 6. Parameter, Gewichte, Biases, Hyperparameter, Topologie, Schichten, Netzstruktur, Architektur
      7. 7. Trainingsprozess, Trainingsdaten, Trainingsergebnisse
    4. 1. 1. Verhältnis des Machine Learning zu Text und Data Mining
      2. 2. Verhältnis des Machine Learning zu Expertensystemen
    5. V. Zusammenfassung
Download Kapitel (PDF)
1. 1. 1. 1. 1. Einlesen einzelner oder aller Datensätze
      2. 2. Umwandlung der Daten in ein maschinenlesbares Format
    2. II. Trainingsvorgang
  2. 1. I. Vervielfältigung, § 16 UrhG
    2. 1. 1. Dem Original dienende Funktion, Anpassung an andere Nutzungsformen
      2. 2. Freie Benutzung?
      3. a) Bearbeitung der Trainingsdatenbank?
        aa) Veröffentlichung
        bb) Verwertung
        c) Zwischenergebnis
    3. III. Zusammenhang zwischen Trainingsdaten und Output generativer Modelle
    4. 1. 1. Beispiel: Least Significant Bit Attack
      2. 2. Urheberrechtliche Bewertung
    5. V. Zusammenfassung
2. 1. 1. I. Zulässigkeit sowohl der Vervielfältigung als auch der Bearbeitung gem. § 60d UrhG?
    2. 1. 1. Flüchtige Vervielfältigungen
      2. 2. Rechtmäßige Nutzung
      3. 3. Vorübergehende Vervielfältigung rechtswidriger Quellen
      4. 4. Zwischenergebnis
  2. 1. I. Was ist umzusetzen?
    2. 1. 1. Welche Auswirkungen ergeben sich für den ML-Prozess?
  3. C. Zusammenfassung
3. § 5 Ergebnis des zweiten Teils
Download Kapitel (PDF)
1. 1. 1. I. Frameworks und Bibliotheken
    2. II. API
    3. III. Objekte und Funktionen
  2. B. Grundbausteine für ML-Modelle: Frameworks, Bibliotheken, APIs
  3. C. Quellcode
  4. 1. I. Vorab: Einsatz eines trainierten Modells
    2. 1. 1. „Trainiertes Modell“ in TensorFlow
      2. 2. „Trainiertes Modell“ in Keras
      3. 3. „Trainiertes Modell“ in PyTorch
      4. 4. „Trainiertes Modell“ in Scikit-Learn
    3. III. Zusammenfassung und Definition
  5. E. Trainierter Random Forest in R
  6. F. Trainierte Parameter
  7. G. Hyperparameter
  8. H. Zusammenfassung
2. 1. 1. I. Forschungsstand
    2. II. Hier gewählter Lösungsansatz
  2. 1. 1. aa) TensorFlow
        bb) Keras
        cc) PyTorch
        dd) Scikit-Learn
        ee) Zusammenfassung und Subsumtion
        b) Unabhängige Elemente
        c) Systematische oder methodische Anordnung
        d) Zugänglichkeit der Elemente
        e) Zwischenergebnis
      2. a) Persönliche oder eigene geistige Schöpfung?
        aa) Auswahl
        bb) Anordnung
        cc) Anordnung für Datenbankwerke i. d. R. programmseitig vorgegeben
        dd) Schöpfungsspielraum in der Auswahl
      3. 3. Ergebnis
      4. 4. Wer ist der Urheber?, oder: Schutzumfang und Folgen
    2. 1. 1. Datenbank
      2. 2. Investitionsgegenstand
      3. 3. Wesentlichkeit der Investition
      4. 4. Ergebnis
      5. 5. Schutzumfang und Folgen
    3. 1. a) Begriffsklärung Computerprogramm
        b) (Keine) Einordnung von ML-Modellen als Computerprogramm in der Literatur
        aa) Quellcode
        bb) Hyperparameter und Parameter
        cc) Kombination zur Laufzeit
        dd) Sonstige Schutzgegenstände
        ee) Zusammenfassung: infrage kommende Schutzgegenstände
      2. a) Menschlich-gestalterische Tätigkeit
        b) Geistiger Gehalt
        c) Wahrnehmbarkeit
        d) Individualität
      3. 3. Ergebnis
    4. IV. Zusammenfassung
  3. C. Trainierter Random Forest in R
  4. 1. 1. a) Künstliches neuronales Netz
        b) Random Forest
        c) Zwischenergebnis
      2. a) ML-Modell in Python
        b) Random Forest in R
      3. 3. Ergebnis
    2. 1. 1. Vorliegen einer Datenbank
      2. aa) Berechnung bzw. Optimierung der Parameter
        bb) Andere Investitionsgegenstände
        cc) Zwischenergebnis
        b) Wesentlichkeit
      3. 3. Ergebnis
      4. 4. Bewertung und praktische Relevanz
    3. III. Zusammenfassung
  5. 1. 1. 1. Datenbank
      2. 2. Persönliche geistige Schöpfung
      3. 3. Ergebnis
    2. 1. 1. Datenbank
      2. 2. Wesentliche Investition
      3. 3. Ergebnis
    3. III. Zusammenfassung
  6. F. Untrainiertes Modell
3. § 8 Ergebnis des dritten Teils
Download Kapitel (PDF)
1. 1. A. Urheber ist stets ein Mensch
  2. 1. 1. a) Zurechnungszusammenhang
        b) Auswahltheorie in Abgrenzung zur Präsentationslehre
        c) Strenge Auswahltheorie
        d) Kombinierte Auswahltheorie
        e) Externe Auswahltheorie
        f) Zusammenfassung
      2. 2. Vom Bekannten zum Unbekannten: KI-Kunst
      3. a) Problemstellung
        b) Andernorts am Beispiel von ANGELINA vorgeschlagene Herangehensweise
        c) Kritik an dieser Vorgehensweise
        d) Lösungsvorschlag
    2. II. Geistiger Gehalt
    3. III. Wahrnehmbarkeit, Individualität
  3. C. Zusammenfassung
2. 1. A. Forschungsstand: Wer ist warum Urheber?
  2. B. Vorgeschlagene Vorgehensweise zur Ermittlung des Urhebers
  3. 1. I. Google DeepDream
    2. II. Google Bach Doodle
    3. III. Edmond de Belamy
    4. IV. GPT-3
  4. D. Zusammenfassung
3. § 11 Ergebnis des vierten Teils
Download Kapitel (PDF)
1. 1. 1. I. Definition der Intelligenz?
    2. 1. 1. Zivilrecht
      2. 2. Strafrecht
    3. III. Folgerung
  2. 1. 1. 1. Etymologischer Ursprung von „Kreativität“
      2. 2. Psychologie
      3. a) Boden: P-Kreativität und H-Kreativität
        b) McCormack/d’Inverno
        c) Sloman: Intrinsische, expressive und standardtestbasierte Kreativität
        d) Miller: Little-c- und Big-C-Kreativität
      4. 4. Andere Ansätze
      5. 5. Schlussfolgerung: Einführung von Kreativitätsprofilen
    2. 1. 1. Analogien
      2. 2. Auslegungsmethodik
    3. III. Folgerung
  3. 1. 1. 1. Beschreibbarkeitsproblem
      2. 2. Konsequenzen
      3. 3. Versuch einer Gegenüberstellung
    2. 1. 1. Kreativität und Intelligenz als Grundvoraussetzung im Urheberrecht?
      2. a) Menschlicher vs. maschineller Schöpfungsprozess
        b) Entstehung einer Idee
        c) Autonomie im Schöpfungsprozess
  4. D. Zusammenfassung
2. 1. A. The Painting Fool
  2. B. ANGELINA
  3. C. Vergleich von ANGELINA und The Painting Fool anhand ihrer Kreativitätsprofile
  4. 1. I. Zu den Kriterien in § 2 Abs. 2 UrhG
    2. 1. 1. Durchsetzung durch gesetzlichen Vertreter
      2. 2. Leistungsschutzrecht de lege ferenda
      3. 3. Schlussfolgerung und Zusammenfassung
    3. 1. 1. The Painting Fool
      2. 2. ANGELINA
    4. IV. Schlussfolgerung
    5. V. Zusammenfassung
  5. E. Fazit
3. § 14 Ergebnis des fünften Teils
Download Kapitel (PDF)
1. 1. A. Urheberrechtliche Relevanz des ML-Prozesses
  2. B. Urheberrechtlicher Schutz von ML-Modellen
  3. C. Urheberrechtlicher Schutz von Erzeugnissen generativer ML-Modelle
  4. D. Computational Creativity
2. § 16 Ausblick
Anhang: Mail-Austausch mit Mike Cook, Projekt ANGELINASeiten 283 - 287 Download Kapitel (PDF)