Mit dem Aufkommen von Anwendungen wie ChatGPT ist der Hype um die Künstliche Intelligenz in der Öffentlichkeit jüngst erneut in Schwung gekommen. Der letzte sogenannte KI-Winter ist jedoch bereits seit circa 2012 vorbei, und seither sind auch im Open-Source-Bereich eine Vielzahl an implementierten Machine-Learning-Methoden entstanden, die tatsächlich einsetzbar sind – auch und gerade an Bibliotheken. Ein Beispiel: Die ZBW – Leibniz-Informationszentrum Wirtschaft betreibt seit 2016 eigene angewandte Forschung im Bereich Machine Learning mit dem Zweck, praktikable Lösungen für eine automatisierte oder maschinell unterstützte Inhaltserschließung zu entwickeln. 2020 begann ein Team an der ZBW die Konzeption und Implementierung einer Softwarearchitektur, die es ermöglichte, diese prototypischen Lösungen in einen produktiven Dienst zu überführen und mit den bestehenden Nachweis- und Informationssystemen zu verzahnen. Der produktive Dienst läuft seit Mitte 2021, hat seither bereits über 1,65 Mio. Metadatensätze verschlagwortet und wird kontinuierlich weiterentwickelt. Aus diesem Praxisbeispiel lassen sich einige notwendige Bedingungen ableiten, um Machine-Learning-Lösungen für die Inhaltserschließung überhaupt erfolgreich an einer Informationsinfrastruktureinrichtung einsetzen zu können. Mit Blick auf die rasante Entwicklung im Bereich der Künstlichen Intelligenz in den letzten Jahren stellen sich allerdings eine Reihe spannender Fragen und Herausforderungen: Werden Large Language Models (LLMs) die Inhaltserschließung – auch die automatisierte – obsolet machen? Wird ChatGPT die Suche obsolet machen, wie wir sie kennen? Werden damit Metadaten insgesamt obsolet werden? Oder bietet sich gerade jetzt eine umso größere Chance, Inhaltserschließung und Suche neu zu denken und unsere Metadaten in eine Form zu überführen, in der sie für die neuen Modelle eine sinn- und wertvolle Informationsquelle sein können? |