Jump to content
Kreative Maschinen und Urheberrecht / Zweiter Teil: Die Maschine lernt – auch anhand urheberrechtlich geschützter Daten?
Kreative Maschinen und Urheberrecht / Zweiter Teil: Die Maschine lernt – auch anhand urheberrechtlich geschützter Daten?
Contents
Chapter
Expand
|
Collapse
Page
1–24
Titelei/Inhaltsverzeichnis
1–24
Details
25–60
Erster Teil: Einführung
25–60
Details
§ 1 Einleitung
Details
A. Problemstellungen
Details
B. Gang der Arbeit
Details
C. Grenzen der Arbeit
Details
§ 2 Grundlagen
Details
A. Künstliche Intelligenz
Details
I. Begriff der künstlichen Intelligenz
Details
1. Ursprung
Details
2. KI heute
Details
a) Definitionsansätze
Details
aa) „Klassische“ KI-Definitionen
Details
bb) Alternative Definition
Details
cc) Hier: Strukturelle Definition
Details
b) Funktionsmäßige Kategorisierung
Details
II. Zusammenfassung
Details
B. Maschinelles Lernen
Details
I. Definitionen
Details
1. Algorithmus
Details
2. Lernen
Details
3. Machine Learning
Details
4. Modell
Details
II. Untersuchte Technologien
Details
1. Entscheidungsbäume bzw. Random Forest-Modelle
Details
2. Künstliche neuronale Netze
Details
3. Sonderfall: Generative Adversarial Networks
Details
III. Einige grundlegende Begriffe
Details
1. Klassifikation, Klassifizierung
Details
2. Regression
Details
3. Überwachtes Lernen (Supervised Learning)
Details
4. Unüberwachtes Lernen (Unsupervised Learning)
Details
5. Lernen durch Verstärkung (Reinforcement Learning)
Details
6. Parameter, Gewichte, Biases, Hyperparameter, Topologie, Schichten, Netzstruktur, Architektur
Details
7. Trainingsprozess, Trainingsdaten, Trainingsergebnisse
Details
IV. Technische Einordnung
Details
1. Verhältnis des Machine Learning zu Text und Data Mining
Details
2. Verhältnis des Machine Learning zu Expertensystemen
Details
V. Zusammenfassung
Details
61–94
Zweiter Teil: Die Maschine lernt – auch anhand urheberrechtlich geschützter Daten?
61–94
Details
§ 3 Urheberrechtlich relevante Vorgänge im maschinellen Lernprozess
Details
A. Technische Beleuchtung des maschinellen Lernprozesses
Details
I. Einlesevorgang und Analyse bzw. Aufbereitung der Trainingsdaten
Details
1. Einlesen einzelner oder aller Datensätze
Details
2. Umwandlung der Daten in ein maschinenlesbares Format
Details
II. Trainingsvorgang
Details
B. Urheberrechtliche Relevanz des Einlese- und des Trainingsvorgangs
Details
I. Vervielfältigung, § 16 UrhG
Details
II. Bearbeitung oder Umgestaltung, § 23 S. 1 UrhG
Details
1. Dem Original dienende Funktion, Anpassung an andere Nutzungsformen
Details
2. Freie Benutzung?
Details
3. Einwilligungserfordernis bei Veröffentlichung oder Verwertung
Details
a) Bearbeitung der Trainingsdatenbank?
Details
b) Veröffentlichung oder Verwertung der Bearbeitung
Details
aa) Veröffentlichung
Details
bb) Verwertung
Details
c) Zwischenergebnis
Details
III. Zusammenhang zwischen Trainingsdaten und Output generativer Modelle
Details
IV. Exkurs: Manipulierte ML-Modelle
Details
1. Beispiel: Least Significant Bit Attack
Details
2. Urheberrechtliche Bewertung
Details
V. Zusammenfassung
Details
§ 4 Mögliche Ausnahmetatbestände
Details
A. Situation de lege lata
Details
I. Zulässigkeit sowohl der Vervielfältigung als auch der Bearbeitung gem. § 60d UrhG?
Details
II. Zulässigkeit der Vervielfältigung gem. § 44a UrhG?
Details
1. Flüchtige Vervielfältigungen
Details
2. Rechtmäßige Nutzung
Details
3. Vorübergehende Vervielfältigung rechtswidriger Quellen
Details
4. Zwischenergebnis
Details
B. Situation nach zu erwartenden Änderungen durch die Umsetzung der DSM-Richtlinie
Details
I. Was ist umzusetzen?
Details
II. Wie erfolgt die Umsetzung?
Details
1. Welche Auswirkungen ergeben sich für den ML-Prozess?
Details
C. Zusammenfassung
Details
§ 5 Ergebnis des zweiten Teils
Details
95–170
Dritter Teil: Schutzmöglichkeiten für Modelle maschinellen Lernens im Urheberrecht
95–170
Details
§ 6 Technische Bestandsaufnahme
Details
A. Grundlegende Begriffe
Details
I. Frameworks und Bibliotheken
Details
II. API
Details
III. Objekte und Funktionen
Details
B. Grundbausteine für ML-Modelle: Frameworks, Bibliotheken, APIs
Details
C. Quellcode
Details
D. Trainiertes Modell in Python
Details
I. Vorab: Einsatz eines trainierten Modells
Details
II. Begriff des trainierten Modells
Details
1. „Trainiertes Modell“ in TensorFlow
Details
2. „Trainiertes Modell“ in Keras
Details
3. „Trainiertes Modell“ in PyTorch
Details
4. „Trainiertes Modell“ in Scikit-Learn
Details
III. Zusammenfassung und Definition
Details
E. Trainierter Random Forest in R
Details
F. Trainierte Parameter
Details
G. Hyperparameter
Details
H. Zusammenfassung
Details
§ 7 Schutzmöglichkeiten im Urheberrecht und den verwandten Schutzrechten
Details
A. Einleitung
Details
I. Forschungsstand
Details
II. Hier gewählter Lösungsansatz
Details
B. Trainiertes ML-Modell in Python (insb. trainiertes KNN)
Details
I. Schutz als Datenbankwerk gem. § 4 Abs. 2 UrhG
Details
1. Datenbankwerk
Details
a) Sammlung
Details
aa) TensorFlow
Details
bb) Keras
Details
cc) PyTorch
Details
dd) Scikit-Learn
Details
ee) Zusammenfassung und Subsumtion
Details
b) Unabhängige Elemente
Details
c) Systematische oder methodische Anordnung
Details
d) Zugänglichkeit der Elemente
Details
e) Zwischenergebnis
Details
2. Persönliche geistige Schöpfung
Details
a) Persönliche oder eigene geistige Schöpfung?
Details
b) Schöpfung in Auswahl oder Anordnung
Details
aa) Auswahl
Details
bb) Anordnung
Details
cc) Anordnung für Datenbankwerke i. d. R. programmseitig vorgegeben
Details
dd) Schöpfungsspielraum in der Auswahl
Details
3. Ergebnis
Details
4. Wer ist der Urheber?, oder: Schutzumfang und Folgen
Details
II. Investitionsschutz gem. §§ 87a ff. UrhG
Details
1. Datenbank
Details
2. Investitionsgegenstand
Details
3. Wesentlichkeit der Investition
Details
4. Ergebnis
Details
5. Schutzumfang und Folgen
Details
III. Schutz als Computerprogramm gem. § 69 a UrhG
Details
1. Trainiertes Modell als Computerprogramm
Details
a) Begriffsklärung Computerprogramm
Details
b) (Keine) Einordnung von ML-Modellen als Computerprogramm in der Literatur
Details
c) Berücksichtigung der Bestandteile eines trainierten Modells für den Computerprogrammbegriff
Details
aa) Quellcode
Details
bb) Hyperparameter und Parameter
Details
cc) Kombination zur Laufzeit
Details
dd) Sonstige Schutzgegenstände
Details
ee) Zusammenfassung: infrage kommende Schutzgegenstände
Details
2. Eigene geistige Schöpfung
Details
a) Menschlich-gestalterische Tätigkeit
Details
b) Geistiger Gehalt
Details
c) Wahrnehmbarkeit
Details
d) Individualität
Details
3. Ergebnis
Details
IV. Zusammenfassung
Details
C. Trainierter Random Forest in R
Details
D. Trainierte Parameter
Details
I. Schutz als Datenbankwerk gem. § 4 Abs. 2 UrhG
Details
1. Datenbankwerk
Details
a) Künstliches neuronales Netz
Details
b) Random Forest
Details
c) Zwischenergebnis
Details
2. Persönliche geistige Schöpfung
Details
a) ML-Modell in Python
Details
b) Random Forest in R
Details
3. Ergebnis
Details
II. Investitionsschutz gem. §§ 87a ff. UrhG
Details
1. Vorliegen einer Datenbank
Details
2. Investition
Details
a) Gegenstand der Investition
Details
aa) Berechnung bzw. Optimierung der Parameter
Details
bb) Andere Investitionsgegenstände
Details
cc) Zwischenergebnis
Details
b) Wesentlichkeit
Details
3. Ergebnis
Details
4. Bewertung und praktische Relevanz
Details
III. Zusammenfassung
Details
E. Hyperparameter
Details
I. Schutz als Datenbankwerk gem. § 4 Abs. 2 UrhG
Details
1. Datenbank
Details
2. Persönliche geistige Schöpfung
Details
3. Ergebnis
Details
II. Investitionsschutz gem. §§ 87a ff. UrhG
Details
1. Datenbank
Details
2. Wesentliche Investition
Details
3. Ergebnis
Details
III. Zusammenfassung
Details
F. Untrainiertes Modell
Details
§ 8 Ergebnis des dritten Teils
Details
171–214
Vierter Teil: Schutz von KI-Erzeugnissen
171–214
Details
§ 9 Schutzvoraussetzungen im Urheberrecht im Kontext von KIErzeugnissen
Details
A. Urheber ist stets ein Mensch
Details
B. Persönliche geistige Schöpfung
Details
I. Menschlich-gestalterische Tätigkeit
Details
1. Bekanntes Terrain: Zufallskunst bzw. Computerkunst
Details
a) Zurechnungszusammenhang
Details
b) Auswahltheorie in Abgrenzung zur Präsentationslehre
Details
c) Strenge Auswahltheorie
Details
d) Kombinierte Auswahltheorie
Details
e) Externe Auswahltheorie
Details
f) Zusammenfassung
Details
2. Vom Bekannten zum Unbekannten: KI-Kunst
Details
3. Wann liegt beim Einsatz von KI menschlich-gestalterisches Handeln vor?
Details
a) Problemstellung
Details
b) Andernorts am Beispiel von ANGELINA vorgeschlagene Herangehensweise
Details
c) Kritik an dieser Vorgehensweise
Details
d) Lösungsvorschlag
Details
II. Geistiger Gehalt
Details
III. Wahrnehmbarkeit, Individualität
Details
C. Zusammenfassung
Details
§ 10 Wem gebührt ein möglicher Schutz?
Details
A. Forschungsstand: Wer ist warum Urheber?
Details
B. Vorgeschlagene Vorgehensweise zur Ermittlung des Urhebers
Details
C. Verwendung des Flussdiagramms anhand von Beispielen
Details
I. Google DeepDream
Details
II. Google Bach Doodle
Details
III. Edmond de Belamy
Details
IV. GPT-3
Details
D. Zusammenfassung
Details
§ 11 Ergebnis des vierten Teils
Details
215–262
Fünfter Teil: Computational Creativity – Kreative Künstliche Intelligenz?
215–262
Details
§ 12 Intelligenz, Kreativität und ihre Schnittstellen zueinander und zum Recht
Details
A. Intelligenz
Details
I. Definition der Intelligenz?
Details
II. Relevanz der Intelligenz im Recht
Details
1. Zivilrecht
Details
2. Strafrecht
Details
III. Folgerung
Details
B. Kreativität
Details
I. Definition?
Details
1. Etymologischer Ursprung von „Kreativität“
Details
2. Psychologie
Details
3. Kognitionswissenschaft
Details
a) Boden: P-Kreativität und H-Kreativität
Details
b) McCormack/d’Inverno
Details
c) Sloman: Intrinsische, expressive und standardtestbasierte Kreativität
Details
d) Miller: Little-c- und Big-C-Kreativität
Details
4. Andere Ansätze
Details
5. Schlussfolgerung: Einführung von Kreativitätsprofilen
Details
II. Relevanz der Kreativität im Recht
Details
1. Analogien
Details
2. Auslegungsmethodik
Details
III. Folgerung
Details
C. Verhältnis von Kreativität und Intelligenz und deren Bedeutung für das Urheberrecht
Details
I. Grundsätzliche Überlegungen
Details
1. Beschreibbarkeitsproblem
Details
2. Konsequenzen
Details
3. Versuch einer Gegenüberstellung
Details
II. Bedeutung von Intelligenz und Kreativität im Urheberrecht
Details
1. Kreativität und Intelligenz als Grundvoraussetzung im Urheberrecht?
Details
2. Von künstlicher Intelligenz über künstliche Kreativität zur hypothetischen Urheberschaft
Details
a) Menschlicher vs. maschineller Schöpfungsprozess
Details
b) Entstehung einer Idee
Details
c) Autonomie im Schöpfungsprozess
Details
D. Zusammenfassung
Details
§ 13 Computational Creativity
Details
A. The Painting Fool
Details
B. ANGELINA
Details
C. Vergleich von ANGELINA und The Painting Fool anhand ihrer Kreativitätsprofile
Details
D. Kritische und kreative urheberrechtliche Überlegungen zu Computational Creativity
Details
I. Zu den Kriterien in § 2 Abs. 2 UrhG
Details
II. Mögliche Ausgestaltung eines „Urheberrechts“ für nichtmenschliche Urheber
Details
1. Durchsetzung durch gesetzlichen Vertreter
Details
2. Leistungsschutzrecht de lege ferenda
Details
3. Schlussfolgerung und Zusammenfassung
Details
III. Hypothetische Urheberschaft
Details
1. The Painting Fool
Details
2. ANGELINA
Details
IV. Schlussfolgerung
Details
V. Zusammenfassung
Details
E. Fazit
Details
§ 14 Ergebnis des fünften Teils
Details
263–282
Sechster Teil: Gesamtergebnis und Ausblick
263–282
Details
§ 15 Gesamtergebnis
Details
A. Urheberrechtliche Relevanz des ML-Prozesses
Details
B. Urheberrechtlicher Schutz von ML-Modellen
Details
C. Urheberrechtlicher Schutz von Erzeugnissen generativer ML-Modelle
Details
D. Computational Creativity
Details
§ 16 Ausblick
Details
283–287
Anhang: Mail-Austausch mit Mike Cook, Projekt ANGELINA
283–287
Details
Durchsuchen Sie das Werk
Geben Sie ein Keyword in die Suchleiste ein
CC-BY-SA
Access
Kreative Maschinen und Urheberrecht , page 61 - 94
Zweiter Teil: Die Maschine lernt – auch anhand urheberrechtlich geschützter Daten?
Autoren
Lisa Käde
DOI
doi.org/10.5771/9783748912453-61
ISBN print: 978-3-8487-7231-5
ISBN online: 978-3-7489-1245-3
Chapter Preview
Share
Current chapter
Complete document
Download citation
RIS
BibTeX
Copy DOI link
doi.org/10.5771/9783748912453-61
Share by email
Video schließen
Share by email Nomos eLibrary
Recipient*
Sender*
Message*
Your name
Send message
This site is protected by reCAPTCHA and the Google
Privacy Policy
and
Terms of Service
apply.
