KI-Suche über 67.000 Einträge in einem Kulturarchiv

Worum es sich handelt

Der Name Magyar Popkulturális Értéktár bedeutet ungarisches Popkultur-Wertearchiv, abgekürzt MPÉ. Es sammelt Musik, Literatur, Film und visuelle Kultur Ungarns an einer Stelle. Hinter dem Archiv steht keine einzelne Institution, sondern ein Verbund. Zsuzsi Berta, Marketingleiterin des Kulturbetriebs A38 Hajó, beschrieb es bei der Vorstellung so, dass das Archiv das Erbe des Verlags Bahia Kiadó weiterträgt, mit dem A38 Hajó, dem Medienarchivträger MTVA, dem Sender Petőfi TV und der Verwertungsgesellschaft Artisjus zusammenarbeitet und auf dem musikhistorischen Werk von Béla Szilárd Jávorszky aufbaut.

Für einen deutschen Leser ist die nächstliegende Entsprechung eine spartenübergreifende Mediathek mehrerer Häuser, die ihre Bestände in einem gemeinsamen Nachschlagewerk zusammenführen. Wer die einzelnen Namen nicht kennt, verliert nichts. Wichtig ist die Struktur dahinter, und die kommt Ihnen wahrscheinlich bekannt vor: viele Quellen, viele Formate, viele Rechteinhaber, eine gemeinsame Oberfläche.

Die Aufgabe war leicht zu formulieren und schwer zu erfüllen. Über diesem Bestand sollte eine Suche stehen, die auf echte Fragen antwortet statt eine Trefferliste auszuwerfen. Projektleiter András Nyírő beschrieb den Ausgangspunkt bei der Vorstellung damit, dass man begonnen habe zu überlegen, wie sich bei einem derart großen digitalen Archiv künstliche Intelligenz für eine wirksamere Suche einsetzen ließe.

Was daran schwer war

Zwei Probleme, und keines davon war eine Frage der Technologiemode.

Das erste ist die Sprache. András Nyírő sprach bei der Vorstellung aus, was am Anfang jedes KI-Projekts in einer kleineren Sprache steht: Das Erscheinen von ChatGPT habe neue Möglichkeiten eröffnet, das Sprachmodell baue jedoch im Kern auf der englischen Sprache auf und bringe damit angelsächsische Kultur mit, woraus sich die Frage ergab, wie sich unter diesen Bedingungen die eigene Kultur zeigen lässt. Ein auf Englisch abgestimmtes Modell versagt an ungarischem musikhistorischem Material nicht deshalb, weil es kein Ungarisch kann, sondern weil es den Bestand nicht kennt und die Lücke souverän ausfüllt.

Das zweite ist der Zusammenhang. Zsuzsi Berta beschrieb, dass allgemeine Suchmaschinen bei der Suche nach einem Interpreten oder einem Genre eine Flut von Informationen in der Reihenfolge ihres eigenen Rankings ausgeben, und dass das aus Sicht einer nationalen Kultur ein Wertverlust ist, weil die Treffer aus ihrem ursprünglichen kulturellen Zusammenhang gerissen ankommen. Eine Suche, die zehn Links zurückgibt, hilft in dieser Lage nicht.

„Beim Wertearchiv lässt sich nicht bloß in einer Datenbank suchen, sondern man bekommt auf sinnvolle Fragen sinnvolle Antworten.”

Eines steht nicht in dem Artikel, war während der Arbeit aber durchgehend präsent: In einem Kulturarchiv ist eine falsche Antwort teurer als anderswo. Wenn der Chatbot eines Onlineshops sich in der Lieferzeit irrt, ist das ärgerlich. Wenn ein Wertearchiv einem Interpreten die falsche Jahreszahl oder das falsche Label zuschreibt, wird das jemand zitieren.

Wie eine solche Suche aufgebaut ist

Hier gehört eine ehrliche Trennlinie hin. Alles bisher Gesagte stammt aus der öffentlichen Quelle. Was jetzt folgt, ist eine allgemeine Beschreibung, wie eine KI-Suche über einen großen, uneinheitlichen Bestand gebaut wird. Es ist nicht die Dokumentation der Umsetzung beim MPÉ, denn deren Veröffentlichung steht uns nicht zu.

1. 1. Einlesen und Vereinheitlichen

   Lexikonartikel, Publikationsangaben, Bildmetadaten und Tonträgerdaten liegen in verschiedenen Strukturen vor. Der erste Schritt ist immer eine gemeinsame interne Form, in der jeder Inhalt eine Kennung, einen Typ, eine Herkunft und einen Zeitstempel hat. Dieser Abschnitt sieht langweilig aus und entscheidet über das Projekt.

2. 2. Zerlegen

   Ein Bestand dieser Größe lässt sich nicht am Stück vor ein Modell legen. Der Text wird in Abschnitte geschnitten, die für sich allein verständlich bleiben. Bei einem Künstlerprofil ist das meist die Absatzgrenze, bei einer Tonträgerbeschreibung der einzelne Eintrag.

3. 3. Vektorisieren und indexieren

   Jeder Abschnitt bekommt einen Vektor, der seine Bedeutung kodiert, und wandert in eine Vektordatenbank. Daneben läuft ein klassischer, wortgenauer Index. In einer Sprache mit reicher Flexion ist die Kombination deutlich besser als jede der beiden Hälften allein: Der semantische Teil findet die umschriebene Frage, der lexikalische die exakte Namensform.

4. 4. Sprachbehandlung

   Beugungsformen, Schreibweise ohne Akzente, Künstlername neben bürgerlichem Namen, umbenannte Bands. Das löst kein Modell von allein. Dafür braucht es Listen und Regeln, und diese Listen müssen gepflegt werden. Im Deutschen ist es dieselbe Arbeit an anderen Stellen: Komposita, ae statt ä, Abkürzung neben ausgeschriebenem Fachbegriff.

5. 5. Relevanz und Nachsortierung

   Die Rohtreffer müssen in eine Reihenfolge. Hier zeigt sich, ob jemand eine Jahreszahl sucht oder wissen will, wer 1987 mit wem gespielt hat. Zu diesen beiden Fragen gehören verschiedene Treffer, obwohl die Wörter ähnlich aussehen.

6. 6. Antwort mit Quelle

   Das Modell darf ausschließlich aus den gefundenen Abschnitten arbeiten, und neben der Antwort steht, aus welchem Eintrag sie stammt. Gibt es keine Deckung, lautet die richtige Antwort, dass dazu nichts vorliegt. Dieser Teil fehlt in Vorführungen oft, und im Betrieb ist er der wichtigste.

Über das Verhalten der Antwortschicht sprach bei der Vorstellung Károly Nehéz, Direktor des Informatikinstituts der Universität Miskolc, das bei der Ausgestaltung des KI-Moduls mitgewirkt hat. Er erklärte, dass ein Sprachmodell statt des als optimal bewerteten Wortes auch die zweite oder dritte Möglichkeit anbieten kann und die Antwort dadurch veränderlich wird. Das ist die Stichprobenauswahl beim Erzeugen, und sie ist der Grund dafür, dass auf dieselbe Frage zweimal nicht wortgleich dasselbe zurückkommt.

„Auch das ist eine Maschine, nur eine kompliziertere als alles, was die Menschheit im Lauf ihrer Geschichte gebaut hat.”

Zur Technik dahinter steht mehr in unserem Beitrag zu den Grundlagen von KI-Agenten und in der Übersicht zur Dokumentenverarbeitung mit KI.

Was davon für einen deutschsprachigen Bestand gilt

Die naheliegende Rückfrage lautet, was ein ungarisches Kulturarchiv mit einem Maschinenbauer aus Baden-Württemberg oder einer Landesbibliothek zu tun hat. Die Antwort liegt im Muster, nicht im Thema, und sie hat drei Teile.

Was wir aus dieser Arbeit mitgenommen haben

Vier Punkte, die wir seither in jedem ersten Gespräch über eine Wissensdatenbank ansprechen.

Über die Größenordnung derselben Arbeit haben wir auch beim AI Summit Budapest 2025 gesprochen, in einem Vortrag darüber, wie aus 100 GB Material ein funktionierendes KI-System wird.

Für welche Häuser das passt

Das Muster ist überall dasselbe: viel eigener Inhalt, viele Formate, und eine Suche, die heute über Stichworte läuft.

Ist der Inhalt dagegen überschaubar oder liegt er bereits in sauber strukturierten Tabellen, ist eine ordentliche Suche mit Filtern billiger und genauer. Das sagen wir im Erstgespräch, bevor jemand etwas bezahlt. Der volle Leistungsumfang steht auf der Seite zur KI-Entwicklung, weitere Projekte im KI-Portfolio.