Millionen antiker Münzen warten in Magazinen auf ihre Bestimmung — eine Arbeit, für die eine Sammlung pro Stück anderthalb Stunden veranschlagt und für die es kaum Fachleute gibt. Ein Bilderkennungsmodell erledigt sie inzwischen in Sekunden. Um aber einer Maschine beizubringen, was auf einer Münze zu sehen ist, braucht man Beispiele, die jemand als korrekt geprüft hat. In dieser Größenordnung kann das niemand leisten, und so werden bestehende Referenzkataloge als „Ground Truth" herangezogen. Diese sind sich jedoch uneinig: Dasselbe Stück wird in Berlin anders beschrieben als in London oder Paris, ohne dass eine der Beschreibungen falsch wäre. Wer einen einzigen der Kataloge zum Maßstab erklärt, bringt der KI vor allem die Schreibgewohnheiten einer Institution bei. Der Ausweg führt über einen Knowledge Graph: Er verknüpft die konkurrierenden Benennungen miteinander, ohne eine davon zu überschreiben.

Ein solcher Graph muss allerdings anders gebaut sein als gewohnt. Knowledge Graphen und Normdatensysteme trennen nach Bedeutung: Athena, die Göttin, und Athen, die Stadt, sind klar abgegrenzte Konzepte. Auf der Münze stehen jedoch dieselben Buchstaben, die sich ohne weiteren Kontext kaum unterscheiden lassen. Eine Unterscheidung, die am Objekt unsichtbar bleibt, zwingt das Modell zum Raten. Ein Graph für das Training bildet deshalb ab, was am Objekt unterscheidbar ist — und unterscheidet sich darin von einem, der eine Recherche erschließt.

Die zweite Konsequenz wiegt schwerer. Denn dort bleiben die Widersprüche zwischen den Katalogen stehen. Wo zwei Kataloge dasselbe Stück verschieden benennen und beide recht behalten, liegt zwischen ihren Zeilen eine Regel, die niemand notiert hat: dass eine bestimmte Figur stets mit Helm erscheint, dass Teile der Umschrift ebenso gut in der Bildbeschreibung auftauchen dürfen. Solche Selbstverständlichkeiten treten erst im Abgleich über Sprachen und Häuser hinweg hervor. Im Graphen lassen sie sich festhalten. Was dabei entsteht, ist eine Grammatik der numismatischen Beschreibung. Und daraus folgt die Frage, die der Vortrag zur Diskussion stellt: Wie viel von dem, was wir über unsere Objekte wissen, steht überhaupt in unseren Daten?