Was sich vor allem verändert hat, ist der Bezug zu den Daten selbst. In Projekten wie diesen sieht man direkt, woran man arbeitet. Man beobachtet, wie die Fische das Futter aufnehmen, und hört sich stundenlang die dazugehörigen Audiodateien an. In der Sozialforschung arbeitet man oft mit Daten, die Menschen explizit geäußert haben, wie Antworten in Umfragen oder Aussagen in Interviews. Akustische Daten sind anders. Ein Grunzen, ein Plätschern oder das Surren einer Maschine. Das sind keine bewussten Mitteilungen, sondern Nebenprodukte von Zuständen. Man muss lernen, in etwas eine Bedeutung zu finden, das nicht für einen gemacht wurde. 

Im Alltag höre ich die Welt deswegen aber nicht wirklich anders. Nur einen Trommelfilter aus einer Aquakulturanlage würde ich vermutlich aus hundert anderen Geräuschen heraushören.

Das wurde mir weniger an einem einzelnen Moment klar als im Laufe der Arbeit mit den Daten selbst. Sobald man merkt, dass sich in den Audiodaten tatsächlich Muster finden lassen, die mit dem Zustand der Tiere zusammenhängen, etwa verändertes Fressverhalten oder Stresssignale, wird greifbar, dass am Ende dieser Analyse eine echte Entscheidung eines Landwirts stehen kann.

Das unterscheidet solche Projekte von vielen klassischen Klassifikationsaufgaben. Eine falsch erkannte Kategorie in einem Forschungsdatensatz hat keine Konsequenzen außerhalb des Papers. Bei uns hängt an einer Fehlklassifikation im schlimmsten Fall das Wohlergehen von Tieren oder eine wirtschaftliche Entscheidung eines Betriebs. Das verändert, wie man an Genauigkeit, Fehlerraten und Erklärbarkeit eines Systems herangeht. Wenn das System einmal zu viel warnt, kostet das einen Landwirt einen prüfenden Blick in den Stall oder Tank. Wenn es einmal zu wenig warnt, kann das konkrete Konsequenzen für die Anlage und die Tiere haben.

In vielen Dingen ist der Landwirt der Technik überlegen, einfach weil er seine Tiere kennt und die Erfahrung mit vielen verschiedenen Tieren über Jahre gesammelt hat. Auch die Anlagen kennt er oft in- und auswendig: Er weiß, dass ein bestimmtes Geräusch für unsere KI zwar ungewöhnlich aussehen mag, in Wirklichkeit aber nichts Auffälliges ist, weil zum Beispiel „das Rohr schon immer klackert“. Und vor allem weiß er viel besser einzuschätzen, wann es wirklich wichtig ist einzugreifen und wann nicht.

Ein KI-System erkennt Muster in den Daten, die es gesehen hat. Ein erfahrener Landwirt erkennt oft Abweichungen, für die es noch gar keine Trainingsdaten gibt, weil er den Kontext kennt. Die Wetterlage, das Verhalten einzelner Tiere oder was letzte Woche im Betrieb passiert ist. Diese Art von Kontextwissen ist etwas, das wir bislang nicht vollständig in ein System übersetzen können. Deshalb verstehe ich AkuMonit klar als Ergänzung zur Erfahrung der Landwirte, niemals als Ersatz dafür.

Ein Frühwarnsystem kann helfen, Leid frühzeitig zu erkennen, das sonst übersehen würde. Gleichzeitig macht so ein System bestehende Haltungsformen nicht automatisch besser, sondern hilft zunächst, Probleme innerhalb des bestehenden Systems schneller zu erkennen. Wir verstehen uns dabei klar als Werkzeug, nicht als Antwort auf die grundsätzliche Frage, wie und ob Tiere gehalten werden sollten.

Trotzdem sehe ich da einen echten Hebel. Wenn wir Abläufe produktiver oder ressourcenschonender gestalten können, entsteht auch mehr Spielraum, sich auf die Tiere und ihr Wohlergehen zu konzentrieren. Oft ist es schlicht eine Kostenfrage, ob sich ein Betrieb die nächstbessere Haltungsform leisten kann oder nicht. Wenn wir über mehr Effizienz dazu beitragen können, diesen Spielraum zu schaffen, verbessert sich das Tierwohl schon allein dadurch, dass besser und engmaschiger überwacht werden kann, was den Tieren fehlt.

Das ist mir auch persönlich wichtig, weil ich selbst vegan lebe. Ich weiß, dass ein System wie AkuMonit die grundsätzliche Frage, wie wir mit Tieren als Gesellschaft umgehen, nicht beantwortet und das System als solches auch nicht verändern wird. Mir geht es darum, innerhalb dieser Realität etwas zu bewirken. Wenn wir dazu beitragen können, dass es jedem einzelnen Tier in diesem System spürbar besser geht, ist das ein Unterschied, der zählt, auch wenn er die große Frage nicht löst.

Ehrlicherweise denke ich dabei weniger über „Frauen in der KI-Forschung“ im Allgemeinen nach, sondern eher über bestimmte, häufig als weiblich gelesene Charaktereigenschaften und was sie für unsere Arbeit bedeuten. Empathie und Kommunikationsfähigkeit gehören für mich klar dazu: Man muss verstehen, was Praktiker in ihrem Alltag wirklich brauchen, und man muss mit ihnen im Gespräch bleiben, statt nur an einem Modell zu arbeiten. Gerade wenn man Technologie in Gesellschaft und Industrie bringen möchte, darf man nicht im eigenen Elfenbeinturm bleiben. Auch den Blick darauf, was es braucht, damit Technologie der Gesellschaft tatsächlich nützt, halte ich für zentral.

Solche Eigenschaften werden in der KI-Entwicklung insgesamt oft unterschätzt, und ich finde es wichtig, dass sie in diesem Feld mehr Gewicht bekommen, unabhängig davon, wer sie mitbringt.