Unser zweites Team bestand aus Max, Jonas, Natalie und Simon, mit freundlicher Unterstützung von Jan-Laurin Müller. Das Team befasste sich mit einem fundamentalen technischen Problem: Der Datenarmut für KI-Anwendungen im deutschsprachigen Legal-Tech Bereich. Nachdem das Werkzeug der Juristinnen und Juristen die Sprache ist, stützen sich Machine-Learning Anwendungen im Rechtsbereich meist auf Technologien aus dem Bereich „Natural Language Processing“ (NLP), einem Oberbegriff für KI-Anwendungen, welche mit Sprache arbeiten. Der erst kürzlich für die Allgemeinheit zugänglich gemachte Chatbot „ChatGPT“ von OpenAI, welcher für großes Aufsehen gesorgt hat, ist ein spektakuläres Beispiel solcher Anwendungen. Das Problem ist nur, dass zum Trainieren dieser KI-Anwendungen eine riesige Menge an Daten benötigt wird. Zudem müssen diese Daten meist „gelabelt“ werden, sodass der Algorithmus anhand von Beispielen lernen kann (sog. „supervised machine learning“ – hierbei lernt die Maschine ähnlich wie ein kleines Kind, welches von seinen Eltern, die auf das jeweilige Objekt zeigen, gesagt bekommt „Das ist ein Apfel“, „Das ist ein Pferd“, etc.). Das Labeln dieser Daten ist allerdings sehr zeitaufwendig, trocken und bedarf im Rechtsbereich an Expertise. Deshalb hat das Team diesen Daten-Labeling-Prozess mit der Anwendung „DaLAI Lama“ (Data-Labeling Lama) gamifiziert, d.h. spielerisch ausgestaltet, sodass für Rechtswissende der Anreiz besteht, Daten zu labeln. Nebenbei wurde auch noch eine Taxonomie gebaut, welche die rechtlichen Probleme begrifflich strukturiert darstellt. Letztlich ist die gebaute Anwendung jedoch nur ein Teil eines großen Projekts, welches sich mit künstlicher Intelligenz befasst, sodass in einem kleinen Blog-Artikel nicht alles dazu gesagt werden kann. Wer interessiert ist, kann sich auf legalloveslama.de gerne informieren und das Spiel testen.