Bereits dieser kleine Ausschnitt des Fachgebiets Künstlicher Intelligenz belegt, dass der Begriff der „Künstlichen Intelligenz“ wenig präzise ist.^{<a href="#fn1">[444]</a>} Aus juristischer Betrachtungsweise ist jedoch festzuhalten, dass Künstliche Intelligenz im Wesentlichen aus Algorithmen besteht.^{<a href="#fn1">[445]</a>} Ein Algorithmus ist eine auf Logik basierende sequentielle Abfolge von eindeutig definierten Handlungsschritten, die nach einer endlichen Anzahl von Schritten bei gleichen Voraussetzungen ein stets gleiches Ergebnis hervorbringen.^{<a href="#fn1">[446]</a>}
Nachfolgende Ausführungen beziehen sich in erster Linie auf das Teilgebiet des maschinellen Lernens bzw. Deep Learning am Beispiel von künstlichen neuronalen Netzen. Maschinelles Lernen umfasst Algorithmen, die einen Computer dazu befähigen, bestimmte Strukturen lösungsorientiert zu erkennen und auf spätere Anwendungsfälle zu übertragen.^{<a href="#fn1">[447]</a>} Dies führt dazu, dass Softwareprogrammierer nicht mehr alle Parameter explizit codieren müssen, sondern dass Algorithmen anhand von Trainingsdaten in die Lage versetzt werden, die für die jeweilige Aufgabe erforderlichen Parameter selbstständig zu erlernen.^{<a href="#fn1">[448]</a>} Beim maschinellen Lernen wird in der Praxis abhängig von der Durchführung zwischen supervised learning, unsupervised learning und reinforcement learning unterschieden,^{<a href="#fn1">[449]</a>} wobei in der Praxis am häufigsten das supervised learning, also das überwachte Lernen mit annotierten Beispielen und anschließender Kontrolle, angewendet wird^{<a href="#fn1">[450]</a>}.
Künstliche neuronale Netze sind den biologischen Nervenzellen nachempfunden.^{<a href="#fn1">[451]</a>} Ein künstliches Neuron besteht aus einer Eingabe, von der aus der aufgenommene Reiz über einstellbar gewichtete Verbindungen an die Übertragungsfunktion weitergeleitet wird. Das Ergebnis der Übertragungsfunktion bildet den Ausgangswert für die nachfolgende Aktivierungsfunktion. Der aus der Aktivierungsfunktion berechnete Wert entspricht der Ausgabe.^{<a href="#fn1">[452]</a>} Innerhalb eines künstlichen neuronalen Netzes sind mehrere dieser künstlichen Neuronen, in diversen Schichten jeweils unterschiedlich gewichtet, miteinander verbunden. Die Eingabeschicht besteht dabei aus Neuronen, welche die zu untersuchenden Merkmale repräsentieren. Innerhalb der beliebig vielen verdeckten Schichten werden die Ergebnisse weiter gefiltert, bis sie in der Ausgabeschicht als Ausgabewert angegeben werden.^{<a href="#fn1">[453]</a>} Ein derart strukturiertes neuronales Netz kann fortan durch Trainingsdaten trainiert werden, indem der durch das neuronale Netz erzeugte Output mit dem erwarteten Output verglichen wird und gegebenenfalls Anpassungen an den unterschiedlichen Gewichtungen und der Anordnung bzw. Anzahl der einzelnen Schichten vorgenommen werden.^{<a href="#fn1">[454]</a>}
<div id="fn1">[440] <I>Görz/Wachsmuth</I>, in: Görz/Rollinger/Schneeberger Handbuch der Künstlichen Intelligenz, S. 1; <I>Görz/Nebel</I>, in: Görz/Nebel Künstliche Intelligenz, S. 6 f.
<div id="fn1">[441] <I>Görz/Wachsmuth</I>, in: Görz/Rollinger/Schneeberger Handbuch der Künstlichen Intelligenz, S. 1.
<div id="fn1">[442] Näher: <I>Deru/Ndiaye</I>, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TensorFlow.js, S. 19 ff.
<div id="fn1">[443] <I>Görz/Wachsmuth</I>, in: Görz/Rollinger/Schneeberger Handbuch der Künstlichen Intelligenz, S. 12 f; <I>Görz</I>, in: Görz Einführung in die Künstliche Intelligenz, S. 885; Görz/Nebel, in: Görz/Nebel Künstliche Intelligenz, S. 42 ff.
<div id="fn1">[444] Vgl. <I>Herberger</I>, „Künstliche Intelligenz“ und Recht, NJW 2018, 2825, 2825 f; Specht, Zum Verhältnis von (Urheber-) Recht und Technik, GRUR 2019, 253, 253.
<div id="fn1">[445] <I>Söbbing</I>, in: Söbbing Fundamentale Rechtsfragen zur künstlichen Intelligenz: (AI Law), S. 6.
<div id="fn1">[447] <I>Deru/Ndiaye</I>, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TensorFlow.js, S. 17.
<div id="fn1">[448] <I>Buxmann/Schmidt</I>, in: Buxmann/Schmidt Künstliche Intelligenz, S. 8; <I>Deru/Ndiaye</I>, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 29 f; Ohst, in: Ohst Computerprogramm und Datenbank, S. 200.
<div id="fn1">[449] <I>Buxmann/Schmidt</I>, in: Buxmann/Schmidt Künstliche Intelligenz, S. 9 ff; <I>Deru/Ndiaye</I>, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 34 ff.
<div id="fn1">[450] <I>Buxmann/Schmidt</I>, in: Buxmann/Schmidt Künstliche Intelligenz, S. 12.
<div id="fn1">[451] <I>Deru/Ndiaye</I>, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 57.
<div id="fn1">[452] Vgl. <I>Deru/Ndiaye</I>, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 59 f; für eine detailierte Darstellung der mathematischen Funktionsweise siehe: Görz</I>, in: Görz Einführung in die künstliche Intelligenz, S. 841 ff.
<div id="fn1">[453] <I>Deru/Ndiaye</I>, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 61 f.
<div id="fn1">[454] <I>Deru/Ndiaye</I>, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 63 ff.
<div id="fn1">[455] <I>Deru/Ndiaye</I>, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TensorFlow.js, S. 176 ff, 191 ff; Ehinger/Stiemerling, Die urheberrechtliche Schutzfähigkeit von Künstlicher Intelligenz am Beispiel von Neuronalen Netzen, CR 2018, 761, 763 f.

Bereits dieser kleine Ausschnitt des Fachgebiets Künstlicher Intelligenz belegt, dass der Begriff der „Künstlichen Intelligenz“ wenig präzise ist.^{<a href="#fn1">[444]</a>} Aus juristi-scher Betrachtungsweise ist jedoch festzuhalten, dass Künstliche Intelligenz im Wesentlichen aus Algorithmen besteht.^{<a href="#fn1">[445]</a>} Ein Algorithmus ist eine auf Logik basierende sequentielle Abfolge von eindeutig definierten Handlungsschritten, die nach einer endlichen Anzahl von Schritten bei gleichen Voraussetzungen ein stets gleiches Ergebnis hervorbringen.^{<a href="#fn1">[446]</a>}
Nachfolgende Ausführungen beziehen sich in erster Linie auf das Teilgebiet des maschinellen Lernens bzw. Deep Learning am Beispiel von künstlichen neuro-nalen Netzen. Maschinelles Lernen umfasst Algorithmen, die einen Computer dazu befähigen, bestimmte Strukturen lösungsorientiert zu erkennen und auf spätere Anwendungsfälle zu übertragen.^{<a href="#fn1">[447]</a>} Dies führt dazu, dass Softwareprogrammierer nicht mehr alle Parameter explizit codieren müssen, sondern dass Algorithmen anhand von Trainingsdaten in die Lage versetzt werden, die für die jeweilige Aufgabe erforderlichen Parameter selbstständig zu erlernen.^{<a href="#fn1">[448]</a>} Beim maschinellen Lernen wird in der Praxis abhängig von der Durchführung zwischen supervised learning, unsupervised learning und reinforcement learning unterschieden,^{<a href="#fn1">[449]</a>} wobei in der Praxis am häufigsten das supervised learning, also das überwachte Lernen mit annotierten Beispielen und anschließender Kontrolle, angewendet wird^{<a href="#fn1">[450]</a>}.
Künstliche neuronale Netze sind den biologischen Nervenzellen nachempfunden.^{<a href="#fn1">[451]</a>} Ein künstliches Neuron besteht aus einer Eingabe, von der aus der aufgenommene Reiz über einstellbar gewichtete Verbindungen an die Übertragungsfunktion weitergeleitet wird. Das Ergebnis der Übertragungsfunktion bildet den Ausgangswert für die nachfolgende Aktivierungsfunktion. Der aus der Aktivierungsfunktion berechnete Wert entspricht der Ausgabe.^{<a href="#fn1">[452]</a>} Innerhalb eines künstlichen neuronalen Netzes sind mehrere dieser künstlichen Neuronen, in diversen Schichten jeweils unterschiedlich gewichtet, miteinander verbunden. Die Eingabeschicht besteht dabei aus Neuronen, welche die zu untersuchenden Merkmale repräsentieren. Innerhalb der beliebig vielen verdeckten Schichten werden die Ergebnisse weiter gefiltert, bis sie in der Ausgabeschicht als Ausgabewert angegeben werden.^{<a href="#fn1">[453]</a>} Ein derart strukturiertes neuronales Netz kann fortan durch Trainingsdaten trainiert werden, indem der durch das neuro-nale Netz erzeugte Output mit dem erwarteten Output verglichen wird und ge-gebenenfalls Anpassungen an den unterschiedlichen Gewichtungen und der Anordnung bzw. Anzahl der einzelnen Schichten vorgenommen werden.^{<a href="#fn1">[454]</a>}
<div id="fn1">[440] Görz/Wachsmuth, in: Görz/Rollinger/Schneeberger Handbuch der Künstlichen Intelligenz, S. 1; Görz/Nebel, in: Görz/Nebel Künstliche Intelligenz, S. 6 f.
<div id="fn1">[441] Görz/Wachsmuth, in: Görz/Rollinger/Schneeberger Handbuch der Künstlichen Intelligenz, S. 1.
<div id="fn1">[442] Näher: Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TensorFlow.js, S. 19 ff.
<div id="fn1">[443] Görz/Wachsmuth, in: Görz/Rollinger/Schneeberger Handbuch der Künstlichen Intelligenz, S. 12 f; Görz, in: Görz Einführung in die Künstliche Intelligenz, S. 885; Görz/Nebel, in: Görz/Nebel Künstliche Intelligenz, S. 42 ff.
<div id="fn1">[444] Vgl. Herberger, „Künstliche Intelligenz“ und Recht, NJW 2018, 2825, 2825 f; Specht, Zum Verhältnis von (Urheber-) Recht und Technik, GRUR 2019, 253, 253.
<div id="fn1">[445] Söbbing, in: Söbbing Fundamentale Rechtsfragen zur künstlichen Intelligenz: (AI Law), S. 6.
<div id="fn1">[447] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TensorFlow.js, S. 17.
<div id="fn1">[448] Buxmann/Schmidt, in: Buxmann/Schmidt Künstliche Intelligenz, S. 8; Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 29 f; Ohst, in: Ohst Computerprogramm und Datenbank, S. 200.
<div id="fn1">[449] Buxmann/Schmidt, in: Buxmann/Schmidt Künstliche Intelligenz, S. 9 ff; Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 34 ff.
<div id="fn1">[450] Buxmann/Schmidt, in: Buxmann/Schmidt Künstliche Intelligenz, S. 12.
<div id="fn1">[451] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 57.
<div id="fn1">[452] Vgl. Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 59 f; für eine detailierte Darstellung der mathematischen Funktionsweise siehe: Görz, in: Görz Einführung in die künstliche Intelligenz, S. 841 ff.
<div id="fn1">[453] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 61 f.
<div id="fn1">[454] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 63 ff.
<div id="fn1">[455] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TensorFlow.js, S. 176 ff, 191 ff; Ehinger/Stiemerling, Die urheberrechtliche Schutzfähigkeit von Künstlicher Intelligenz am Beispiel von Neuronalen Netzen, CR 2018, 761, 763 f.

[Zu C.I. Der Schutz von Künstlicher Intelligenz nach dem Urheberrecht](https://npr.hs-schmalkalden.de/CategoryI.DerSchutzvonKünstlicherIntelligenznachdemUrheberrecht)

# C. Der rechtliche Schutz von Künstlicher Intelligent

Als „Künstliche Intelligenz“ wird ein breites interdisziplinäres Fachgebiet bezeichnet, welches darauf abzielt, die menschliche Wahrnehmungs- sowie Verstandesleistung mittels technischer Systeme zu imitieren.^{<a href="#fn1">[440]</a>} Neben der Informatik sind dem Fachgebiet der Künstlichen Intelligenz ebenso philosophische, linguistische, psychologische und neurowissenschaftliche Bereiche zugehörig, da nur aus dem Zusammenspiel dieser Wissenschaftsdisziplinen Berechnungsverfahren untersucht und erstellt werden können, die zum Wahrnehmen, Schlussfolgern und Handeln fähig sind.^{<a href="#fn1">[441]</a>}

Künstliche Intelligenz lässt sich in eine Vielzahl von Teilbereichen untergliedern. Zu den grundlegenden Theorien und Methoden gehören beispielsweise künstliche neuronale Netze und maschinelles Lernen. Zu den weiterführenden Methoden und Anwendungsbereichen lassen sich unter anderem die Verarbeitung der natürlichen Sprache bzw. von Bildern,^{<a href="#fn1">[442]</a>} kognitive Robotik und Soft-ware-Agenten zählen.^{<a href="#fn1">[443]</a>}

Bereits dieser kleine Ausschnitt des Fachgebiets Künstlicher Intelligenz belegt, dass der Begriff der „Künstlichen Intelligenz“ wenig präzise ist.^{<a href="#fn1">[444]</a>} Aus juristi-scher Betrachtungsweise ist jedoch festzuhalten, dass Künstliche Intelligenz im Wesentlichen aus Algorithmen besteht.^{<a href="#fn1">[445]</a>} Ein Algorithmus ist eine auf Logik basierende sequentielle Abfolge von eindeutig definierten Handlungsschritten, die nach einer endlichen Anzahl von Schritten bei gleichen Voraussetzungen ein stets gleiches Ergebnis hervorbringen.^{<a href="#fn1">[446]</a>}

Nachfolgende Ausführungen beziehen sich in erster Linie auf das Teilgebiet des maschinellen Lernens bzw. Deep Learning am Beispiel von künstlichen neuro-nalen Netzen. Maschinelles Lernen umfasst Algorithmen, die einen Computer dazu befähigen, bestimmte Strukturen lösungsorientiert zu erkennen und auf spätere Anwendungsfälle zu übertragen.^{<a href="#fn1">[447]</a>} Dies führt dazu, dass Softwareprogrammierer nicht mehr alle Parameter explizit codieren müssen, sondern dass Algorithmen anhand von Trainingsdaten in die Lage versetzt werden, die für die jeweilige Aufgabe erforderlichen Parameter selbstständig zu erlernen.^{<a href="#fn1">[448]</a>} Beim maschinellen Lernen wird in der Praxis abhängig von der Durchführung zwischen supervised learning, unsupervised learning und reinforcement learning unterschieden,^{<a href="#fn1">[449]</a>} wobei in der Praxis am häufigsten das supervised learning, also das überwachte Lernen mit annotierten Beispielen und anschließender Kontrolle, angewendet wird^{<a href="#fn1">[450]</a>}.

Künstliche neuronale Netze sind den biologischen Nervenzellen nachempfunden.^{<a href="#fn1">[451]</a>} Ein künstliches Neuron besteht aus einer Eingabe, von der aus der aufgenommene Reiz über einstellbar gewichtete Verbindungen an die Übertragungsfunktion weitergeleitet wird. Das Ergebnis der Übertragungsfunktion bildet den Ausgangswert für die nachfolgende Aktivierungsfunktion. Der aus der Aktivierungsfunktion berechnete Wert entspricht der Ausgabe.^{<a href="#fn1">[452]</a>} Innerhalb eines künstlichen neuronalen Netzes sind mehrere dieser künstlichen Neuronen, in diversen Schichten jeweils unterschiedlich gewichtet, miteinander verbunden. Die Eingabeschicht besteht dabei aus Neuronen, welche die zu untersuchenden Merkmale repräsentieren. Innerhalb der beliebig vielen verdeckten Schichten werden die Ergebnisse weiter gefiltert, bis sie in der Ausgabeschicht als Ausgabewert angegeben werden.^{<a href="#fn1">[453]</a>} Ein derart strukturiertes neuronales Netz kann fortan durch Trainingsdaten trainiert werden, indem der durch das neuro-nale Netz erzeugte Output mit dem erwarteten Output verglichen wird und ge-gebenenfalls Anpassungen an den unterschiedlichen Gewichtungen und der Anordnung bzw. Anzahl der einzelnen Schichten vorgenommen werden.^{<a href="#fn1">[454]</a>}

Die Programmierung eines neuronalen Netzes innerhalb der Frameworks TensorFlow und Keras umfasst üblicherweise die nachfolgenden Schritte:

Als erstes muss das grundlegende Modell generiert werden. Dieser Arbeitsschritt umfasst neben der Bestimmung der zu untersuchenden Merkmale/Klassen auch die Definition der Netzstruktur. So wird beispielsweise im Quellcode festgelegt, aus wie vielen Schichten und Neuronen das neuronale Netz bestehen soll. Im zweiten Schritt werden essenzielle Funktionsalgorithmen eingefügt, durch die unter anderem auch die Lernfähigkeit des neuronalen Netzes implementiert wird. Dies geschieht im Wesentlichen dadurch, dass zunächst mittels bestimmter Operationsfunktionen der Output des neuronalen Netzes überprüft wird und anschließend die Vernetzungsgewichtungen der einzelnen Neuronen durch eine Optimierungsfunktion angepasst werden. Wurden diese Funktionen in den Code aufgenommen, kann das neuronale Netz im letzten Schritt mit Trainingsdaten trainiert werden. Die durch das Training erzeugte Dateianpassung – das heißt die optimierten Verbindungsgewichtungen zwischen den Neuronen der einzelnen Schichten – kann sodann gespeichert und vervielfältigt werden.^{<a href="#fn1">[455]</a>}

**Fußnoten**

<div id="fn1">[440] Görz/Wachsmuth, in: Görz/Rollinger/Schneeberger Handbuch der Künstlichen Intelligenz, S. 1; Görz/Nebel, in: Görz/Nebel Künstliche Intelligenz, S. 6 f.
<div id="fn1">[441] Görz/Wachsmuth, in: Görz/Rollinger/Schneeberger Handbuch der Künstlichen Intelligenz, S. 1.
<div id="fn1">[442] Näher: Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TensorFlow.js, S. 19 ff.
<div id="fn1">[443] Görz/Wachsmuth, in: Görz/Rollinger/Schneeberger Handbuch der Künstlichen Intelligenz, S. 12 f; Görz, in: Görz Einführung in die Künstliche Intelligenz, S. 885; Görz/Nebel, in: Görz/Nebel Künstliche Intelligenz, S. 42 ff.
<div id="fn1">[444] Vgl. Herberger, „Künstliche Intelligenz“ und Recht, NJW 2018, 2825, 2825 f; Specht, Zum Verhältnis von (Urheber-) Recht und Technik, GRUR 2019, 253, 253.
<div id="fn1">[445] Söbbing, in: Söbbing Fundamentale Rechtsfragen zur künstlichen Intelligenz: (AI Law), S. 6.
<div id="fn1">[446] Scheja, Schutz von Algorithmen in Big Data Anwendungen, CR 2018, 485, 486; Söbbing, in: Söbbing Fundamentale Rechtsfragen zur künstlichen Intelligenz: (AI Law), S. 6 ff.
<div id="fn1">[447] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TensorFlow.js, S. 17.
<div id="fn1">[448] Buxmann/Schmidt, in: Buxmann/Schmidt Künstliche Intelligenz, S. 8; Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 29 f; Ohst, in: Ohst Computerprogramm und Datenbank, S. 200.
<div id="fn1">[449] Buxmann/Schmidt, in: Buxmann/Schmidt Künstliche Intelligenz, S. 9 ff; Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 34 ff.
<div id="fn1">[450] Buxmann/Schmidt, in: Buxmann/Schmidt Künstliche Intelligenz, S. 12.
<div id="fn1">[451] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 57.
<div id="fn1">[452] Vgl. Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 59 f; für eine detailierte Darstellung der mathematischen Funktionsweise siehe: Görz, in: Görz Einführung in die künstliche Intelligenz, S. 841 ff.
<div id="fn1">[453] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 61 f.
<div id="fn1">[454] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TernsorFlow.js, S. 63 ff.
<div id="fn1">[455] Deru/Ndiaye, in: Deru/Ndiaye Deep Learning mit TensorFlow, Keras und TensorFlow.js, S. 176 ff, 191 ff; Ehinger/Stiemerling, Die urheberrechtliche Schutzfähigkeit von Künstlicher Intelligenz am Beispiel von Neuronalen Netzen, CR 2018, 761, 763 f.

# C. Der rechtliche Schutz von Künstlicher Intelligent

# C. Der rechtliche Schutz von Künstlicher Intelligent

Der rechtliche Schutz von Künstlicher Intelligent

Der rechtliche Schutz von Künstlicher Intelligent