In den letzten Jahren sind immer wieder aufsehen erregende Kunstfälschungen bekannt geworden, wie zum Beispiel der Kölner Prozess um Wolfgang Beltracchi von 2011 oder der Wiesbadener Prozess Anfang dieses Jahres. Gerade dieser hat gezeigt, dass für die Justiz eine entsprechende Beweisführung sehr schwer ist, da sie oft auf die Gutachten von Kunstexperten angewiesen ist. Im Wiesbadener Prozess hat sich gezeigt, dass es zwar auf Basis von Abhörprotokollen und Materialproben zu Verurteilungen kommen kann, aber die Gutachten der Experten wenig brauchbar sind, da sich diese häufig widersprechen und keine einheitlichen Urteile zustande kommen. Kann hier mittels AI-Technologie Abhilfe geschaffen werden?
Ein Ende 2017 veröffentlichtes Paper (https://arxiv.org/pdf/1711.03536.pdf) präsentiert einen Ansatz, der durch Analyse der Striche der Künstler versucht Fälschungen zu erkennen. Dabei werden die Bilder in einzelne Striche zerlegt, und die Kunstwerke dann auf Basis von in der Arbeit entwickelten Merkmalen mit unterschiedlichen Klassifikationsverfahren in echte und unechte unterteilt. Es wurden 300 digitalisierte Zeichnungen bestehend aus 80.000 Strichen von Künstlern wie Pablo Picasso, Henry Matisse, und Egon Schiele untersucht. Dabei wurde eine Genauigkeit von über 80% erreicht, die für Gerichtsverfahren jedoch sicher noch nicht ausreichend ist.
Interessant wäre es sicher hier einen Deep Learning Ansatz zu versuchen, der versucht die Merkmale selbst aus den Daten zu extrahieren. Dazu wäre es jedoch nicht nur nötig viel mehr digitalisierte Bilder für das Training des Verfahrens zu verwenden, sondern diese müssen für ein “Supervised Learning” auch zuverlässig als Fake oder nicht Fake gekennzeichnet sein. Das wäre aber auch eine mögliche Schwachstelle eines derartigen Systems. Kunstfälscher könnten versuchen, gezielt falsche Daten in die Datenbanken derartiger Systeme ein zu schleusen, um mit ihrem Betrug dann von der Software nicht entdeckt zu werden.
All diese Ansätze haben aber sicher ihre Grenzen und können nur in begrenzten Szenarien eingesetzt werden. Wie soll zum Beispiel ein System zuverlässig einen Künstlers erkennen, wenn dieser im Laufe seines Lebens den Stil stark verändert?
