Aber es gibt auch ein großes Problem nämlich dass es kaum eine Regel ohne Ausnahme gibt So gilt beispiels weise im vermeintlich einfachen Fall des Widerrufsrechts dass geöffnete Hygieneprodukte oder Maßanfertigungen vom Umtausch ausgeschlossen sind In anderen Berei chen wie der Haftungsbegrenzung sind die Regeln noch komplizierter und es ist nahezu unmöglich sie umfas send und für den Computer verständlich aufzubereiten Aus diesen Gründen wählten wir einen anderen Ansatz und zwar den des maschinellen Lernens Dabei werden keine fest programmierten Regeln vorgegeben Stattdessen lernt das Programm auf der Basis entsprechender Beispiele Füttert man es etwa mit zahlreichen Klauseln zum Thema Widerrufsrecht und deren juristischer Einordnung ob diese gültig oder ungültig sind kann der Computer diese statistisch auswerten Hat er genügend viele Beispiele be arbeitet kann er daraus eigene Regeln ableiten Wenn also eine Klausel ein Rückgaberecht ausschließt und damit auf den ersten Blick ungültig ist wird der KI Algorithmus aufgrund seiner Erfahrungen weiter differenzieren Erkennt er dass es um Hygieneprodukte geht wird der Algorithmus die Klausel also nicht beanstanden Damit dies funktioniert muss die Datengrundlage Hunderte besser Tausende Beispiele umfassen Dank einer Förderung des Bundesministeriums der Justiz und für Verbraucherschutz konnten Jurist innen der Ver braucherzentralen in monatelanger Arbeit weit über tausend Klauseln für uns aufbereiten Überraschender weise erwies sich schon bei dieser ersten Analyse jede 20 Klausel als rechtswidrig Einige Verstöße waren so eklatant dass die Verbraucherzentralen juristische Schritte einleiteten Viele Unternehmen legen zum Bei spiel pauschale überhöhte Mahngebühren fest Klauseln die eine automatische Preiserhöhung bei Abodiensten vorsehen waren fast alle rechtswidrig Mit den Daten trainierten wir sogenannte Transformer modelle Diese erlernen zunächst anhand riesiger Daten mengen die Grundlage der deutschen Sprache So kön nen sie zum Beispiel durch das Lesen von Nachrichten lernen welche Wörter eine ähnliche Bedeutung haben etwa solche die häufig im selben Kontext auftauchen Aus Sätzen wie Der Bundeskanzler hat sein Büro im Bundeskanzleramt und Der Regierungschef sitzt im Bundeskanzleramt lässt sich ableiten dass die Wörter Bundeskanzler und Regierungschef analog verwendet werden Nur bearbeiten die Transformermodelle nicht zwei sondern Millionen von Sätzen Erst danach werden sie zusätzlich mit den von den Expert innen bewerteten Daten gefüttert Mit diesem zweistufigen Lernverfahren entwickelten wir ein Modell das in 90 Prozent der Fälle korrekt erkennt ob eine Klausel gültig ist oder nicht Für die praktische Anwendung in Verbraucherzentralen integrierten wir dieses Modell in eine Software Sie unterstützt nicht nur diesen juristischen Analyseschritt sondern kann mit der selben Technologie auch AGB Seiten im Internet automa tisch aufspüren und Klauseln thematisch sortieren KLARTEXT 2022 So einsam wie es hier scheint ist Daniel Brauns Arbeit nicht Im Gegenteil Sie ist in hohem Maße interdisziplinär Ziel seiner Forschung ist die KI Algorith men zum Wohle von Ver braucher innen einzusetzen A nn et te M ue ck 30

Hinweis: Dies ist eine maschinenlesbare No-Flash Ansicht.
Klicken Sie hier um zur Online-Version zu gelangen.