Trevor Paglen (geboren 1974) ist ein US-amerikanischer Künstler und Geograf, dessen Arbeiten Überwachungsinfrastruktur, geheime Militäranlagen und die Kategorien maschineller Bildverarbeitung sichtbar machen. Mit Kate Crawford verfasste er 2019 Excavating AI.
Zusammenfassung
Paglens Verfahren ist über die Werkgruppen hinweg dasselbe: Er nimmt eine Infrastruktur, die auf Unsichtbarkeit angelegt ist, und stellt sie aus. Anfangs waren das Militärbasen und Aufklärungssatelliten, später die Trainingsdaten und Klassifikationen lernender Systeme.
Diese Verschiebung ist folgerichtig. In beiden Fällen geht es um Apparate, die beobachten, ohne beobachtet zu werden – und deren Wirkung davon abhängt, dass niemand ihre Voraussetzungen prüft.
Sein wirksamster Beitrag zur KI-Debatte war keine Fotografie, sondern eine Netzinstallation: ImageNet Roulette führte 2019 vor, mit welchen Kategorien einer der wichtigsten Trainingsdatensätze Menschen belegte.
Biografie
Paglen wurde 1974 in Camp Springs, Maryland, geboren. Er studierte zunächst Religionswissenschaft an der University of California, Berkeley, und schloss 1998 ab; 2002 folgte ein künstlerischer Abschluss an der School of the Art Institute of Chicago.
2008 promovierte er in Geographie erneut in Berkeley – eine Fächerkombination, die sein Werk erklärt: Die Arbeiten sind zugleich Feldforschung über Räume und Bilder über deren Unzugänglichkeit.
2017 erhielt er ein MacArthur-Stipendium. Er lebt und arbeitet in Berlin.
Werk
Limit Telephotography (ab 2006). Aufnahmen geheimer Militäranlagen im Südwesten der USA, entstanden mit astronomischer Teleskoptechnik über Entfernungen von vielen Kilometern. Die Bilder sind durch die Luftschichten verzerrt und unscharf – die Unschärfe ist kein Mangel, sondern das Ergebnis der Distanz, auf die der Zugang beschränkt bleibt.
The Last Pictures (2012). Eine Bildplatte mit hundert eingeätzten Fotografien, die in eine Erdumlaufbahn gebracht wurde. Die Arbeit fragt, was von einer Zivilisation übrig bleibt und wer darüber entscheidet, welche hundert Bilder das sein sollen.
Excavating AI (2019). Der gemeinsam mit Kate Crawford verfasste Essay untersucht die Kategoriensysteme großer Bilddatensätze und liest sie als Rückkehr der Physiognomik – der Annahme, aus dem Sichtbaren lasse sich auf Charakter oder Wert schließen.
ImageNet Roulette (2019). Die begleitende Netzinstallation ordnete hochgeladene Porträts den Personenkategorien von ImageNet zu und machte damit öffentlich vorführbar, was der Essay beschrieb. Sie ging nach wenigen Wochen wieder vom Netz.
Rezeption und Wirkung
Die Wirkung von ImageNet Roulette war unmittelbar: Der Personenteilbaum des Datensatzes wurde daraufhin überarbeitet. Eine 2020 vorgelegte Untersuchung stufte 1.593 von 2.832 Kategorien als beleidigend oder unsicher ein; an ihnen hingen über 600.000 Bilder, die entfernt wurden (Yang u. a. 2020).
Bemerkenswert daran ist die Form des Eingriffs. Nicht ein Fachaufsatz bewirkte die Korrektur, sondern eine Anwendung, die jede Person an sich selbst ausprobieren konnte.
Kontroversen und Kritik
Ästhetisierung des Gegenstands. Der wiederkehrende Einwand gegen die frühen Werkgruppen: Bilder von Militäranlagen, die als Kunstwerke schön sind, könnten den Gegenstand eher überhöhen als kritisieren.
Wirkung ohne Dauer. ImageNet Roulette war absichtlich befristet. Ob eine Intervention, die ihre Aufmerksamkeit aus der Empörung über Einzelfälle bezieht, strukturell etwas ändert, ist offen.
Kunst als Prüfverfahren. Die Arbeit ersetzt keine systematische Untersuchung; die belastbaren Zahlen zum ImageNet-Problem lieferten erst nachfolgende Fachaufsätze.
Verwandte Begriffe
- Excavating AI – sein zentraler Text zur KI, mit Kate Crawford
- Kate Crawford – Ko-Autorin und langjährige Mitstreiterin
- Fei-Fei Li – Schöpferin des Datensatzes, den seine Arbeit veränderte
- Algorithmic Bias – das Problem, das die Installation vorführte
Quellenangaben
- Crawford, Kate / Paglen, Trevor, 2019. Excavating AI: The Politics of Images in Machine Learning Training Sets. In: AI & Society (2021) 36, S. 1105–1116. DOI: 10.1007/s00146-021-01162-8.
- Yang, Kaiyu / Qinami, Klint / Fei-Fei, Li / Deng, Jia / Russakovsky, Olga, 2020. Towards Fairer Datasets: Filtering and Balancing the Distribution of the People Subtree in the ImageNet Hierarchy. In: Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency.
- Paglen, Trevor, 2012. The Last Pictures.