# Objekt-Bestimmung — Workshop-Demo **Workshop:** *Kann KI kulturgeschichtliche Objekte bestimmen — und was brauchte es dafür?* **Ort/Datum:** Salzburg, 20.04.2026 **Zielgruppe:** Museumsfachleute ohne ML-Kenntnisse --- ## English Abstract Static-site demo and teaching material for a one-day workshop on AI-assisted object classification in ethnographic museum collections. 245 curated objects from the Volkskundliche Sammlung of the Landessammlungen Niederösterreich are classified by Gemini 3.1 Flash-Lite in two modes — **blind** (image only) and **enriched** (image plus existing metadata) — and compared side-by-side with the original catalog record. A stronger model (Gemini 3.1 Pro) then acts as a **Corrector**: it reviews the enriched output, produces the final collection-ready classification and description, lists the corrections it applied, and flags cases where the assignment cannot be derived from image and metadata alone (curator review needed). The pipeline is precomputed offline; the browser tool is vanilla HTML/CSS/JS, runs fully offline, and is deployable to GitHub Pages without configuration. Data attribution: [Landessammlungen Niederösterreich](https://online.landessammlungen-noe.at), **CC BY-NC 4.0** — code released under the **MIT License**. --- ## Was ist das? Ein zweiteiliges System aus einer Python-Offline-Pipeline und einem browserbasierten Vergleichs-Viewer. Ziel: Museumsfachleuten ohne ML-Vorwissen zu zeigen, was ein aktueller Vision-LLM aus einem Objektfoto plus Sammlungsmetadaten ableiten kann — und wo die Grenzen liegen. Besonders didaktisch wichtig sind die **Sammlungs-Eigenheiten**: Fälle, in denen die KI-Antwort visuell und sprachlich korrekt ist, aber trotzdem von der Originalzuordnung abweicht, weil die Sammlung eine interne Konvention hat (z.B. *Totschläger* als Fischerei-Zubehör, nicht als Waffe). Drei parallele Workflows (Details in [`knowledge/workflows.md`](knowledge/workflows.md)): 1. **Nur Foto** (Workflow A) — das Vision-LLM sieht nur das Foto. 2. **Foto + Metadaten** (Workflow B) — das Vision-LLM sieht das Foto plus die bestehenden Sammlungs-Metadaten (Objektname, Material, Maße, Datierung). 3. **Korrektur** (Workflow C) — ein stärkeres Modell (Gemini 3.1 Pro) prüft die Arbeit des Vision-LLM aus Workflow B und liefert die finale, sammlungsreife Fassung: Klassifikation, Beschreibung, Liste der vorgenommenen Korrekturen, und ein Flag für kuratorische Prüfung, wenn die Zuordnung aus Evidenz allein nicht eindeutig erschließbar ist. Die Architektur ist bewusst pre-computed statt Live-API: Der Bildserver der Landessammlungen NÖ sendet keine CORS-Header, und ein fehlschlagender Live-Call am Workshop-Tag wäre katastrophal. Details zur Begründung stehen in [`knowledge/requirements.md`](knowledge/requirements.md) unter ADR-1. ## Frontend öffnen **GitHub Pages:** **Lokal:** ```sh # Im Repo-Root: python -m http.server 8000 # Dann http://localhost:8000 im Browser öffnen. ``` Alternativ die „Live Server"-Extension in VS Code verwenden. Kein Build-Step, kein `npm install`, keine externen Abhängigkeiten. ## Pipeline reproduzieren Die Daten-JSONs unter `data/json/` und die Bilder unter `assets/img/` sind bereits committet — die Pipeline muss für den Betrieb der Demo **nicht** laufen. Sie dient der Nachvollziehbarkeit und als Lehrmaterial. Anleitung und Script-Reihenfolge in [`scripts/README.md`](scripts/README.md). Voraussetzungen: Python 3.10+, ein Gemini-API-Key in `.env` im Repo-Root, und `pip install -r scripts/requirements.txt`. ## Projekt-Knowledge Alle stabilen Entscheidungen, Datenquellen und Anforderungen leben unter [`knowledge/`](knowledge/README.md). Dort findest du auch das chronologische Entscheidungsjournal, das Arbeitstagebuch der Prompt-Iterationen und den Workflow-Guide. ## Urheberrecht und Lizenz **Daten und Bilder:** Volkskundliche Sammlung der Landessammlungen Niederösterreich, , **CC BY-NC 4.0** (Creative Commons Attribution-NonCommercial 4.0 International). Attribution ist Pflicht, kommerzielle Nutzung ausgeschlossen. Die einzelnen `license`-Felder stehen in `data/json/originals.json` pro Objekt. **Code:** **MIT License.** Der Code dieses Repos ist frei verwendbar und modifizierbar. Die separate Lizenz für Code und Daten bedeutet: Wer den Code übernimmt und mit eigenen Daten benutzt, tut das unter MIT; die Landessammlungs-Daten bleiben unabhängig davon unter CC BY-NC 4.0. Eine separate `LICENSE`-Datei ist optional und nicht Teil dieses Commits — der Lizenz-Hinweis oben ist die verbindliche Angabe. ## Disclaimer Dies ist eine Lehr- und Demo-Site für einen einmaligen Workshop-Vortrag, keine Produktivsoftware. Keine Gewähr auf die Richtigkeit der KI-generierten Beschreibungen, Thesaurus-Zuordnungen oder Korrektur-Fassungen. Die Originalklassifikationen der Landessammlungen NÖ sind die einzige belastbare Referenz. ## Licence The code in this repository is released under the MIT Licence (see `LICENSE`). Documentation, knowledge documents, and other textual content are licensed under CC BY 4.0. Third-party research data is excluded from these terms; the object data and images are those of the Volkskundliche Sammlung der Landessammlungen Niederösterreich (CC BY-NC 4.0), whose rights remain with that institution. See the section *Urheberrecht und Lizenz* above for the per-object detail.