Seite - 388 - in Dinge – Nutzer – Netze - Von der Virtualisierung des Musealen zur Musealisierung des Virtuellen

388 | Dinge – Nutzer – Netze grundsätzlich nicht dieselben poetischen Qualitäten, welche analytics-basierte Ran- kingsysteme aufweisen. Google spricht bei der seit 2011 von seinem eigenen Dienst Google Images verwandten inhaltsbasierten Bildersuchmaschine sogar ganz explizit von einer »reverse image search«199 und gibt damit den Vektor der kulturellen An- schlussfähigkeit des auf diese Weise erschlossenen Bildmaterials vor: Bilder lassen sich zu ihren Ursprüngen und damit in ihre Vergangenheit verfolgen, aber nicht in ihre Zukunft projizieren. Ihre Entstehungskontexte (bzw. zumindest jene des digita- len Abbildes) lassen sich ausfindig machen, nicht aber mögliche Zusammenhänge, in die sie sich womöglich stellen ließen. Insofern ist die rückwärtige Bildersuche in ihrer Technizität gewissermaßen das Gegenteil des Imaginären Museums nach Mal- raux: Sie ›entwildert‹ die Semiosen, die sich am Objekt entspinnen können, und sie disassoziiert den virtuellen Gegenstand von seinen Mehrdeutigkeiten. Freilich aber lassen sich reverse image searches mit anderen Suchmaschinen koppeln. Googles Search by Image-Funktion beispielsweise findet nicht nur dem vom Nutzer hochge- ladenen Bild ähnliche Dateien, sondern kann anhand der Webseiten, auf denen diese auftauchen, zugleich Vorschläge bezüglich womöglich relevanter wortbasierter Suchbegriffe unterbreiten.200 Was diese nur scheinbar ›sehenden‹ Bildersuchalgorithmen vor massive Prob- leme stellt ist eben die Kategorie des Objekts. Hash-Codierungen funktionieren sy- noptisch über die Gesamtheit einer Bilddatei hinweg und sind unfähig, individuellen Bildelementen Rechnung zu tragen. Eine Bildersuchmaschine kann zwar erkennen, dass ein Bild von Zebras einem anderen Bild von Zebras informationell ähnelt und durch Korrelation mit Fundseiten einen wahrscheinlichen Zusammenhang mit dem Suchbegriff ›Zebra‹ feststellen, wird aber nicht imstande sein, tatsächlich ein Zebra im Bild zu ›erkennen‹. Anderswo sind entsprechende Technologien bereits im Ein- satz ‒ man denke z.B. an soziale Netzwerke wie Facebook, die in hochgeladenen Fotos z.B. Gesichter zu markieren oder unkenntlich zu machen imstande sind. Bil- dersuchmaschinen müssen allerdings nicht nur mit einer extrem großen Datenmenge umgehen, sondern vor allem auch mit Bildmaterial, das eine enorme Spannweite von Gegenständen abbildet. Dies macht es schwierig, hier Objekterkennungs-Funktiona- litäten einzubinden (vgl. Belongie; Carson; Greenspan u. Malik 1998). Dabei wäre eine solche natürlich ungemein nützlich für die Anwender. Diese su- chen nämlich typischerweise nicht nach Bildern, die bereits vorhandenen Bildern äh- neln, sondern nach Bildern-von-etwas (vgl. ebd.). Objekterkennung würde heißen, dass die Software schriftliche Suchanfragen effektiv auf Bildinformationen übertra- gen könnte ‒ und z.B. das Paisleysche Szenario von der Suche nach allen Objekten 199 Vgl. https://support.google.com/websearch/answer/1325808?hl=en vom 10.01.2016. 200 Vgl. https://www.google.de/imghp?hl=de&tab=wi&ei=Gvm3VtzVHozt6ASRtY14 &ved=0EKouCB QoAQ vom 10.01.2016.