Alle Redaktionen dieser Welt sitzen auf einem Datenschatz, den sie gerne maximal verwerten möchten: journalistisch geprüfte Inhalte auf Textbasis wie beispielsweise News-Artikel, Podcasts, Videobeiträge oder Social-Media-Posts. Während die Textbasis gleich bleibt, besteht die redaktionelle Arbeit oft darin, diese Inhalte ohne Qualitätsverlust in neue Formate zu überführen. Aus einem News-Artikel soll ein Social-Media-Post mit einer eigenen Text- und Bildsprache werden, ein Videomanuskript soll auch als lesbarer Artikel online erscheinen und muss entsprechend bebildert und textlich angepasst werden. Nicht zuletzt sollen vorhandene Inhalte für ansprechende Themenseiten aufbereitet und aggregiert werden.
Die Erstellung dieser Content-Formate erfolgt in der Regel auf Basis klar definierter Vorlagen (Templates), die redaktionell mit Inhalten aus journalistisch gesicherten Datenquellen befüllt werden (Text, Bild, Audio, Video, Grafik). Gemeinsam mit den Anwendungspartnern Deutsche Welle (DW) und dpa Deutsche Presse-Agentur arbeiten wir daran, den kompletten Workflow von der Recherche, über die Auswahl und Überarbeitung von Content (Textkürzungen, Überschriften, stilistische Anpassungen etc.) bis hin zum automatischen Befüllen mit Hilfe von GenKI-Technologien zu unterstützen.

Anwendungsbeispiele

Beim Anwendungspartner DW stehen insbesondere Transformationsprozesse im Vordergrund. Aus Manuskripten für Audio- und Videoproduktionen sollen – ergänzt durch gesichertes Material aus der Recherche (z. B. Bilder und andere O-Töne) – Artikel für das Online-Angebot auf DW.com werden. Bei der dpa geht es darum, vorhandene dpa-Artikel in vordefinierte Layouts einlaufen zu lassen. Texte aus dem dpa-Archiv sollen ergänzt um eigenes Bildmaterial zu kompletten Themenseiten für grafisch ansprechende Printprodukte aggregiert werden.
Die bisher aus den Anwendungsbeispielen abgeleiteten Anforderungen (Quellenprovenienz, Quellentreue der Texte, Bildeempfehlungen, Mehrsprachigkeit, kontextbasierte Generierung von Überschriften, Bildbeschreibungen oder Quizzes) haben sich als hochgeeignet erwiesen, um einen KI-Assistenten zu entwickeln, der möglichst generisch und flexibel anpassbar ist.

Assistent zur Generierung multimodaler Medienformate für Kultur, Politik, Bildung

Grundsätzlich ist der Assistent darauf ausgelegt, Redaktionen bei der Erstellung qualitativ hochwertiger, multimodaler Content-Bausteine für seriöse Informations- und Bildungsangebote zu unterstützen. Vor dem Hintergrund heterogener Systemlandschaften unserer Anwendungspartner mit unterschiedlichen Archiv- und Redaktionssystemen wurde die Software so ausgelegt, dass sie sich über entsprechende APIs einfach in vorhandene Systeme und Workflows integrieren lässt.
Es wurden modulare Softwarekomponenten entwickelt, die sich für unterschiedliche Szenarien in einem Demonstrator integrieren lassen. Darüber hinaus wurden spezielle Komponenten zur redaktionellen Evaluation der Textgenerierungsfähigkeiten von LLMs entwickelt (siehe DFKI).

User Interface und Workflow

Der aktuelle Softwaredemonstrator wird über einen klassischen Chatbot-Client mit natürlich-sprachlichen Kommandos bedient. Als Client-Software kommt die Open-Source-Software LibreChat zum Einsatz. Über das User Interface des Chatbot können die User in angebundenen Medienarchiven recherchieren, passende Inhalte auswählen und den KI-gesteuerten Prozess zur automatischen Befüllung von Templates starten. Dazu generiert das System (Template Server) eine Vorschauseite, die sich einfach über den Browser öffnen und im Split-Screen-Modus editieren lässt. Inhalte lassen sich direkt im Vorschaufenster, aber auch über Chatkommandos überprüfen und bearbeiten. Ebenso können Inhalte auf Basis neuer Quellen ausgetauscht werden. Gleichzeitig integriert die Vorschau Funktionalitäten zum Quellenvergleich (Originaltexte mit generierten Texten). So wird nachvollziehbar, auf welcher Quellenbasis die Templates befüllt worden sind.

Template Server

Neben der Funktionalität zur Generierung von Vorschauseiten (Template-Instanzen) stellt der Template Server den Nutzern auch eine Bibliothek bereit, über die kuratierte Vorlagen eingestellt und verwaltet werden können (Template Dashboard). Kuratierte Templates sind Vorlagen, die auf Basis strenger Vorgaben zu Inhaltsformaten und Layout programmiert werden. Dazu gehören definierte Content-Elemente wie Überschriften, Teaser, Textboxen mit Angaben zu Textlänge, aber auch grafische Elemente und Angaben zur Positionierung im Layout.

Systemarchitektur

Ziel des anvisierten KI-Assistenten ist es, möglichst agnostisch im Hinblick auf KI-Modelle und agentische Systeme (runtime) zu sein. Dabei handelt es sich um ein MCP-basiertes Client-Server-Modell. Dabei wird das MCP-Protokoll genutzt, um Tools zur Interaktion mit Datenquellen, aber auch mit dem Template-Server bereitzustellen. So ist es möglich, Template-Instanzen (Seiten) anzulegen und dynamisch mit Inhalten zu befüllen. Darüber hinaus können zusätzliche Funktionalitäten eingebunden werden, wie beispielsweise ein dediziertes Tool zum Kürzen von Texten auf eine vorgegebene Zeichenanzahl.

Perspektiven

Derzeit ist das System so aufgebaut, dass im Template-Server vorkonfigurierte Vorlagen gespeichert und benutzt werden können. Perspektivisch soll es möglich sein, nicht nur die Vorlagen mit Hilfe von GenKI-Technologien zu befüllen, sondern auch die Templates selbst auf Basis von branchenüblichen Formaten wie InDesign, HTML oder auch Screenshots automatisch zu erstellen.