Kurz-Fakten
- Zu trennen sind Eingabe und Ausgabe: Bildverstehen und Bilderzeugung sind verschiedene Fähigkeiten
- Bilder werden in Token umgerechnet; ein Foto kann so viel Kontext belegen wie mehrere Seiten Text
- Ein gescanntes Dokument als Bild einzugeben, ist bequemer und teurer als vorher ausgelesener Text
- Die Erkennung von Schrift in Bildern gelingt gut bei sauberen Vorlagen und unzuverlässig bei Handschrift
- Ein Bild enthält regelmäßig mehr als beabsichtigt – Hintergrund, Gesichter, Bildschirminhalte, eingebettete Metadaten
Bedeutung in der Praxis
Der letzte Punkt ist der datenschutzrechtlich wichtigste und wird beim Ausprobieren fast immer übersehen. Wer ein Foto eines Formulars aufnimmt, gibt regelmäßig auch den Schreibtisch mit, auf dem es liegt. Bei einem Bildschirmfoto sind es die geöffnete Nachbaranwendung, der Dateiname in der Leiste und die Benachrichtigung oben rechts. Eine Hausregel für Bilder gehört deshalb neben die für Texte.
Praktisch bewährt sich außerdem, den Umweg über das Bild zu vermeiden, wo es geht: Ein Text, der als Text vorliegt, ist billiger, genauer und besser prüfbar als derselbe Text als Foto. Multimodal ist ein Gewinn dort, wo die Information tatsächlich im Bild steckt – ein Diagramm, ein Fehlerbild, ein Schadensfoto.