Alexander Rossner; Manja Kuhn; Jens Fisseler, Fabian März; Volker Denkel; Joachim Köhler, Marcel Hauck; Sven Pagel: Medienunternehmen stehen zunehmend vor der Herausforderung, aus ihren bestehenden Archiven geeigneten Content für ihre Zuschauer:innen zur Verfügung zu stellen. Die Kuration von Media Assets, also das Zusammenstellen von thematisch ähnlichen Inhalten, basiert größtenteils auf subjektiven Erfahrungen und Einschätzungen von zum Beispiel Redakteur:innen, Programmplaner:innen und Content Manager:innen. Verfahren der Künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) können dabei helfen, inhaltlich ähnliche Assets zu identifizieren, um die Kuration datenbasiert zu unterstützen. Im vom BMWK geförderten Forschungsprojekt „AI4MediaData“ (siehe Beitrag in Ausgabe 10/2022) wurde dafür im Teilprojekt „Asset Match“ ein Ansatz entwickelt, der auf Basis von Word-Embeddings inhaltliche Empfehlungen für Mitarbeiter:innen von Medienunternehmen erzeugt. Durch die kontinuierliche Einbindung von potenziellen Nutzer:innen eines Medienpartners (Anforderungsanalyse, Konzeption, Validierung) konnte sichergestellt werden, dass die prototypische Pilotanwendung nutzerzentriert entwickelt wird. Dieser Beitrag ist der zweite von insgesamt drei Beiträgen einer Publikationsreihe zum Forschungsprojekt „AI4MediaData“1) (Ausgabe 10/2022) mit den beiden Teilprojekten „Asset Match“ (Ausgabe 11/2022) und „Highlight Search“ (Ausgabe 12/2022).