Hanna Lukashevich
M.Sc. Hanna Lukashevich ist Leiterin der Forschungsgruppe Semantic Media Technologies am Fraunhofer-Institut für Digitale Medientechnologie IDMT in Ilmenau, Deutschland. Nach ihrem Abschluss als Master of Science in Statistischer Radiophysik an der Belarussischen Staatlichen Universität in Minsk, Belarus, trat sie 2006 dem Fraunhofer IDMT bei. Seit 2014 verantwortet sie die Forschungsaktivitäten im Bereich Music and Audio Intelligence und leitet heute ein interdisziplinäres Team, das KI-Technologien für die semantische Medienanalyse entwickelt.
Seit nahezu zwei Jahrzehnten konzentriert sich ihre wissenschaftliche Arbeit auf Music Information Retrieval (MIR), automatische Musikanalyse, Audiosignalverarbeitung, maschinelles Lernen sowie generative KI für Musik. Sie leitete die Entwicklung von Technologien zur Musikerkennung, Ähnlichkeitsanalyse, Empfehlung, Metadatenextraktion und semantischen Analyse musikalischer Werke in großem Umfang. Ziel ihrer Forschung ist es, computergestützte Methoden, musikwissenschaftliches Wissen und praktische Industrieanwendungen miteinander zu verbinden, um Maschinen die Analyse musikalischer Strukturen, stilistischer Merkmale, inhaltlicher Ähnlichkeiten sowie ihrer wechselseitigen Beziehungen in großem Maßstab zu ermöglichen.
In den vergangenen Jahren hat sie sich verstärkt den Herausforderungen gewidmet, die generative KI für das Musikökosystem mit sich bringt. Im Mittelpunkt stehen dabei Fragen der Transparenz, Provenienz, Attribution und fairen Vergütung. Ihre Forschung untersucht, wie Methoden aus Music Information Retrieval, Musikinformatik, Metadatenanalyse und Explainable AI zu transparenten und nachvollziehbaren Attributionsmodellen für generative KI beitragen können. Durch die Analyse musikalischer Merkmale wie Rhythmus, Harmonie, Melodie, Instrumentierung, Komplexität, Einzigartigkeit und Ähnlichkeit sollen Beziehungen zwischen musikalischen Werken quantifiziert und evidenzbasierte Mechanismen für Attribution, Provenienznachverfolgung und Wertschöpfungsverteilung geschaffen werden, die für Kreative, Rechteinhaber und Technologieanbieter gleichermaßen verständlich sind.
Als Panelistin im Panel „From Training Data to Rights Holder: Closing the Attribution Gap“ bringt sie eine technische und wissenschaftliche Perspektive darauf ein, wie Fortschritte in der Musikanalyse, der Bewertung musikalischer Ähnlichkeit, der Metadatentechnologie und der Explainable AI faire, transparente und skalierbare Attributionsmodelle für die Musikindustrie der Zukunft unterstützen können.
