Englisch dominiert die Welt der grossen Sprachmodelle - und das ist ein Problem für alle, die nicht auf Englisch programmieren, dokumentieren oder Fragen stellen. GitHub hat genau hier angesetzt und einen offenen Datensatz veröffentlicht, der Forschern und Entwicklern helfen soll, mehrsprachige Inhalte aus der Softwarewelt systematisch zugänglich zu machen. Es ist ein kleiner Schritt, aber einer, der zeigt, in welche Richtung sich die offene KI-Landschaft bewegt: weg vom englischen Monopol, hin zu mehr sprachlicher Vielfalt im Trainingsmaterial.

Konkret handelt es sich laut GitHub um einen Datensatz auf Repository-Ebene, der unter der Lizenz CC0-1.0 veröffentlicht wurde. CC0 bedeutet: die Inhalte sind faktisch gemeinfrei, jeder darf sie nutzen, verändern und weitergeben, auch kommerziell, ohne Namensnennung. Der Datensatz bündelt Entwicklerinhalte in mehreren Sprachen aus drei typischen Quellen eines Software-Projekts: READMEs (die Einführungstexte, die ein Projekt erklären), Issues (gemeldete Fehler oder Funktionswünsche) und Pull Requests (Vorschläge für Codeänderungen). Veröffentlicht wurde das Material laut Quelle im GitHub Blog im Bereich AI and ML. Wie gross der Datensatz ist, welche Sprachen genau abgedeckt sind und wie viele Repositories einfliessen, geht aus dem vorliegenden Material nicht hervor.

Die Bedeutung liegt weniger in der Grösse als in der Ausrichtung. Wer heute ein Sprachmodell für den deutschen, spanischen oder japanischen Entwickleralltag trainieren oder feinjustieren will, kämpft mit dünner Datenlage: Vieles, was im Netz frei verfügbar ist, ist englisch, und vieles, was mehrsprachig wäre, ist rechtlich unsauber. Ein Datensatz unter CC0 räumt diese Hürde aus dem Weg. Profitieren dürften vor allem akademische Forschungsgruppen, kleinere Unternehmen und Open-Source-Projekte, die sich keine teuren Lizenzdeals mit Datenbrokern leisten können. Gleichzeitig stärkt GitHub - das zu Microsoft gehört - seine Rolle als zentraler Akteur im Ökosystem rund um Entwickler-KI, in dem auch Tools wie Copilot eine Rolle spielen.

Offen bleibt einiges. Aus dem vorliegenden Material lässt sich nicht ablesen, welche Sprachen tatsächlich gut abgedeckt sind und ob kleinere Sprachen wirklich profitieren oder ob am Ende doch die üblichen grossen Verkehrssprachen dominieren. Auch zur Qualitätssicherung - etwa wie mit Spam, automatisch generierten Issues oder beleidigenden Inhalten umgegangen wird - steht nichts im verfügbaren Auszug. Ein Risiko ist zudem grundsätzlicher Natur: Wer Inhalte auf GitHub veröffentlicht, hat zwar den Nutzungsbedingungen zugestimmt, aber nicht jeder Beitragende rechnet damit, dass sein Fehlerbericht oder Kommentar einmal in einem KI-Trainingsdatensatz landet. Wie GitHub diese Erwartungshaltung adressiert, ist im Material nicht belegt.

Beobachten lohnt sich, ob andere Plattformen nachziehen und ähnliche offene Datensätze veröffentlichen - und ob in den kommenden Wochen erste Forschungsgruppen oder Modellanbieter den Datensatz konkret nutzen. Spannend wird auch, ob daraus Modelle entstehen, die jenseits des Englischen spürbar besser werden, oder ob der Effekt eher kosmetisch bleibt. Klar ist nur: die offene KI-Szene hat ein neues Werkzeug bekommen, dessen Wirkung sich erst in der Praxis zeigen muss.