{"id":6231,"date":"2026-02-15T23:01:54","date_gmt":"2026-02-15T23:01:54","guid":{"rendered":"https:\/\/allosai.com\/blog\/ai-slop-video-kunst\/"},"modified":"2026-02-15T23:01:54","modified_gmt":"2026-02-15T23:01:54","slug":"ai-slop-video-kunst","status":"publish","type":"post","link":"https:\/\/allosai.com\/de\/blog\/ai-slop-video-kunst\/","title":{"rendered":"Wie kann AI Slop die Video-Kunst heute umgestalten?"},"content":{"rendered":"<div>\n<div>\n<h1>AI-Schlamm: Vom viralen Durcheinander zum kulturellen Signal in kreativen KI-Videos<\/h1>\n<h2>Was ist AI-Schlamm?<\/h2>\n<p>AI-Schlamm bezeichnet die chaotischen, fehlerhaften und seltsam fesselnden Ergebnisse, die generative Video- und Bildwerkzeuge oft produzieren. Da Creator die Modelle schnell vorantreiben k\u00f6nnen, verbreiten sich seltsame Artefakte und surreale Juxtapositionen auf sozialen Plattformen. Dieses Ph\u00e4nomen ist jetzt wichtig, weil Kurzform-Feeds Neuheiten verst\u00e4rken und weil generative KI in allt\u00e4gliche kreative Workflows eingetreten ist.<\/p>\n<h2>\u00dcberblick \u00fcber diesen Artikel und warum AI-Schlamm wichtig ist<\/h2>\n<p>Dieser Artikel skizziert den Aufstieg von AI-Schlamm und erkl\u00e4rt seine kulturellen und technischen Wurzeln. Zuerst verfolgen wir die Technologie von fr\u00fchen Text-zu-Video-Verwischungen bis hin zu neueren Modellen wie Sora2 und Veo 3.1, die l\u00e4ngere, sauberere Clips produzieren. Danach analysieren wir virale Fallstudien wie Drake Garibays &#8222;Cooking up some fresh AI slop&#8220; und Wenhui Lims &#8222;Auntlantis&#8220; und zeigen, wie virale Momente Geschmack und Plattformnormen pr\u00e4gen. Zudem untersuchen wir Sch\u00e4den und politische Herausforderungen, einschlie\u00dflich Deepfakes, Urheberrechtsstreitigkeiten und algorithmische \u00c4ngste. Anschlie\u00dfend betrachten wir, wie K\u00fcnstler, Plattformen und Startups Schlamm in studiobereit Arbeit verwandeln. Schlie\u00dflich bieten wir praktische Tipps und ethische Richtlinien f\u00fcr Creator und Entscheidungstr\u00e4ger, die verantwortungsbewusst experimentieren m\u00f6chten.<\/p>\n<p>Im gesamten Artikel werden Beispiele, Forschung und Expertenstimmen verwendet, um informativ und autoritativ zu bleiben. Daher werden die Leser mit einem klaren Verst\u00e4ndnis dar\u00fcber hinausgehen, was AI-Schlamm f\u00fcr die kreative Kultur und die Zukunft der generativen KI signalisiert.<\/p>\n<\/div>\n<div>\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/allosai.com\/wp-content\/uploads\/2026\/01\/img-ai-slop-visual.png\" alt=\"AI slop visual illustration\"\/><\/figure>\n<\/div>\n<div>\n<h2>Ursachen und Beispiele f\u00fcr KI-M\u00fcll<\/h2>\n<p>KI-M\u00fcll entsteht, wenn Modelle unordentliche oder suboptimale Ausgaben produzieren. Da Systeme unvollst\u00e4ndige Daten, Designs und Benutzeraufforderungen mischen, scheitern sie oft auf sichtbare Weise. Daher hilft das Verst\u00e4ndnis der Ursachen den Sch\u00f6pfern, St\u00f6rungen zu reduzieren und die Qualit\u00e4t zu verbessern.<\/p>\n<h3>H\u00e4ufige Ursachen f\u00fcr KI-M\u00fcll<\/h3>\n<ul>\n<li>Begrenzte oder voreingenommene Trainingsdaten\n<ul>\n<li>Modelle lernen aus unvollkommenen Korpora. Infolgedessen replizieren sie L\u00fccken und seltsame Korrelationen. Zum Beispiel kann ein Bildgenerator zus\u00e4tzliche Finger an H\u00e4nden platzieren oder nicht verwandte Objekte zusammenf\u00fchren.<\/li>\n<\/ul>\n<\/li>\n<li>Mehrdeutige oder ungenaue Aufforderungen\n<ul>\n<li>Aufforderungen, die an Details fehlen, verursachen unvorhersehbare Ausgaben. Folglich wird ein Chatbot Fakten erfinden, weil der Benutzer die Anfrage nicht eingegrenzt hat.<\/li>\n<\/ul>\n<\/li>\n<li>Modellinterpolation und Artefakte\n<ul>\n<li>Modelle setzen erlernte Teile zusammen, um Aufforderungen zu erf\u00fcllen. Dieser Prozess erzeugt visuelle Artefakte, zeitliche Spr\u00fcnge in Videos und seltsame Wortwahl in Texten.<\/li>\n<\/ul>\n<\/li>\n<li>Ressourcenschr\u00e4nkungen und kleine Rechenbudgets\n<ul>\n<li>Trainings- oder Inferenzabk\u00fcrzungen produzieren kosteng\u00fcnstigere, aber qualitativ niedrigere Ergebnisse. Daher zeigen Automatisierungsfehler oft kompressions\u00e4hnliche St\u00f6rungen und zeitliche Abweichungen in erzeugten Clips.<\/li>\n<\/ul>\n<\/li>\n<li>Zielabweichung und Belohnungsmanipulation\n<ul>\n<li>Systeme optimieren f\u00fcr Proxy-Ziele, nicht f\u00fcr die Benutzerzufriedenheit. Infolgedessen erzeugen sie sichere, aber oberfl\u00e4chliche Ausgaben, die Menschen als KI-Fehler oder Chatbot-Fehler bezeichnen.<\/li>\n<\/ul>\n<\/li>\n<li>Feindliche Eingaben und Grenzf\u00e4lle\n<ul>\n<li>Verschl\u00fcsselte oder seltene Eingaben l\u00f6sen Zusammenbr\u00fcche aus. Zum Beispiel k\u00f6nnen Filter versagen und anst\u00f6\u00dfige Deepfakes weit verbreiten.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<h3>Anschauliche Beispiele aus der realen Welt<\/h3>\n<ul>\n<li>Virale Glitch-Kunst und Kurzvideos\n<ul>\n<li>Drake Garibays \u201eCooking up some fresh AI slop\u201c wurde zu einem Meme, weil Sch\u00f6pfer die Modelle bis an die Grenzen trieben. Die Artefakte f\u00fchrten zu Teilen.<\/li>\n<\/ul>\n<\/li>\n<li>Irref\u00fchrende oder sch\u00e4dliche Inhalte\n<ul>\n<li>Deepfakes von \u00f6ffentlichen Figuren zwangen Plattformen zum Handeln. Diese F\u00e4lle zeigen, wie M\u00fcll echten Schaden verursachen kann.<\/li>\n<\/ul>\n<\/li>\n<li>\u00d6konomische Auswirkungen\n<ul>\n<li>Freelancer sahen R\u00fcckg\u00e4nge bei Auftr\u00e4gen nach der Einf\u00fchrung von generativer KI, gem\u00e4\u00df Brookings. Siehe <a href=\"https:\/\/www.brookings.edu\/articles\/is-generative-ai-a-job-killer-evidence-from-the-freelance-market\/?utm_source=openai\" target=\"_blank\" rel=\"noopener\">diesen Artikel<\/a> f\u00fcr Details.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>F\u00fcr praktische Hinweise, wann man Hype in Frage stellen und Fallstricke vermeiden sollte, siehe <a href=\"https:\/\/allosai.com\/ai-hype-index-signals\/\">diese Ressource<\/a>.<\/p>\n<\/div>\n<div class=\"table-wrapper\">\n<table>\n<thead>\n<tr>\n<th>Branche<\/th>\n<th>Wesentliche Probleme verursacht durch KI-Fehler<\/th>\n<th>Typische Konsequenzen<\/th>\n<th>Minderungspraktiken<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Kundenservice<\/td>\n<td>Chatbot-Fehler; Halluzinationen; falscher Ton<\/td>\n<td>Frustrierte Kunden; falsch weitergeleitete Tickets; Markenschaden<\/td>\n<td>Menschliche \u00dcberpr\u00fcfung; konservative Antworten; Eskalationsregeln<\/td>\n<\/tr>\n<tr>\n<td>Marketing<\/td>\n<td>Niedrigqualitative Kreativit\u00e4t; irref\u00fchrende Werbung; artefaktartige Visualisierungen<\/td>\n<td>Verringerte Interaktion; Reputationsrisiko; Compliance-Probleme<\/td>\n<td>A\/B-Tests; redaktionelle Aufsicht; Qualit\u00e4tsstandards<\/td>\n<\/tr>\n<tr>\n<td>Inhaltserstellung<\/td>\n<td>Fehlerhafte Bilder und Videos; flache Ausgaben<\/td>\n<td>Virale Neuheit dann schnelle Gegenreaktion; verlorenes Vertrauen<\/td>\n<td>Prompt-Engineering; Nachbearbeitung; Attribution<\/td>\n<\/tr>\n<tr>\n<td>Datenanalyse<\/td>\n<td>Automatisierungsfehler; M\u00fcll rein M\u00fcll raus; voreingenommene Modelle<\/td>\n<td>Fehlerhafte Entscheidungen; schlechte Prognosen; regulatorisches Risiko<\/td>\n<td>Datenpr\u00fcfung; Erkl\u00e4rbarkeitstools; menschliche Kontrolle<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<div>\n<h2>Reduzierung von AI-Fehlern: Strategien und Werkzeuge<\/h2>\n<h3>Modellverbesserungen und AI-Qualit\u00e4tsmanagement<\/h3>\n<ul>\n<li>Feinabstimmung mit kuratierten Daten\n<ul>\n<li>Die Feinabstimmung schr\u00e4nkt das Verhalten des Modells auf Ihren Anwendungsfall ein. Verwenden Sie daher ausgewogene, beschriftete Datens\u00e4tze, um Halluzinationen und visuelle Artefakte zu reduzieren. F\u00fcr Implementierungsanleitungen siehe <a href=\"https:\/\/huggingface.co\/docs\" target=\"_blank\" rel=\"noopener\">Hugging Face-Dokumentation<\/a>.<\/li>\n<\/ul>\n<\/li>\n<li>Datenkurierung und -erweiterung\n<ul>\n<li>Entfernen Sie st\u00f6rende Labels und doppelte Proben. Dadurch lernen Modelle weniger falsche Korrelationen und machen weniger AI-Fehler.<\/li>\n<\/ul>\n<\/li>\n<li>Klare Evaluationsmetriken\n<ul>\n<li>Definieren Sie aufgaben spezifische Metriken und von Menschen bewertete Qualit\u00e4tswerte. Folglich k\u00f6nnen Sie das AI-Qualit\u00e4tsmanagement verfolgen und die Fehlerreduzierung im AI im Laufe der Zeit messen.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<h3>Menschliche \u00dcberpr\u00fcfung und Workflows zur Fehlerreduzierung in AI<\/h3>\n<ul>\n<li>Mensch-in-der-Schleife-\u00dcberpr\u00fcfung\n<ul>\n<li>Leiten Sie unsichere oder risikobehaftete Ergebnisse an Menschen weiter. Da Gutachter Nuancen erfassen, reduziert dies sch\u00e4dliche Fehler und Marktrisiken.<\/li>\n<\/ul>\n<\/li>\n<li>Gestufte Eskalation und SLAs\n<ul>\n<li>Erstellen Sie Regeln, wann die Automatisierung \u00fcbergeben werden muss. Beispielsweise sollte ambivalente Kundenkommunikation an einen Agenten eskaliert werden.<\/li>\n<\/ul>\n<\/li>\n<li>Redaktionelle und kreative Aufsicht\n<ul>\n<li>F\u00fcgen Sie in den Workflows zur Inhaltserstellung Nachbearbeitungsschritte hinzu. Daher k\u00f6nnen Sch\u00f6pfer fehlerhafte Ausgaben in studiof\u00e4hige St\u00fccke verfeinern.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<h3>Automatisierung, \u00dcberwachung und Automatisierungseffizienz<\/h3>\n<ul>\n<li>Automatisierte Tests und Canary-Releases\n<ul>\n<li>F\u00fchren Sie Unit-Tests und gestaffelte Rollouts durch, um R\u00fcckschritte fr\u00fchzeitig zu erkennen. Dadurch verbessert sich die Automatisierungseffizienz und der Slop verringert sich.<\/li>\n<\/ul>\n<\/li>\n<li>Echtzeit\u00fcberwachung und Anomalieerkennung\n<ul>\n<li>Protokollieren Sie die Modellzuversicht und Ausgabestatistiken. L\u00f6schen Sie dann Warnungen bei Fehlerausbr\u00fcchen.<\/li>\n<\/ul>\n<\/li>\n<li>Feedbackschleifen und kontinuierliches Lernen\n<ul>\n<li>Erfassen Sie das Benutzerfeedback zur beschrifteten Neubewertung. Folglich verbessern sich Modelle mit Produktionsdaten.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<h3>Werkzeuge, Plattformen und praktische Checkliste<\/h3>\n<ul>\n<li>Verwenden Sie MLOps-Plattformen und Erkl\u00e4rbarkeit-Bibliotheken f\u00fcr die Governance. Zum Beispiel bieten die Dokumentationen von Hugging Face Werkzeuge und bew\u00e4hrte Praktiken unter <a href=\"https:\/\/huggingface.co\/docs\" target=\"_blank\" rel=\"noopener\">Hugging Face-Dokumentation<\/a>.<\/li>\n<li>Setzen Sie Moderations- und Inhaltsfilter ein, um sch\u00e4dlichen Slop zu reduzieren.<\/li>\n<li>Verfolgen Sie wirtschaftliche und arbeitsmarktrelevante Auswirkungen, w\u00e4hrend Sie skalieren. Siehe <a href=\"https:\/\/www.brookings.edu\/articles\/is-generative-ai-a-job-killer-evidence-from-the-freelance-market\/?utm_source=openai\" target=\"_blank\" rel=\"noopener\">Brookings-Analyse<\/a> f\u00fcr den Kontext.<\/li>\n<\/ul>\n<p>F\u00fcr Anleitungen zu Vorsicht versus Hype, konsultieren Sie dieses praktische Handbuch: <a href=\"https:\/\/allosai.com\/ai-hype-index-signals\/\">AllosAI AI Hype Index Signals<\/a>.<\/p>\n<h3>Aktionscheckliste<\/h3>\n<ul>\n<li>Beginnen Sie mit der Datenbereinigung<\/li>\n<li>F\u00fcgen Sie menschliche \u00dcberpr\u00fcfungsschritte hinzu<\/li>\n<li>Misst Qualit\u00e4t mit klaren Metriken<\/li>\n<li>Automatisieren Sie \u00dcberwachung und Feedback<\/li>\n<\/ul>\n<p>Diese Schritte steigern die Fehlerreduzierung bei AI, verbessern die Automatisierungseffizienz und erh\u00f6hen das gesamte AI-Qualit\u00e4tsmanagement.<\/p>\n<\/div>\n<div>\n<h1>Fazit<\/h1>\n<p>AI-Schlamm ist sowohl ein kulturelles Signal als auch ein operationelles Risiko. Wir haben seine Ursachen, Beispiele und Auswirkungen auf die Branche zusammengefasst und praktische Ma\u00dfnahmen zur Minderung angeboten. Letztendlich ist das Management von AI-Schlamm entscheidend f\u00fcr das Vertrauen in die Marke, die Sicherheit und den langfristigen ROI.<\/p>\n<p>AllosAI hilft Teams, AI-Schlamm mit einer einheitlichen Automatisierungsplattform zu reduzieren. Die Plattform integriert Kommunikation, Inhalt und Engagement-Automatisierung, um Fehler fr\u00fcher zu erkennen. Zum Beispiel unterst\u00fctzt AllosAI menschliche Pr\u00fcfstellen, \u00dcberwachungs-Dashboards und Inhaltsmoderations-Workflows. Infolgedessen verbessern Teams die Automatisierungseffizienz und das Qualit\u00e4tsmanagement von AI, w\u00e4hrend sie kreative Abl\u00e4ufe skalieren.<\/p>\n<p>F\u00fcr mehr Informationen besuchen Sie <a href=\"https:\/\/allosai.com\">die Website von AllosAI<\/a>. Testen Sie die Plattform unter <a href=\"https:\/\/app.allosai.com\">AllosAI-Plattform<\/a>. Lesen Sie praktische Leitf\u00e4den auf dem Blog: <a href=\"https:\/\/allosai.com\/blog\">AllosAI Blog<\/a>. Folgen Sie Updates und Beispielen auf X: <a href=\"https:\/\/x.com\/heyallos\">Hey AllosAI auf X<\/a>.<\/p>\n<p>Beginnen Sie mit einer \u00dcberpr\u00fcfung Ihrer Daten und f\u00fcgen Sie menschliche Pr\u00fcfstellen hinzu. Experimentieren Sie dann mit integrierter Automatisierung, um AI-Fehler zu reduzieren. Wenn Sie einen Partner in dieser Arbeit w\u00fcnschen, erkunden Sie <a href=\"https:\/\/allosai.com\">AllosAI<\/a>, um chaotische Ergebnisse in zuverl\u00e4ssige, studiofertige Ergebnisse zu verwandeln.<\/p>\n<\/div>\n<div>\n<h1>H\u00e4ufig gestellte Fragen (FAQs)<\/h1>\n<details open style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">Was ist AI Slop?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">AI Slop beschreibt unordentliche, fehlerhafte oder qualitativ minderwertige Ausgaben von generativer KI. Es zeigt sich in Bildern, kurzen Videos und konversationellen Antworten. Da Modelle erlernte Muster kombinieren, produzieren sie manchmal sichtbare Artefakte oder inkoh\u00e4renten Text.<\/p>\n<\/details>\n<details style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">Warum passiert AI Slop?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">Es gibt mehrere Ursachen. Eingeschr\u00e4nkte oder voreingenommene Trainingsdaten f\u00fchren zu seltsamen Korrelationen. Mehrdeutige Aufforderungen f\u00fchren zu unvorhersehbaren Ausgaben. Rechen- oder Ressourcenbeschr\u00e4nkungen erzeugen Artefakte. Zielkonflikte und Belohnungsbetrug lenken Systeme auf Proxy-Ziele. Infolgedessen treten KI-Fehler, Automatisierungsfehler und Chatbot-Fehler in der Produktion auf.<\/p>\n<\/details>\n<details style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">Ist AI Slop gef\u00e4hrlich?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">Manchmal ja und manchmal nein. In kreativer Arbeit kann Slop zu spielerischer Glitch-Kunst werden. Allerdings erm\u00f6glicht Slop auch Deepfakes, Fehlinformationen und Sicherheitsl\u00fccken. Marken stehen vor einem Reputationsrisiko, und Plattformen m\u00fcssen sch\u00e4dliche Inhalte verwalten. Daher sollten Teams Experimentieren mit Sicherheitsvorkehrungen ausbalancieren.<\/p>\n<\/details>\n<details style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">Wie kann ich AI Slop in meinen Arbeitsabl\u00e4ufen reduzieren?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">Beginnen Sie mit Datenbereinigung und -kuratierung. Passen Sie dann Modelle an Beispiele aus dem jeweiligen Bereich an. F\u00fcgen Sie eine menschliche \u00dcberpr\u00fcfung f\u00fcr risikobehaftete Ausgaben hinzu. Verwenden Sie Monitoring, Anomalieerkennung und gestaffelte Rollouts. Zudem wenden Sie Prompt Engineering, Nachbearbeitungsverbesserung und redaktionelle Aufsicht an, um die Qualit\u00e4t zu verbessern und die Fehlerquoten zu senken.<\/p>\n<\/details>\n<details style=\"background-color:#000000; border-left:4px solid #0096c7; padding:15px 20px; margin-bottom:15px; border-radius:8px; box-shadow:0 2px 6px rgba(0,0,0,0.1); transition: background 0.3s;\">\n<summary style=\"font-weight:bold; cursor:pointer; font-size:1.1em;\">Wann ist AI Slop n\u00fctzlich?<\/summary>\n<p style=\"margin-top:8px; color:#ffffff;\">AI Slop kann als absichtliche \u00c4sthetik wirken. K\u00fcnstler und Kreative nutzen glitchy Ausgaben f\u00fcr Neuheit und virale Aufmerksamkeit. Zum Beispiel tauschen virale Kurzclips oft Politur gegen \u00dcberraschung. Wenn Sie jedoch auf Zuverl\u00e4ssigkeit abzielen, befolgen Sie die oben genannten Minderungsschritte, damit die Effizienz der Automatisierung und das Management der KI-Qualit\u00e4t verbessert werden.<\/p>\n<\/details>\n<p style=\"margin-top:8px; color:#ffffff;\">Jede Antwort hier verwendet verwandte Schl\u00fcsselw\u00f6rter wie KI-Fehler, Automatisierungsfehler und Chatbot-Fehler, um h\u00e4ufige Bedenken zu kl\u00e4ren. Wenn Sie praktische n\u00e4chste Schritte w\u00fcnschen, \u00fcberpr\u00fcfen Sie Ihre Daten und f\u00fcgen Sie \u00dcberpr\u00fcfungsbarrieren hinzu, bevor Sie die Automatisierung skalieren. Beginnen Sie klein, messen Sie die Ergebnisse und iterieren Sie schnell. Wenden Sie sich an Plattformpartner, wenn Sie Governance- oder Skalierungsunterst\u00fctzung ben\u00f6tigen.<\/p>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>AI slop: From Viral Mess to Cultural Signal in Creative AI Video What is AI slop? AI slop names the messy, glitchy, and oddly compelling output that generative video and image tools often produce. Because creators can push models fast, strange artifacts and surreal juxtapositions spread across social platforms. This phenomenon matters now, because short-form [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":6112,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"rank_math_focus_keyword":"AI Slop","rank_math_description":"Entdecken Sie AI Slop: virales AI-Video-Chaos bis hin zu studiofertiger Kunst, plus Ethik, Werkzeuge und praktische Tipps f\u00fcr Kreative.","footnotes":""},"categories":[38],"tags":[14],"class_list":["post-6231","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai","tag-features"],"_links":{"self":[{"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/posts\/6231","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/comments?post=6231"}],"version-history":[{"count":0,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/posts\/6231\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/media\/6112"}],"wp:attachment":[{"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/media?parent=6231"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/categories?post=6231"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/allosai.com\/de\/wp-json\/wp\/v2\/tags?post=6231"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}