Riesige Mengen künstlerischer Daten sind sowohl in Museen als auch in Kunstanwendungen online verteilt. Ihre Sammlung, Verarbeitung und Analyse unter Berücksichtigung aller zugehörigen Attribute ist ein kostenintensiver Prozess. Um die Geschwindigkeit und Qualität der kategorischen Analyse im künstlerischen Bereich zu steigern, stellen wir in diesem Artikel eine effiziente und genaue Methode für das Multitask-Lernen mit geteilter Darstellung im künstlerischen Kontext vor. Wir untersuchen weiterhin, wie verschiedene Konfigurationen unseres Ansatzes sich auf künstlerische Daten auswirken und sowohl handgebaute Merkmalsbeschreibungen als auch konvolutionelle neuronale Netze übertrifft. Neben der vorgestellten Methode und deren Analyse schlagen wir eine herausfordernde Aufgabenstellung anhand eines neuen, aggregierten Datensatzes mit fast einer halben Million Datensätze und strukturierten Metadaten vor, um weitere Forschung und gesellschaftliche Beteiligung zu fördern.