KI muss selbst nachhaltiger werden

Künstliche Intelligenz (KI) kann Unternehmen dabei helfen, nachhaltiger zu wirtschaften; doch ist der Energieverbrauch der KI-Systeme selbst oft hoch.

KI kann unterstützen, dass inhärent nachhaltige oder kreislaufwirtschaftsfähige Produkte durch biogene, bioabbaubare Materialien hergestellt werden, sodass Repair, Refurbish, Remanufacture und Recycle möglich wird. Auch kann KI die Wettbewerbsstärke von Geschäftsmodellen der Kreislaufwirtschaft, wie Product-as-a-Service und Leasing, verstärken. Das Whitepaper „Mit Künstlicher Intelligenz zu nachhaltigen Geschäftsmodellen“ der Plattform Lernende Systeme zeigt, dass KI Unternehmen und Institutionen dabei unterstützen kann, ökologisch verträglich, sozial gerecht und gleichzeitig wirtschaftlich erfolgreich zu handeln.

Demnach gewinnen KI-Systeme aus riesigen Datenmengen neue Erkenntnisse, wie Unternehmen ihre Prozesse effizienter und ressourcenschonender gestalten und Emissionen reduzieren können. Auf diese Weise entstehen Produkte, Dienstleistungen und Geschäftsmodelle, die einen wirksamen Beitrag zu einer nachhaltigen Entwicklung leisten. „Künstliche Intelligenz ist ein wesentlicher Baustein, um unsere Gesellschaft nachhaltiger zu machen. KI muss aber auch in sich nachhaltig gestaltet sein, zum Beispiel beim eigenen Energiebedarf“, sagt Oliver Zielinski, Leiter des Kompetenzzentrums KI für Umwelt und Nachhaltigkeit (DFKI4planet) und Mitautor des Whitepapers.

„Digitalisierung und darauf aufbauende KI-Anwendungen besitzen großes Potenzial, ökonomische, soziale und ökologische Nachhaltigkeitsziele zu unterstützen. Das Spektrum der Anwendungen ist weit gefächert und umfasst beispielsweise eine bessere Steuerung und Nutzung von Ressourcen, die Verbesserung von Arbeitsbedingungen aber auch die Entwicklung und Bereitstellung von nachhaltigen Produkten und Dienstleistungen“, so Susanne Boll, Professorin für Medieninformatik an der Universität Oldenburg und Leiterin der Arbeitsgruppe Geschäftsmodellinnovationen der Plattform Lernende Systeme.

Allerdings, so gibt Boll zu bedenken: „KI-Systeme haben einen hohen Energieverbrauch, insbesondere beim Training großer neuronaler Netze. Der Nutzen muss also auch immer im Verhältnis zur Rechenleistung stehen. Daher sind Innovationen für eine nachhaltige KI von Anfang an mitzudenken – vom kosteneffizienten Trainingsprozess von KI-Modellen bis hin zur Nutzung von Abwärme aus Rechenzentren.“ Als Hauptgrund für den hohen Ressourcenverbrauch nennt das Whitepaper „Mit Künstlicher Intelligenz zu nachhaltigen Geschäftsmodellen“ die rasant steigende Rechenleistung, die zum Training immer größerer KI-Modelle erforderlich ist. Der CO₂-Abdruck eines Suchmaschinen-Trainings kann aktuell etwa die Größenordnung eines Langstreckenflugs erreichen.

„Es gibt aber auch deutlich kleinere Systeme, die sogenannte Edge-AI, die oft in batteriebetriebenen Endgeräten stecken und nur wenig Energie benötigen dürfen. Diese haben oft gerade den Zweck, das Endgerät möglichst energiesparend zu betreiben, indem die KI-Software den Großteil des Endgeräts nur dann aufweckt, wenn ein relevantes Ereignis erkannt wird“, erklärt Markus Schnell, Senior Director bei Infineon und Mitglied der Arbeitsgruppe Geschäftsmodellinnovationen. Dabei können KI-Anwendungen im Einsatz aber auch problematische Rückkopplungseffekte verursachen – etwa wenn ein KI-System aufgrund seines niedrigeren Energieverbrauchs mehr genutzt wird und der Energieverbrauch in der Gesamtsumme steigt.

Trotz der vielversprechenden Potenziale gelte es, diese so genannten Rebound-Effekte sowie den notwendigen Energiebedarf von KI-Technologien stets zu berücksichtigen, so die Autoren. Die Entscheidung für betriebliche Anwendungen im Sinne der Nachhaltigkeit könne im Einzelfall auch bedeuten, keine KI einzusetzen.

„Das Rad muss nicht immer wieder neu erfunden werden. KI-Modelle, die sich bewährt haben, können anderen KI-Entwicklern auf Marktplätzen zur Verfügung gestellt werden; der Aufwand fürs Training entfällt dann oder wird zumindest deutlich reduziert, weil das KI-Modell nur um-, aber nicht neu lernen muss“, sagt Schnell. Wolle man das Rad doch neu erfinden, dann vorzugsweise besser: „Den Aufwand für das Training durch bessere Modelle zu reduzieren ist ein aktives und sehr dynamisches Forschungsgebiet. Zum Beispiel gibt es den Ansatz des Verbundlernens (federated learning). Hier werden Teile eines KI-Modells mit jeweils eigenen Daten trainiert und am Schluss zu einem großen Modell zusammengeführt. So wird vermieden, dass jeder Teilnehmer im Verbund das komplette Modell ausschließlich auf seinen eigenen Daten basierend anlernen muss. Die Last wird auf mehrere Schultern verteilt“, so Schnell.

Auch außerhalb der Betriebe kann KI eine nachhaltige Wirtschaft fördern. Mithilfe der Technologie lassen sich Daten von Unternehmen – zum Beispiel zum Ausstoß von Treibhausgasen oder dem Arbeits- und Gesundheitsschutz – analysieren und die Nachhaltigkeit der Betriebe bewerten, etwa um Investoren eine Entscheidungshilfe zu bieten. Eine Möglichkeit dafür ist eine offene Plattform, auf der Unternehmen ihre Nachhaltigkeitsdaten sicher zugänglich machen sowie Standards für die Datenerfassung offengelegt werden können, so die Experten in dem Whitepaper. Ebenso notwendig ist der Austausch von Daten aus Forschung, Wirtschaft und Behörden für das Training von KI-Anwendungen.

Weiter empfehlen die Autoren neue sparsame Lernmethoden und Modellrechnungen zu erforschen, effizientere Hardware für die KI-Anwendungen einzusetzen sowie ein Nachhaltigkeitslabel, mit dem KI-Anwendungen mit einem geringen Ressourcenverbrauch gekennzeichnet und so gefördert werden.

sk