Neue Publikationen 2024

Das Forschungsfeld der ressourcen- und energieeffizienten Software ist noch sehr jung, was Unsicherheiten bei der Durchführung von Messungen verursacht und die Berücksichtigung der Umweltauswirkungen von Software in der Praxis erschwert. Das Green Software Measurement Model (GSMM) bietet einen generischen Referenzrahmen für die Bewertung der Energie- und Ressourceneffizienz von Softwareprodukten und unterstützt dabei, bestehende Methoden anzupassen oder neue zu entwickeln. Ein offenes Repository dient als zentraler Anlaufpunkt für Stakeholder, um eigene Messungen durchzuführen und das Modell kontinuierlich weiterzuentwickeln.

Guldner, A., Bender, R., Calero, C., Fernando, G. S., Funke, M., Gröger, J., Hilty, L. M., Hörnschemeyer, J., Hoffmann, G.-D., Junger, D., Kennes, T., Kreten, S., Lago, P., Mai, F., Malavolta, I., Murach, J., Obergöker, K., Schmidt, B., Tarara, A., ... Naumann, S. (2024). Development and evaluation of a reference measurement model for assessing the resource and energy efficiency of software products and components—Green Software Measurement Model (GSMM). In Future Generation Computer Systems (Vol. 155, pp. 402–418). Elsevier BV. doi.org/10.1016/j.future.2024.01.033

Die Arbeit untersucht Strategien zur Verbesserung der Energieeffizienz von KI-Algorithmen in den Bereichen Zeitreihenanalyse, semantische KI und Deep Learning. Durch die Analyse von Variablen wie Datengröße und Hyperparameter-Anpassungen zielt die Studie darauf ab, das Verhältnis zwischen Leistungsfähigkeit und Energieverbrauch der Algorithmen besser zu verstehen. Die Ergebnisse bieten wertvolle Hinweise für die Optimierung der Energieeffizienz in KI-Anwendungen und tragen zur nachhaltigen KI-Entwicklung bei.

Fazlic, L. B., Cetkin, B., Guldner, A., Dziubany, M., Heinen, J., Naumann, S., & Dartmann, G. (2024). Enhancing Energy Efficiency in AI: A Multi-Faceted Analysis across Time Series, Semantic AI and Deep Learning Domains. Submitted to EnviroInfo 2024: 38th International Conference for Environmental Informatics. Cairo, Egypt, November 12-14, 2024.

In dieser Arbeit wird eine innovative Methode zur Bestimmung des Füllstands von Behältern, wie Mülltonnen, vorgestellt, die einen wichtigen Aspekt des Abfallmanagements adressiert. Die Methode kombiniert räumliche Impulsantwortanalyse mit maschinellem Lernen und erreicht eine Klassifikationsgenauigkeit von über 90% auf einer Entwicklungsplatine. Durch den Einsatz kostengünstiger, energieeffizienter Hardware bietet sie eine nachhaltige, lokal einsetzbare Lösung, die operative Effizienzen optimiert und komplexe Klassifikationsaufgaben ohne externe Unterstützung ermöglicht.

Cetkin, B., Fazlic, L. B., Ueding, K., Machhamer, R., Guldner, A., Creutz, L., Naumann, S., & Dartmann, G. (2024). Spatial Impulse Response Analysis and Ensemble Learning for Efficient Precision Level Sensing. ArXiv Preprint. doi.org/10.48550/ARXIV.2405.19341. Accepted for publication in: Discover Artificial Intelligence

Diese Studie bewertet die Energieeffizienz von ML-Klassifikationsmodellen in 49 verschiedenen Testumgebungen, basierend auf IoT-Technologie mit einem ESP8266-Mikrocontroller, der Umweltdaten aus einer simulierten Raumumgebung sammelt. Dabei wurde der Energieverbrauch für Datenvorverarbeitung, Modelltraining und -test gemessen und mit Leistungsmetriken wie Verarbeitungszeit und F1-Score korreliert. Die Ergebnisse zeigen die Abwägungen zwischen Genauigkeit und Energieeffizienz und bieten wichtige Erkenntnisse zur Auswahl energieeffizienter Algorithmen für IoT-Anwendungen.

Cetkin, B., Fazlic, L. B., Guldner, A., Naumann, S., & Dartmann, G. (2024). Towards Sustainable Machine Learning: Analyzing Energy-Efficient Algorithmic Strategies for Environmental Sensor Data. In INFORMATIK 2024. Bonn: Gesellschaft für Informatik e.V. Lecture Notes in Informatics (LNI). Accepted for publication. Preprint available.

Generative künstliche Intelligenz ist weit verbreitet und erfordert viel Energie sowohl beim Training als auch bei der Inferenz. Die Studie untersucht die Effizienz der Inferenz von LLMs auf lokaler Hardware und entwickelt Metriken, um die Leistung in Bezug auf Qualität, Zeit und Energieverbrauch zu bewerten. Die Ergebnisse zeigen, dass generative Modelle auf Edge-Geräten gute Ergebnisse erzielen, aber eine gründliche Effizienzbewertung vor dem Einsatz in Produktionsumgebungen nötig ist.

Bast, S., Fazlic, L. B., Naumann, S., & Guido Dartmann (2024). LLMs on the Edge: Quality, Latency, and Energy Efficiency. In INFORMATIK 2024. Bonn: Gesellschaft für Informatik e.V. Lecture Notes in Informatics (LNI). Accepted for publication. Preprint available.