KI-Referenzmodell für Energie- und Ressourceneffizienz und dessen industrielle Anwendung (KIRA)

Methoden und Anwendungen der Künstlichen Intelligenz (KI) verursachen in allen Phasen ihres Lebenszyklus Energie- und Ressourcenverbräuche. Dies beginnt bei der Problemdefinition und explorativen Untersuchungen und setzt sich über die Datenerhebung und -aufbereitung, die KI-Modellentwicklung und das notwendige Training bis hin zur Anwendung und Adaption der Modelle fort. Häufig werden hier große Datenmengen benötigt, die entsprechend aufwändige Trainings- und auch Anwendungsszenarien mit sich bringen. Gleichzeitig bieten sich durch die Fülle an verfügbaren (umweltrelevanten) Daten erhebliche Möglichkeiten, KI zur Lösung von Umwelt- und Nachhaltigkeitsproblemen einzusetzen. Umso mehr ist es relevant, dass KI selbst nicht zum Ressourcentreiber wird, dass Energie- und Ressourcenverbräuche transparent gemacht werden und dass valide Messmethoden und Metriken existieren, die KI-Entwickelnde und -Nutzende hinsichtlich nachhaltiger KI unterstützen, bspw. durch Vorgehensmodelle und Handlungsempfehlungen. Da sich die für das Training der großen KI-Modelle benötigte Rechenleistung um mehr als das 300.000-fache erhöht hat, sind neben innovativen Ansätzen, neuen Algorithmen etc. auch belastbare Methoden notwendig, um die Umweltwirkungen abschätzbar und für Entwickelnde sowie Nutzende transparent zu machen.

Insgesamt werden bei der Entwicklung von KI im Zuge der Softwareentwicklung und der Auswahl von Hardwarekomponenten Entscheidungen getroffen, die bei der Anwendung der Systeme die Energie- und Ressourcenverbräuche stark beeinflussen (s. Abb. 1 für Beispiele). Bedingt durch die Komplexität der Systeme sowie die Vielzahl an einzelnen Entscheidungen im Entwicklungsprozess (bspw. Frequenz der Datenerhebung, Art der Datenübertragung, Systemarchitektur, Aufbau der KI-Modelle, Auswahl von Algorithmen, etc.) und Variablen in der Praxisanwendung sind einfache Methoden zur Bestimmung der Energie- und Ressourceneffizienz nicht einsetzbar. Vielmehr wird ein spezifisch auf die KI-Entwicklung und -Anwendung ausgerichtetes KI-Referenzmodell benötigt, das die Zusammenhänge und wechselseitigen Abhängigkeiten sinnvoll strukturiert und möglichst universell, bei größtmöglicher Transparenz, anwendbar macht. Mit Hilfe von Kennzahlen des Referenzmodells werden KI-Entwickelnde und -Nutzende in die Lage versetzt, Vorgehensmodelle und Entscheidungen im Entwicklungsprozess richtungssicherer unter Nachhaltigkeitsaspekten zu treffen.

Das Vorhaben setzt bei diesen Problemstellungen an und entwickelt und prüft Kriterien und Metriken, wie sich KI-Systeme entlang des KI-Lebenszyklus hinsichtlich des Ressourcen- und Energiebedarfs optimieren lassen. Dies umfasst den Umgang mit (Trainings-) Daten, die Wahl von Methoden und Frameworks, von Hardware und Sensoren, von Kommunikationsinfrastruktur und Softwarearchitektur wie auch die Frage von effizientem Training und Anwendung/Adaption des Modells. Das Projekt zielt dabei auch auf die Frage ab, wie sich KI-Prozesse entlang des Lebenszyklus hinsichtlich des Ressourcenverbrauchs zumindest grob quantifizieren lassen und welche Messmethoden hierfür geeignet sind. Hierzu sollen bestehende Methoden und Verfahren auch vergleichend untersucht werden, wobei systematisch die unterschiedlichen Ebenen von Effekten (direkte und indirekte, ggf. Induktions- und Rebound-Effekte) unterschieden werden. Zudem werden Hardwarekomponenten, die in bisher durchgeführten Studien noch nicht in einem lebenszyklus-orientierten, ökobilanziellen Ansatz untersucht wurden (bspw. Sensoren, Aktuatoren, energieerntende Komponenten), systematisch in das KI-Referenzmodell einbezogen. Anhand von Fallbeispielen wird das Modell evaluiert und schließlich verbreitet.