Künstliche Intelligenz (KI) ist bereit für die Wirtschaft. Im Jahr 2021 gaben bereits 35 % der Unternehmen an, KI im Geschäftsalltag zu nutzen. Weitere 42 % gaben an, KI für sich zu erforschen.
Mit dem Wissen um diese Zahlen kann nicht mehr nur von einem Trend ausgegangen werden: Künstliche Intelligenz ist in den Unternehmen angekommen!
Die Zahl der Anwendungsfälle nimmt stetig zu und die zu lösenden Fragestellungen werden zunehmend komplexer. Das hat zur Folge, dass Größe und Anzahl von KI-Modellen mit den aufkommenden Ideen in den Unternehmen mitwachsen müssen und das Betreiben dieser Modelle zunehmend routinierter ablaufen muss. Da datenintensive Modelle oft tagelang auf spezialisierter Hardware trainiert werden müssen, entsteht hierbei ein nicht zu unterschätzender ökologischer Fußabdruck, den sich viele häufig nicht bewusst machen. Bereits 2019 erzeugte das Modelltraining bzw. die Modellfindung im Bereich der natürlichen Sprachverarbeitung so viel CO2 wie fünf amerikanische Autos inklusive Benzinverbrauch während ihres gesamten Lebenszyklus. Tendenz steigend.
Der fortschreitende Einzug von KI in Unternehmen und der daraus resultierende Anstieg der CO2 Verbräuche hat eine Bewegung hervorgerufen, die unter dem Schlagwort “Green AI” eine effizientere und ökologisch bewusste Gestaltung von Künstlicher Intelligenz in Forschung und Unternehmen bringen möchte.
Die Größe der Modelle steigt kontinuierlich.
Die Grundlagen für eine nachhaltige Gestaltung müssen deshalb besser früher als später gelegt werden.
Was bedeutet eine “grüne” Gestaltung von Künstlicher Intelligenz für Unternehmen?
Der Begriff Green AI ist angelehnt an den Themenbereich der Green IT. Green IT beschäftigt sich mit der allgemeinen umwelt- und ressourcenschonenden Gestaltung von Informations- und Kommunikationssystemen über den gesamten Lebenszyklus hinweg. Bei nachhaltiger Künstlicher Intelligenz im ökologischen Sinne - Stichwort “Green AI” - stehen vorrangig die Modellierung und der Modellbetrieb im Vordergrund. Die Berechnung, egal ob im Training oder der Vorhersage, soll so effizient wie möglich gestaltet und der Energieverbrauch minimal gehalten werden.
Im Gegensatz zur Forschung ist im Unternehmen der Modellbetrieb eine große Stellschraube für mehr ökologische Nachhaltigkeit. Das Erstellen von Prognosen oder Analysen verursacht laut einer Hochrechnung von AWS (Amazon Web Services) ca. 90 % des Energieverbrauchs des Modells.
Eine umweltfreundlichere Gestaltung von KI Systemen muss nicht zwangsweise auf Kosten der Performance gehen oder mit hohen Investitionen verbunden sein. Schon eine algorithmisch verringerte Ausführungszeit führt zu einem besseren ökologischen Fußabdruck und einem Zeit- sowie Ressourcengewinn. Bei der Optimierung von Modellen profitiert somit oft auch die Performance.
Optimierte Modelle haben einen geringeren Energieverbrauch. Hierbei werden Kosten für die Berechnung in der Cloud oder Energiekosten im eigenen Rechenzentrum gespart. Oft ist der Energiegewinn auch auf verringerte Laufzeiten im Training und in der Prognose zurückzuführen. Dies sorgt für eine niedrige Latenzzeit für Anwender und weniger Wartezeit für Entwickler.
Gesetzliche Vorgaben wie Corporate Sustainability Reporting Directive (CSRD) sorgen dafür, dass Unternehmen gezielt über die Ziele und Maßnahmen berichten müssen, welche sie zur Erfüllung der Nachhaltigkeitsziele vorsehen. Sind Sie Teil eines datengesteuerten Unternehmens bietet Green AI viele spannenden Ansätze für die Nachhaltigkeit Ihrer Analysen.
Besonders im Endkundenmarkt ist Nachhaltigkeit ein wichtiges Thema. Immer mehr Kunden ist es wichtig zu wissen, wer ihre Produkte herstellt und welche Nachhaltigkeitsprinzipien dahinter stehen. Um der Marktentwicklung zu folgen, sollte eine tiefgreifende Nachhaltigkeitsstrategie entwickelt werden, die auch nicht vor den Analysen mit Künstlicher Intelligenz stoppt.
Das Thema Nachhaltigkeit gewinnt auch an den Finanzmärkten an Bedeutung. Künftig werden Nachhaltigkeitsindizes bei der Vergabe von Krediten eine noch größere Rolle spielen. Günstige Konditionen erhält demnach, wer einen Plan und erfolgreiche Maßnahmen für mehr Nachhaltigkeit darlegen kann. Auch wenn der Data Science Bereich in den meisten Unternehmen kein Hauptfaktor für die Emissionen ist, kann digital leichter umgerüstet werden.
Nicht zuletzt steigt die Bedeutung von Green AI, da wir uns gesellschaftlich an einem Wendepunkt befinden. Zur Begrenzung des Klimawandels müssen Privatpersonen, Politik und wirtschaftliche Akteure gemeinsam Maßnahmen ergreifen, damit unser Planet weiterhin für alle Menschen lebenswert bleibt. Sowohl das Bewusstsein als auch die Tatkraft sollten in jedem Bereich zunehmen.
Durch den Fachkräftemangel und dessen Verschärfung durch den demografischen Wandel wird die Gewinnung von qualifizierten Mitarbeitenden herausfordernder. Besonders die jüngeren Generationen achten verstärkt auf die Wirkung ihrer Arbeit. Besonderes Engagement und Weiterbildungsangebote im Bereich Nachhaltigkeit können für Entwickelnde letztendlich ausschlaggebende Kriterien sein.
Die ökologisch effiziente Gestaltung fängt bereits bei der Auswahl der Hardware und der Gestaltung der Infrastruktur an. Ist die Effektivität der Energienutzung im eigenen Rechenzentrum gewährleistet? Diese entscheidet, wie viel Energie zusätzlich zu den eigentlichen Berechnungen aufgewendet werden muss. Zudem ist die Bereitstellung von spezialisierter Hardware extra für Machine Learning ein Thema.
Im Modellierungsprozess entscheidet der Entwickler, welche Modelle zum Einsatz kommen. Grundsätzlich gilt: Je komplexer ein Modell ist, umso mehr Daten und auch Trainingszeit werden benötigt. Neben der Beschränkung auf einfache Modelle gibt es zahlreiche Methoden aus der Forschung, die hier zu mehr Nachhaltigkeit führen. Guidelines zur Gestaltung von Deep Learning oder die Auswahl der Programmbibliothek für die Implementierung des Modells sind hier Beispiele für Stellschrauben mit signifikantem Effekt.
Für die Optimierung der Performance eines Modells auf den verfügbaren Daten werden aufwendige Hyperparameteroptimierungen durchgeführt. Das Finetuning der Modelle nimmt nicht selten die Hälfte aller Trainingsläufe in der Modellentwicklung ein. Eine effiziente Gestaltung zur schnelleren Findung des optimalen Modellkandidaten hilft, den Fußabdruck im Training zu verringern. Optimierungsstrategien aus der Forschung und Metafeatures unterstützen dabei.
Die produktive Nutzung der Modelle hat im geschäftlichen Kontext große Bedeutung. Hier fallen neben dem (Meta-)Datenmangement und der Bereitstellung auch die Vorhersagen und das Nachtrainieren auf frischen Daten an. Ein hinsichtlich der Ausführung optimiertes Modell kann den Energieverbrauch einer Vorhersage bis zu 83 % verringern. Intelligentes Monitoring der Eingabedaten und der Modellperformance verringern zudem die Häufigkeit des nachträglichen Modelltrainings.
Nachhaltigkeit ist immer ein Awareness-Thema. Wird die Erfassung des Energieverbrauchs oder des verursachten CO2-Äquivalentes eingeführt, steigt das Bewusstsein für das Thema. Mit organisatorischen Rahmenbedingungen und Standards für den Entwicklungsprozess hängt die Verantwortung nicht mehr individuell bei den Entwickelnden. Maßnahmen werden so einheitlich umgesetzt.
