Green AI

Künstliche Intelligenz und Nachhaltigkeit

Die Grundidee von Green AI (Grüne Künstliche Intelligenz) stammt aus dem Positionspapier von Schwartz et al[1]. Gerade Deep-Learning-Ver­fahren be­nö­ti­gen riesige Datenmengen zum Training, um diese Verfahren über­haupt funktionsfähig zu machen. Mit ihrer Gier nach Daten und lang­wierigen Trainings­­phasen haben sich die Deep-Learning-Verfahren als wahre Ressourcen­fresser entpuppt. So benötigten Verfahren 2019 etwa 300.000-mal mehr Rechenkapazität als 2013[1]! Durch ähnlich gelagerte Initiativen wie Green IT oder Green Coding gibt es ein gemeinsames Grundverständnis für Green AI. Im Wesentlichen geht es darum, Rechenzeit und Ressourcen wie Strom, Kühlung, Rohstoffe und ähnliches einzusparen. Im Febrauar 2020 greift Ameet Talwalkar das Thema in einem Gastbeitrag[2] im IEEE Spectrum auf. Er entwickelt Vorschläge, mit denen der Teilbereich der KI-Community, dessen Schwerpunkt auf Deep Learning liegt, in Richtung Green AI geleitet werden kann.

Green AI nur im Bereich der Deep Learning-Community zu verorten ist zu kurzgefasst. KI-Methoden werden immer mehr auch im unternehmerischen Umfeld eingesetzt. Auch hier ist natürlich ein Aspekt, dass die KI-Verfahren an sich möglichst wenig CO2-Ausstoß produzieren sollten. Ein anderer, mindestens genauso wichtiger Gesichtspunkt ist, dass die KI genutzt werden kann, um den CO2-Ausstoß beispielsweise in der Produktion oder anderen unternehmerischen Aktivitäten gegenüber dem heutigen Stand zu senken. Vor allem für börsennotierte Unternehmen, wie BASF, Capgemini SE und GFT SE, die unter dem Einfluss der ESG-Rating Agenturen stehen, wird dies immer wichtiger. Diese Agenturen nutzen Kriterien aus den Bereichen Umwelt (Environmental), Soziales (Social) und verantwortungsvolle Unternehmensführung (Governance) zur Bewertung der Aktiengesellschaften. Investoren und Privatanleger können diese Ratings als Entscheidungshilfen für ihre Aktiengeschäfte nutzen. Nachhaltigkeit bekommt auf diese Weise einen höheren Stellenwert in den Unternehmen. Dies betrifft nicht nur Firmen mit einer industriellen Produktion, sondern auch Softwarehersteller.

Neben dem primären Ziel der Ressourcenschonung muss Green AI auch die Verfahren und Methoden der Künstlichen Intelligenz einschließen, die dem Umwelt-, Natur- und Artenschutz zuarbeiten. Denn das Ziel aller ressourcenschonenden Verfahren ist ja letztendlich der Erhalt unsere Umwelt und dazu gehören eine intakte Fauna und Flora. Es liegt somit auf der Hand, dass KI-Verfahren, die im Natur- und Umweltschutz wertvolle Dienste leisten, selbstverständlich der Green AI zugeordnet werden.

Es bleibt festzuhalten, dass aus unserer Sicht vor allem die drei folgenden Bereiche interessant sind:

  • Deep Learning Verfahren ressourcenschonend entwickeln und betreiben
  • KI-Verfahren im unternehmerischen Umfeld einsetzen, um ressourcenschonend produzieren, verwalten oder sonstige Arbeiten durchführen zu können
  • KI-Verfahren nutzen, die dem Natur- und Artenschutz dienen

Die Frage, die wir uns stellen, ist nicht, ob man Green AI forcieren sollte, sondern wie man Green AI in der Lehre und der praxis- und anwendungsorientierten Forschung umsetzen kann. 

 


[1]  "Green AI" von Roy Schwartz, Jesse Dodge, Noah A. Smith, Oren Etzioni Communications of the ACM, December 2020, Vol. 63 No. 12, 10.1145/3381831, arXiv:1907.10597, Juli 2019

[2] "The push for energy efficient Green AI requires new strategies" von Ameet Talwalkar, Gastbeitrag im IEEE Spectrum, 14.02.2020, https://spectrum.ieee.org/energywise/artificial-intelligence/machine-learning/energy-efficient-green-ai-strategies

 

Kontakt

Prof. Dr. Elke Hergenröther

Kommunikation
Birkenweg 7
64295 Darmstadt
Büro: D15, 2.05

+49.6151.16-38421
Elke Hergenröther

Mitglieder der Arbeitsgruppe

Fachbereich Media

Fachbereich Mathematik und Naturwissenschaften