Fraunhofer-Institut für Integrierte Schaltungen IIS

»KI selbst soll ressourceneffizient arbeiten und eingesetzt werden«

Wie kann Künstliche Intelligenz nachhaltig werden? Dr. Paulina Sierak, Leiterin der Abteilung »Analytics«, setzt auf Dateneffizienz und clevere Algorithmen.

Ressourcenschonende KI: Schon zu Beginn der Projektierung an die Nachhaltigkeit von Künstlicher Intelligenz denken

08. Mai 2024 | Die Effizienz von KI innerhalb des Machine Learning Lifecycle

KI ressoureneffizient einsetzen

Künstliche Intelligenz (KI), kognitive Systeme und lernende Maschinen spielen eine entscheidende Rolle in der künftigen Transformation von Wirtschaft und Gesellschaft. Das Training von KI-Modellen allerdings ist ein energieaufwendiger Prozess. Datenakquise, Modelltraining und Produktivbetrieb von Künstlicher Intelligenz bedeuten zusätzlichen Ressourcenbedarf durch hohe Rechenzeit und viel Speicherleistung oder auch den langfristigen Einsatz von Domänen- und KI-Experten. Wenn es gelingt, die KI selber ressourcenschonend zu gestalten, ist ein großer Schritt in Richtung Nachhaltigkeit getan.

Dr. Paulina Sierak leitet seit März 2024 die Abteilung »Analytics«. Davor war sie Leiterin der Gruppe »Data Efficient Automated Learning« und weiß: »Bereits zu Beginn einer Projektierung ist es sinnvoll, die Ressourceneffizienz der KI selbst in den Vordergrund zu rücken – sei es im Hinblick auf Dateneinsatz oder auf benötigte Fachkräfte.«

KI ressourcenschonend einsetzen

Podcast

Energie, Daten und die Ressource Mensch müssen bei der Generierung einer nachhaltigen KI-Lösung in Augenschein genommen werden. Erfahren Sie mehr im Podcast mit Dr. Paulina Sierak.

Ressourcenschonend arbeitende KI-Modelle

So kann KI für eine belastbare Infrastruktur in Industrie, Verwaltung und Kommunikation sorgen

#EffizienzvonKI

Der Machine Learning Lifecycle beschreibt den Lebenszyklus eines KI-Systems und erstreckt sich über die Daten- und Labelbeschaffung sowie das Training des Machine Learning Modells bis hin zu Deployment und Wartung des KI-Systems. Um eine ressourcenschonende KI zu gestalten, ist es wichtig, den gesamten Zyklus ins Auge zu fassen.

Der Demonstrator »Efficient.AI« zeigt an welchen Stellen die Ressourcen Mensch und Daten relevant werden und bietet Einblicke in Lösungen in den Bereichen Dateneffizienz, Transfer und Skalierung, Operationalisierung und Automatisierung (AutoML).

Zur »Efficient.AI« Online-Version (www2.iis.fraunhofer.de)

#DateneffizientesLernen

Hoher Output trotz geringem Input – das ist die Formel für dateneffizientes Machine Learning. Es zielt darauf ab, die Menge der verwendeten Daten zu reduzieren und das Trainieren der KI effizenter zu gestalten.

Dateneffizienz (scs.fraunhofer.de)
Transfer und Skalierung (scs.fraunhofer.de)

#Personaleffizienz

Derzeit wird der Machine Learning Lifecycle nur von hochqualifiziertem Personal betreut, also in Betrieb genommen, gewartet und instandgehalten. Verständliche Methoden können die Wartung und Instandhaltung der Modelle vereinfachen und damit einen niederschwelligen Zugang zu der Nutzung von KI generieren.

Operationalisierung (scs.fraunhofer.de)
Automatisierung und AutoML (scs.fraunhofer.de)

#Ressourceneffizienz

KI braucht viele Ressourcen, Daten und hochqualifizierte Menschen, die sie trainieren. Es ist wichtig herauszufinden, was an Manpower, Energie, Datenmenge und Datenspeicher wirklich nötig ist, damit die KI erfolgreich und nachhaltig eingesetzt werden kann.

#TransparenzvonProzessen

Digitale Technologien können helfen, komplexe Prozesse in der Produktion oder Logistik transparent zu gestalten. Damit ist beispielsweise erkennbar, wo zu viel Energie verbraucht wird und eventuell Ressourcen eingespart werden können.