KI – Kaum Intelligent

• Johannes Rabold
  • Twitter
  • Website
  • Email
  • GitHub
  • ResearchGate
  • ORCiD
• Gesina Schwalbe
  • Email
  • Website
  • GitHub
  • ORCiD
  • ResearchGate
  • Twitter
  • Linkedin
• Bettina Finzel
  • Linkedin
  • ORCiD

Welche Auswirkungen hat die Nutzung von KI für das Klima und welche positiven Beiträge kann KI zum Klimaschutz leisten? Unser Gast Bettina beleuchtet dieses Thema genauer mit uns.

• Unser Gast: Bettina Finzel ist zur Zeit Doktorandin zum Thema KI an der Universität Bamberg, Schwerpunkt KI in der Medizin und Methoden der erklärbaren KI
• Klimaschutz ist ein wichtiges und lange überfälliges Thema: Es muss dringend der weltweite Ausstoß von Treibhausgasen z.B. für die Energiegewinnung wegen übermäßigen Energieverbrauchs verringert werden.
• Entlang des gesamten Lebenszyklus einer KI-Anwendung werden Resourcen (Energie/Strom, Wasser, Computerbestandteile, etc.) verbraucht, oft aber teilweise vermeidbar:
  • Datenacquise -> Wähle das Modell richtig um nötige Daten zu reduzieren
  • Datenvorprozessierung, Code-Qualität -> Kein unnötiger Energieverbrauch durch unsauberen Code, z.B. teures Vorprozessieren
  • Training -> kleinere Modelle verwenden statt mit riesigen starten, wenn möglich; nach Möglichkeit Vorwissen einbringen, um das Training zu verkürzen
  • Betreiben des Modells -> kleine, effiziente Modelle verwenden
  • Updates & Wiederverwendbarkeit -> Modelle sollten einfach aktualisierbar oder in neuen Anwendungen wiederverwendbar sein
• Intelligente KI-Anwendungen haben das Potenzial, netto dem Klima zu helfen (= Energieverbrauch durch die Modelle wird durch dank KI erzielter Einsparungen in anderen Bereichen aufgehoben); dazu muss aber viel getan und beachtet werden!
• Bewusstsein ist wichtig! Hier kann viel schon bei der Auswahl der Anwendung und der Entwicklung der KI getan werden.

• Mehr Daten, mehr Interesse an großen, rechenintensiven KI Verfahren wie neuronalen Netzen heißt mehr Verbrauch von Rechenleistung (=Strom, Kühlwasser, etc.)
• Ganz kurz: Was ist die Klimakrise?
  • Aktuell typische Energieerzeugungsmöglichkeiten setzen sehr viele (zusätzliche) Treibhausgase frei, die die Erde aufheizen
  • Treibhausgase verursachen eine globale Klimaerwärmung mit deutlich gesteigerter Anzahl und Schwere von Extremwettersituationen (z.B. Trockenheit, Sturzregen) als Folge
  • Für Schadensbegrenzung müssen wir Ausstoß von Treibhausgasen, z.B. durch übermäßigen Energie-/Stromverbrauch, vermeiden/eindemmen, und knapper werdende Resourcen (z.B. Frischwasser) schonen!

• Beispielanwendungen, die direkt dem Klima nützen können:
  • Navigation für kurze Fahrtwege
  • Wettervorhersage
  • Assistenzsystem für Unfallvermeidung im Straßenverkehr und damit Vermeidung von Sachschaden und neuen Produktionskosten
  • Präzisionslandwirtschaft, z.B. bildbasierte Erkennung kranker Bäume
  • Effizientere Produktion (aber Achtung, das kann auch den Konsum und damit Resourcenverbrauch ankurbeln und damit letztenendes einen negativen Effekt haben!)
• Beispielanwendungen, die indirekt dem Klima nützen können:
  • Klimafreundlichere Anwendungen durch KI attraktiver machen, z.B.
    • Videokonferenzen (anstatt Hinfahren)
  • Wissensmanagement und Bildung, z.B.
    • Verfügbarmachen von Wissen, z.B. über den Klimawandel, über z.B. Suchmaschinen, um informierte Entscheidungen zu ermöglichen
    • Visualisierung von Informationen für bessere Nahbarkeit / „Wachrütteln“, z.B. Anwendung, die mögliche Folgen des Klimawandels wie Naturkatastrophen veranschaulicht

• Stromverbrauch (bei Datenbeschaffung, (Neu-)Training, Betreiben des KI-Modells)
• Frischwasserverbrauch beim Training und Betreiben großer Modelle in Rechenzentren durch Kühlwasserbedarf
• Resourcen– und Energieverbrauch für Herstellung benötigter Computern, z.B. Gold, seltene Erden
• Konsumsteigerung durch Automatisierung, z.B. Steigerung der Produktionsleistung -> geplante KI-Anwendung vorher prüfen

• Verwendung eines Modells: Wenn das Modell oft ausgewertet wird, sollte die Auswertung möglichst recheneffizient sein!
  Möglichkeiten, das zu erreichen:
  • Expertenwissen in das Modell einbauen: Auf die wesentlichen Informationen konzentrieren hilft, kleine Modelle zu finden
  • Pruning = gezielt trainierte Modelle verkleinern, indem Bestandteile entfernt werden, die für gute Funktion nicht gebraucht werden
  • Sparsamere Modelle (z.B. keine neuronalen Netze) verwenden, wo es geht
• Training: Mehr Rechenleistung wird benötigt
  • je mehr Parameter man zu optimieren hat
  • je mehr Trainingsdaten herangezogen werden
  • je weniger Vorwissen angewendet wird
• Trainingsdaten: Mehr Trainingsdaten heißt auch
  • mehr Aufwand (und damit Resourcenverbrauch) für die Datenacquise, z.B. Testfahrten -> Verwende bevorzugt Modelle, die wenig Daten brauchen
  • Mehr Speicherplatz und Energieverbrauch fürs Speichermanagement (z.B. Verschieben) von Daten
• Datenvorprozessierung und allgemein schlechte Code-Qualität: Prozessierungsschritte wie Normalisierung können rechenaufwendig sein -> wenn nötig, zwischenspeichern
• Wiederverwendbarkeit: Concept Drift = die Umwelt ändert sich, sodass ein neues Modell nötig wäre (z.B. Klima);
  Damit man Modelle nicht immer wegwerfen muss:
  • Verwende flexible Modelle, die leicht aktualisiert bzw. auf andere Aufgaben übertragen werden können
  • Erstelle ein möglichst allgemeines Modell, das mehrere Aufgaben erfüllt werden können;
    aber Achtung, große Modelle können wieder viel Rechenleistung brauchen! Groß & allgemein steht im Gegensatz zu klein & spezialisiert.
• Rechenplattformen:
  • Herstellung von Computern braucht auch wichtige Resourcen und Energie, z.B. hochreines Silizium, seltene Erden, Gold
  • Betreiben von Rechenzentren braucht viel Energie und oft auch viel Kühlwasser — das kann auf Kosten nicht-erneuerbarer Energiequellen und Wasserquellen gehen!

• Es muss ein paralleler Prozess sein: Umdenken Richtung Nachhaltigkeit auf der einen Seite, und neue Technologien, um gesellschaftsrelevante Anwendungen (z.B. für den Klimaschutz) zu ermöglichen, auf der anderen Seite.
• Bewusstsein ist wichtig! Nachhaltigkeit muss schon bei der KI-Entwicklung bedacht werden, um unnötige Folgen fürs Klima zu vermeiden. Und nicht alle Anwendungen sind überhaupt sinnvoll.
• Allgemeines Potential von KI fürs Klima: Rechenzentren sind aktuell für „nur“ ca. 2% des Energieverbrauchs verantwortlich; Ziel wäre es, mit wenigem Anteil am Energieverbrauch größere Energieschlucker durch intelligente Anwendungen stark zu verringern
• KI-Anwendungen bieten gesellschaftlichen Fortschritt (z.B. Bildung, Gesundheit, Sicherheit), der schwer gegen Klimaziele aufzuwiegen ist -> hier müssen Konzepte her, um diese Anwendungen nachhaltig umsetzen zu können.

• Studie zum Energieverbrauch von Video-Streaming (Englisch): https://www.carbontrust.com/our-work-and-impact/guides-reports-and-tools/carbon-impact-of-video-streaming
  Und hier eine kurze deutsche Zusammenfassung davon: https://www.enex.me/blog/wie-viel-strom-verbraucht-video-streaming
• Forschungsprojekt zur Baumgesundheitsüberwachung mit KI: https://www.fh-ooe.at/campus-wels/studiengaenge/bachelor/leichtbau-und-composite-werkstoffe/news-events/news/news-1/kuenstliche-intelligenz-soll-borkenkaefer-erschnueffeln/
• Pruning: https://de.wikipedia.org/wiki/Pruning
• Beispiele, wie KI bei Videokonferenzen helfen kann: https://www.gms-mediaservices.de/wie-kuenstliche-intelligenz-ihre-videokonferenzen-verbessert/
• Mitteilung von Google, dass sie 100% erneuerbare Energie nutzen (auch für ihre Rechenzentren): https://www.google.com/intl/de/about/datacenters/cleanenergy/
• Angaben von OpenAI über u.a. die Größe von GPT-Modellen: https://openai.com/research/instruction-following
• Gesinas Aussage, dass Nvidia mit 1000 Datenaufnahmefahrzeugen unterwegs ist, stammt von einer Aussage in der Keynote von Nvidia in der VDA Automotive SYS 2019 Konferenz.
• Das menschliche Gehirn verbraucht tatsächlich nur 20 Watt (ca. 20% des gesamten Energiebedarfs des menschlichen Körpers) und damit 5x weniger als ein typischer Fernseher (ca. 100W) und 50x weniger als ein typischer 1000W-Staubsauger. https://www.spektrum.de/news/kuenstliche-intelligenz-verbraucht-fuer-den-lernprozess-unvorstellbar-viel-energie/1660246https://arxiv.org/pdf/1906.02243.pdf
• Die Suchmaschine Ecosia, die mit ihrem Gewinn Bäume pflanzt, findet ihr hier: https://www.ecosia.org
• Smart Grids (=intelligentes Stromnetz) und wozu man sie braucht: https://de.wikipedia.org/wiki/Intelligentes_Stromnetz
  https://www.umweltbundesamt.de/service/uba-fragen/was-ist-ein-smart-grid 
• OFA-Netzwerk als „Mutter-Netzwerk“ für zahlreiche Subnetze (https://wir-die-zukunftsmacher.de/beitrag/wie-wird-kuenstliche-intelligenz-nachhaltiger/)
  OFA („Once for all“) vom MIT: https://arxiv.org/pdf/1908.09791.pdf
• Wer sich mal ein typisches Rechenzentrum auf einer Karte anschauen möchte: Hier sollte auch der Server und die Speicher stehen, über die dieser Podcast verteilt wird: https://goo.gl/maps/HmFRsE2kZcrDkUJ78
• Das Vergleichsportal „Save on Energy“ hat berechnet, dass allein das Streamen der beliebten Netflix-Serie „Stranger Things“ von 64 Millionen Menschen die gleiche Menge CO2 verursacht wie etwa 56.700 deutsche Autofahrer und Autofahrerinnen pro Jahr
  Save on Energy: https://www.saveonenergy.com/resources/uk-energy/
• Kurzer Bericht zu einer KI, die für die Erdbebenerkennung genutzt werden könnte: https://www.wissenschaft-x.com/stanford-ai-detection-system-could-predict-earthquakes
  Noch mehr zu KI und Erdbebenerkennung: https://www.gfz-potsdam.de/presse/meldungen/detailansicht/schnellere-erdbebenfruehwarnung-mit-kuenstlicher-intelligenz
• Jährlich werden >= 32 Milliarden Tonnen CO2 ausgestoßen: https://www.geo.de/geolino/natur-und-umwelt/15385-rtkl-klimawandel-wie-kohlendioxid-das-klima-veraendert
  Laut europäischem Emissionsradar haben die weltweiten CO2 Emissionen im Jahr 2021 schon 38 Milliarden Tonnen erreicht https://www.destatis.de/DE/Themen/Laender-Regionen/Internationales/Thema/umwelt-energie/umwelt/G20_CO2.html
• Energieverbrauch von Rechenzentren:
  • Bericht „Energieverbrauch von Rechenzentren“ des wissenschaftlichen Dienstes vom deutschen Bundestag im Jahr 2021: „Der Energieverbrauch von Rechenzentren in den EU-Mitgliedsstaaten wird voraussichtlich von 2,7 % des Strombedarfs im Jahr 2018 auf 3,2 % im Jahr 2030 ansteigen.“ https://www.bundestag.de/resource/blob/863850/423c11968fcb5c9995e9ef9090edf9e6/WD-8-070-21-pdf-data.pdf
  • Die Zeit: „Alle Rechenzentren weltweit sind nur für etwa ein bis zwei Prozent aller Treibhausgasemissionen verantwortlich, und KI-Anwendungen machen davon wiederum nur einen Bruchteil aus“
    https://www.zeit.de/digital/internet/2022-07/kuenstliche-intelligenz-klimaschutz-energieverbrauch/komplettansicht
• CO2-Verbrauch von AlphaGo: https://wir-die-zukunftsmacher.de/beitrag/wie-wird-kuenstliche-intelligenz-nachhaltiger/
• Zum Wasserverbrauch von Rechenzentren:
  • Hier ein Artikel (Englisch) zum Stand in den USA, veröffentlicht 2021: https://www.nature.com/articles/s41545-021-00101-w
  • Frischwasserverbrauch von Rechenzentren (Englisch): Der Frischwasserverbrauch sowie die Abwassererzeugung kann im Bereich von Millionen von Gallonen (1 Gallone~3,785 Liter): https://pubs.usgs.gov/circ/1441/circ1441.pdf
• Energieverbrauch von AlphaGo: Die KI von Googles AlphaGo hat in 40 Tagen Forschungstrainings mehr als 90 Tonnen Kohlendioxid erzeugt: https://wir-die-zukunftsmacher.de/beitrag/wie-wird-kuenstliche-intelligenz-nachhaltiger/
• Was ist Präzisionslandwirtschaft: https://www.europarl.europa.eu/RegData/etudes/STUD/2016/581892/EPRS_STU(2016)581892_DE.pdf