Interview: Wie kann Künstliche Intelligenz nachhaltig gestaltet werden?

Welche Potenziale hat KI für den Umwelt- und Klimaschutz? Wie kann man KI-Anwendungen selbst nachhaltiger gestalten? Und was können Unternehmen, Entwickler*innen oder Regierungen dafür tun? Darüber sprachen wir mit Stephan Richter vom Institut für Innovation und Technik.

Autor Lydia Skrabania, 19.03.20

Übersetzung Lydia Skrabania:

Künstliche Intelligenz ist eines der Schlagworte der heutigen Zeit. Expert*innen sind sich einig, dass diese Technologie unsere Welt maßgeblich verändern wird – und dies auch bereits tut. KI-Anwendungen begegnen uns in unserem Alltag als Sprachassistenten, als schlaue Übersetzungsprogramme oder in der Bilderkennung.

Auch im Umwelt- und Klimaschutz wird der Technologie großes Potenzial zugeschrieben und eine Vielzahl an Projekten setzt KI bereits ein. So kann mithilfe von KI-Anwendungen beispielsweise eine größere Energieeffizienz von Prozessen erreicht, Lebensmittelverschwendung verringert oder der Regenwald besser geschützt werden. Andererseits verbraucht Maschinelles Lernen selbst enorm große Energiemengen. Künstliche Intelligenz kann also – wie andere Technologien im Übrigen auch – nicht pauschal als „gut“ oder „schlecht“ gewertet werden.

Wir müssen uns daher mit der Frage auseinandersetzen, wie wir die Schlüsseltechnologie so gestalten können, dass sie tatsächlich einen positiven Impact für eine nachhaltige Entwicklung entfaltet.

Über Fallstricke und mögliche Lösungsansätze haben wir mit Stephan Richter gesprochen, einem der Autoren der Kurzstudie „Künstliche Intelligenz im Umweltbereich“. In der Studie, die das Institut für Innovation und Technik (iit) 2019 im Auftrag des Umweltbundesamtes (UBA) durchgeführt hat, widmet sich das Autorenteam Anwendungsbeispielen und Zukunftsperspektiven im Sinne der Nachhaltigkeit.

Stephan, ihr habt in der Studie fürs Umweltbundesamt untersucht, welche Potenziale KI-Anwendungen für die ökologische Nachhaltigkeit haben. In welchen Bereichen steckt denn besonders großes Potenzial?

In unserer Studie haben wir uns vor allem Entwicklungskorridore angesehen, hauptsächlich auf Basis von Experteninterviews. Das bildet natürlich bei Weitem nicht das vollständige Bild ab – und vor allem können wir darüber nicht abbilden, wo das höchste Potenzial ist. Es gibt aber durchaus andere Arbeiten wie die hervorragende Studie „Tackling Climate Change with Machine Learning“, die Ende 2019 von David Rolnick und anderen Kollegen publiziert wurde. Diese zeigt auf Basis verschiedener Sektoren, was gerade im Bereich des Maschinellen Lernens im Nachhaltigkeitskontext passiert. Da gibt es zwei Themenstränge: Wie kann KI zur Minderung des Klimawandels eingesetzt und wie kann KI zur Anpassung an die Folgen des Klimawandels genutzt werden. Relativ spannend ist, dass auch die Verfasser dieser Studie nicht wissenschaftlich basiert sagen können: Das sind die Top Potenziale, oder das sind die „low hanging fruits“. Es gibt leider nicht die eine Lösung, die den Klimawandel stoppt oder die eine Anpassungsstrategie, die das Nonplusultra ist. Aber es gibt viele kleine, sehr partielle Lösungen, die etwas zur Nachhaltigkeit beitragen könnten, wenn sie intelligent eingesetzt würden.

Und in welchen Sektoren passiert gerade viel in Sachen KI und Machine Learning?

Im Energiesektor, einem ziemlich großen Sektor, der natürlich sehr viel Treibhausgas freisetzt, geht es zum Beispiel um die Vorhersage von Energieverbräuchen. Also: Wie wird in einer Stadt oder in vielen kleinen Haushalten Energie verbraucht? Wann ist das Energienetz wie ausgelastet? Das sind sehr komplexe Systeme, dafür kann man KI nutzen.

Im Mobilitätssektor geht es um eine Vorhersage von Verkehr: Also wie kann man beispielsweise Verkehr in der Stadt positiv beeinflussen, wenn ich vorher weiß, wie er sich in den nächsten Minuten oder Stunden entwickeln wird. Im Mobilitätssektor geht es dann aber auch darum, Muster zu erkennen. Zum Beispiel muss ich als Energieanbieter wissen, zu welcher Zeit eigentlich die ganzen E-Autos, die irgendwann einmal auf der Straße fahren sollen, wo und wann geladen werden. Denn dann brauche ich gegebenenfalls plötzlich eine ganze Menge Energie. Dabei kann Maschinelles Lernen helfen.

Wie sieht es in der Industrie aus? Insbesondere beim Schlagwort „Industrie 4.0“ ist oft von Künstlicher Intelligenz die Rede.

In der Industrie geht es häufig darum, Prozesse zu optimieren, die sehr energieintensiv sind. Außerdem macht man sich auch sehr viele Gedanken über Themen wie Supply Chains. Es gibt sehr viele Beispiele, in denen Maschinelles Lernen etwas beitragen kann, um Prozesse in irgendeiner Art und Weise effizienter zu gestalten, häufig im Kontext Energieeffizienz oder um bestimmte Muster vorherzusagen.

Wenn ich durch den Einsatz von KI potenziell Ressourcen einspare, kann das aber auch immer Rebound-Effekte zur Folge haben. Das wäre eben nicht im Sinne der ökologischen Nachhaltigkeit.

Ja, das stimmt. Ich denke da an ein Beispiel aus der Luftfahrt, bei dem es darum geht, wie man mithilfe von KI die Windvorhersage verbessern und so letzten Endes Flugrouten optimieren und Treibstoff sparen kann.

Klingt erstmal positiv, es gibt aber einen Haken?

Wenn ich Sprit spare, dann spare ich natürlich auch Geld. Und dann haben wir das Problem des sogenannten Jevons-Paradoxon. Wenn wir die Effizienz steigern, also weniger Kerosin verbrauchen, dann kann das Flugunternehmen mehr Gewinne machen. Das heißt, es könnte in dem Wettbewerb, in dem es steht, Flüge günstiger anbieten. Das könnte dazu führen, dass mehr Flüge nachgefragt würden. Und das könnte wiederum dazu führen, dass die Einsparung an Kerosin, die wir ursprünglich mal mittels KI über die optimierte Flugroutenberechnung erzielt haben, durch die erhöhte Nachfrage verloren ginge. Im schlimmsten Fall könnten sogar negative Klimaauswirkungen die Folge sein, nämlich dann, wenn die erhöhte Nachfrage das Einsparpotenzial übersteigen würde. Das ist aber natürlich kein KI-spezifisches Problem, sondern ein wirtschafts- und systemspezifisches Problem.

© Anna Tiessen Stephan Richter, wissenschaftl. Mitarbeiter am iit, hat an der UBA-Studie „Künstliche Intelligenz im Umweltbereich“ mitgewirkt.

Kommen wir noch einmal zurück zu eurer Studie. Ihr habt euch ja vor allem die Nachhaltigkeitspotenziale von Künstlicher Intelligenz angeschaut. Auf der anderen Seite ist das Anlernen und Trainieren einer KI selbst wahnsinnig energie- und datenintensiv. Wie kann man Künstliche Intelligenz an sich nachhaltig gestalten?

Das ist eine ziemliche schwierige Frage. Man muss dazu schauen, um welche Nachhaltigkeit es sich hier eigentlich handelt. Ist es eine ökonomische Nachhaltigkeit? Dann kommt ganz schnell die Forderung nach einer einfachen Datenzugänglichkeit, danach, das Eigentum von Daten neu oder anders zu regeln, damit jeder auf alles zugreifen kann. Das ist sehr fragwürdig, wenn man das wieder in den Kontext sozialer Nachhaltigkeit setzt. Wenn es allerdings um die ökologische Nachhaltigkeit geht, sollten wir, denke ich, das Thema KI in einen größeren Kontext setzen, nämlich in den Kontext der Digitalisierung und des Kapitalismus. Wir können also KI nicht nachhaltig gestalten, wenn wir den digitalen Kapitalismus nicht nachhaltig gestalten.

Und wie kann man die Digitalisierung beziehungsweise den digitalen Kapitalismus nachhaltig gestalten?

Dafür gibt es bereits Lösungsansätze. Zum Beispiel gibt es einen gesetzgebenden Rahmen wie die 2019 verabschiedete CO2-Abgabe, eine Umweltsteuer auf die Emission von Kohlendioxid. Solche Ansätze könnte man noch weiter ausbauen und verschärfen. Zukünftig sollten Unternehmen ihre produkt- und dienstleistungsbezogenen CO2-Emissionen vollständig kompensieren, beispielsweise durch Ausgleichmaßnahmen. Ein verpflichtender Rahmen auf europäischem, oder besser, internationalem Level wäre hierbei ein großer Schritt zur nachhaltigen Gestaltung der Digitalisierung und auch für eine nachhaltige KI.

Sehr vereinfacht betrachtet, können wir im Hinterkopf behalten, dass die „Probleme“, die wir beim Maschinellen Lernen im Bereich der ökologischen Nachhaltigkeit anzugehen haben, vor allem Energieprobleme sind. Und die Energie wird in der Regel nicht zu 100 Prozent grün produziert, sondern man hat einen großen Kohleanteil und große Atomstromanteile – das ist definitiv nicht nachhaltig und auch nicht wünschenswert.

Diese hohen Energieverbräuche entstehen ja vor allem beim Anlernen beziehungsweise Trainieren von KI-Anwendungen. Welche Wege und Lösungen gibt es, um dieses Training energieeffizienter zu gestalten?

Es gibt mehr Publikationen dazu, wie man Ökobilanzen mithilfe von Künstlicher Intelligenz verbessern kann, als Ökobilanzen über KI. In dem Bereich der Ökobilanzierung von KI sehe ich einen großen Forschungsbedarf. Momentan wird die Arbeit von Strubell und Kollegen, von 2019, viel zitiert, in der gezeigt wurde, dass das Antrainieren oder Anlernen einer KI für die Spracherkennung ungefähr so viel CO2 verbraucht wie fünf PKW über ihren gesamten Lebenszyklus, also von der Entstehung, über den Betrieb bis zur Entsorgung. Das hört sich erst einmal nach viel Energie an, und das ist es auch. Die Frage ist aber: Was macht man mit dem Ergebnis, wie wird also dieses KI-Werkzeug genutzt? Welcher Anwendungsfall mit wie vielen Anwendern steht dahinter?

Hast du ein Beispiel dazu?

Bei dem Projekt „Stena Fuel Pilot“ geht es beispielsweise um eine KI-basierte Optimierung von Schiffsrouten. In diesem Fall wurde mittels KI berechnet, wie man die bestmögliche Route zwischen Kiel und Göteborg mit so wenig Sprit wie möglich zurücklegen kann. Es konnte gezeigt werden, dass zwei bis drei Prozent an Spritkosten eingespart werden können. Das Anlernen der KI war sicher teuer und energieintensiv; wenn das Tool in nur einer Fähre zum Einsatz käme, würde sich das bestimmt nicht lohnen. Wenn man das Pilotprojekt aber hochskaliert und das KI-Tool auf die gesamte Flotte überträgt, würde jede Fähre bei jeder Überfahrt einige Prozent Sprit einsparen. Wird die entwickelte Technologie dann auch noch einen längeren Zeitraum betrieben, dann können positive Effekte erzielt werden. Obwohl das Anlernen der KI energieintensiv war, zahlt die hochskalierte Nutzung des KI-Tools in diesem Beispiel also schlussendlich auf eine positive Ökobilanz ein.

Welche Möglichkeiten gibt es denn hinsichtlich einer „grüneren“, nachhaltigeren Gestaltung von KI – zum Beispiel für Unternehmen oder Entwickler*innen?

Das Antrainieren von KI-Tools oder Tools des Maschinellen Lernens kostet viel Energie, beispielsweise im Bereich der Hardware, im Bereich der Cloud-Anbieter oder im Bereich der Rechenzeiten. Zudem spielt auch der Standort des Rechenzentrums eine wichtige Rolle. Deutschland, die Schweiz oder die USA haben alle einen unterschiedlichen Energiemix. In diesen Kontexten kann ich beispielsweise als Programmierer oder Programmiererin zumindest eine gewisse Aufmerksamkeit walten lassen. Arbeite ich also mit einer möglichst effizienten Hardware oder mit möglichst effizienten Algorithmen? Wenn ich mir einen Cloud-Anbieter anschaue, kann ich prüfen, ob er grüne Energie nutzt, ob er CO2-neutral arbeitet, und wie seine Nachhaltigkeitsverpflichtungen aussehen. Und beim Standort des Rechenzentrums kann ich mir auch einen Überblick verschaffen. Da gibt es ein schönes Papier, aus dem ein Machine Learning Emission Calculator hervorgegangen ist, bei dem man Parameter wie Hardware, Cloud-Anbieter, Laufzeit und Standort eingeben kann, um einen groben Überschlag zu bekommen, wie viel CO2 eigentlich emittiert wird. Das ist sicherlich keine abschließende Lösung, aber ein kleines, interessantes Projekt aus der KI-Community, um Aufmerksamkeit für das Thema zu erzeugen.

Und was können Regierungen tun, um KI-Anwendungen weniger energiehungrig zu gestalten?

Ein richtiger Weg ist es, im Kontext der Forschung und Entwicklung zu investieren, um so beispielsweise effizientere KI-Algorithmen und Hardware zu entwickeln. Und dann müssen wir uns der Digitalisierung insgesamt zuwenden. Auf der einen Seite helfen zwar Forschung und Entwicklung in dem Bereich Effizienzsteigerung weiter, auf der anderen Seite brauchen wir aber auch eine Regulierung im CO2-Kontext. Wenn jedes Gramm CO2 Geld kostet beziehungsweise in irgendeiner Art und Weise verpflichtend ausgeglichen werden muss, dann werden sich Wissenschaft, Wirtschaft, wie auch Bürgerinnen und Bürger, die diese Kosten dann ja auch tragen würden, dafür einsetzen, die Digitalisierung so nachhaltig wie möglich zu gestalten. Das heißt auch, dass KI vor allem in Anwendungsfällen eingesetzt werden sollte, in denen eine positive ökologische oder soziale Nachhaltigkeitsbilanz zu erwarten ist.

Gibt es denn auch Möglichkeiten, das Training von KI-Anwendungen beziehungsweise von Maschinellem Lernen an sich weniger energieaufwändig zu gestalten?

Naja, letzten Endes geht es beim Maschinellen Lernen um einen Algorithmus, der bestimmte Muster entdecken kann, indem er sich durch Daten wühlt. Wenn man also dem Algorithmus nicht sagt, wo er suchen oder welche Parameter er optimieren soll, dann kann er sich in einem Daten-Set extrem viele Muster und Parameter ansehen.

Dazu ein Beispiel: Wenn du von hier mit einem Fahrrad nach Hause fährst, hast du so zwei, drei Parameter, auf die du achtest, um möglichst schnell oder entspannt oder möglichst ungefährdet durch andere Teilnehmer im Straßenverkehr nach Hause zu kommen. Das kann man als Mensch ganz gut hinkriegen. Wenn man zehn Parameter hat, wird das schon komplexer. Und wenn man 100 Parameter hat, die man einbeziehen möchte, und die auch alle miteinander wechselwirken können, dann ist das für einen Menschen kaum noch möglich. Hierfür könntest du einen Algorithmus des Maschinellen Lernens nutzen, der auf Basis von Daten analysiert, welche Parameter wie miteinander zusammenhängen und einen Einfluss haben könnten. Wenn der Algorithmus jedoch nicht weiß, wonach er suchen soll, durchforstet er das komplette Daten-Set extrem intensiv. Wenn wir ihm aber sagen, wo er suchen soll, also das Suchfeld einschränken, dann muss er in diesem ganzen Datenwust weniger nach Parametern suchen. Das heißt, man kann letzten Endes Energie einsparen, indem man weiß, welche Parameter man wie optimieren möchte.

Und wie sieht es mit der Dateneffizienz aus? Ich brauche ja immer Berge an Big Data, um Machine-Learning-Algorithmen zu trainieren – oder lässt sich auch das reduzieren?

Für das Training einer KI braucht man auf jeden Fall immer Datensätze. Letzten Endes baut man ja nichts anderes als ein statistisches Modell mittels KI, um in einem Daten-Set Muster zu erkennen oder auch vorherzusagen. Dabei ist aber wichtig, dass man die Datensets vorher schon so gut wie möglich aussuchen und vorsortieren sollte. Wenn man also genau weiß, wohin man möchte, kann man das Suchfeld einschränken, sodass dann weniger Rechenpower von der KI benötigt wird. Das ist aus zweierlei Gründen wichtig: Zum einen verursacht das weniger Arbeit und es kostet eben auch weniger Energie.

Danke für das Interview!

Wie kann KI im Umwelt- und Klimaschutz wirkungsvoll eingesetzt werden? Welche spannenden Projekte gibt es? Was sind die sozial-ökologischen Risiken der Technologie und wie sehen Löungen aus? Antworten und konkrete Handlungsempfehlungen geben wir in unserem Greenbook(1) „KI und Nachhaltigkeit – Können wir mit Rechenleistung den Planeten retten?“.

Dieser Artikel ist Teil des Dosssiers „Künstliche Intelligenz – Können wir mit Rechenleistung unseren Planeten retten?“. Alle Artikel des Dossiers findest du hier: Dossier KI

Das Dossier ist Teil der Projekt-Förderung der Deutschen Bundesstiftung Umwelt (DBU), in deren Rahmen wir vier Dossiers über zwei Jahre zum Thema „Chancen und Potenziale der Digitalisierung für eine nachhaltige Entwicklung“ erstellen.


Mehr Informationen hier.

 

RESET-Dossier: Künstliche Intelligenz – Können wir mit Rechenleistung unseren Planeten retten?

Längst erleichtern Algorithmen und Künstliche Intelligenzen unseren Alltag und lösen komplexe Aufgaben. Doch liefern die intelligenten Computerprogramme auch neue Lösungen für den Umwelt- und Klimaschutz? Dieser Frage gehen wir in den nächsten Wochen mit einem Dossier nach.

mullklassifizierung_dfki
© DFKI
Drohnen und KI erkennen Plastikmüll in Flüssen und Meeren

Eine deutsche Forschungsgruppe setzt Drohnen in Kambodscha ein. Die Fluggeräte identifizieren und lokalisieren Plastikmüll entlang von Wasserwegen und machen Gegenmaßnahmen so effektiver.

Amnesty Decoders: Online-Aktivist*innen decken mit KI Menschenrechtsverletzungen im Sudan auf

Mit seinem Decoder-Programm will Amnesty International Menschenrechtsverletzungen und Umweltschäden aufdecken – unterstützt von intelligenten Computerprogrammen und Tausenden digitalen Freiwilligen. RESET sprach mit der Leiterin von Amnesty Decoders, Milena Marin, über das Projekt „Decode Darfur“ im Sudan.

Hyperganic: KI-Engineering plus 3D-Druck – Eine Chance für die nachhaltige Entwicklung?

Das Münchner Startup Hyperganic kombiniert 3D-Druck mit Künstlicher Intelligenz. Das führt zu neuen, unerwarteten Designs und bringt auch Potenziale zum Erreichen der nachhaltigen Entwicklungsziele.

Interview: Climate Change AI – Forschung an der Schnittstelle von KI und Klimawandel

Unter dem Namen „Climate Change AI“ haben sich Forschende zusammengeschlossen, die sich für den Einsatz von maschinellem Lernen zur Bewältigung der Klimakrise engagieren. Wir sprachen mit der Vorsitzenden Lynn Kaack.

OpenSurface: KI-Plattform spürt Landnutzung und Entwaldung aus dem Weltraum auf

Das Projekt OpenSurface bietet eine KI-basierte Lösung an, mit der sich Landnutzung aus dem Weltraum überwachen lässt. Dies soll auch den Klimaschutz auf globaler Ebene vorantreiben.

Interview: Können wir Künstlicher Intelligenz vertrauen?

Wie können wir KI-basierte Systeme so gestalten, dass ihr Einsatz dem Gemeinwohl nützt? Wir sprachen mit Kristina Penner von AlgorithmWatch über algorithmische Bias und Diskriminierungspotenziale von KI, aber auch über Transparenz und Teilhabe.

2048px-datacenter_de_arsat
©
KI ermöglicht energiesparende Kühlung von Rechenzentren

Weltweit entstehen immer mehr Rechenzentren, deren Energieverbrauch extrem hoch ist. Mit dem Einsatz von Künstlicher Intelligenz kann der Energieverbrauch gesenkt werden.

Masakhane: KI und maschinelles Übersetzen für die Transformation Afrikas

Afrikanische Sprachen sind in der digitalen Welt wenig oder gar nicht repräsentiert. Millionen Sprecher*innen von Kiswahili, isiZulu, Tshiluba und Co. sind damit von digitalen Möglichkeiten und Informationen ausgeschlossen. Ein Open-Source-Projekt tüftelt deshalb an KI-Lösungen für maschinelle Übersetzungen.