Ressourcenschonende KI: Nachhaltig von Anfang an

00:00:00: Frauenhofer IES Podcast

00:00:06: Herzlich willkommen zu einer neuen Podcastfolge des Frauenhofer IES.

00:00:09: Wer mich noch nicht kennt, ich bin Julian Hörndlein, ich bin freier Wissenschaftsjournalist

00:00:14: und ich blicke regelmäßig hinter die verschiedenen spannenden Forschungsthemen am Frauenhofer

00:00:19: IES.

00:00:20: Heute soll es um künstliche Intelligenz gehen, und zwar aus einer ganz besonderen Perspektive.

00:00:25: Ich stelle mir nämlich die Frage, wie ressourcenschonende KI zu mehr Nachhaltigkeit beitragen kann.

00:00:31: Dazu möchte ich wissen, wie künstliche Intelligenz im Kontext der Nachhaltigkeit zu verorten ist,

00:00:37: auf welcher Aspekt es zu achten gilt und ob KI auch künftig eigentlich dem Ruf anhaften

00:00:41: wird, unglaublich energieintensiv zu sein.

00:00:44: Also wir erinnern uns vielleicht alle an die Anfänge von Chatchi Pt, da wurden angeblich

00:00:49: 500 Megawatt Stunden an Strom pro Tag verbraucht.

00:00:52: Diese und mehr Fragen möchte ich jetzt mit einem Experting klären.

00:00:56: Dazu habe ich mir Dr. Paulina Sirak in den Podcast eingeladen.

00:00:59: Hi Paulina, schön, dass du da bist.

00:01:01: Hi Julian, danke für die Einladung.

00:01:03: Du bist Abteilungsleiterin Analytics bei der Arbeitsgruppe für Supply Chain Services

00:01:08: des Frauenhofer IES in Nürnberg und München.

00:01:11: Was sind denn deine Themen?

00:01:13: Ja, wir in der Abteilung Analytics, wir beschäftigen uns damit wie man mit künstliche Intelligenz-Ressourcen

00:01:19: in Wertschöpfungsnetzen schonen und damit dann auch Lieferketten resilienter gestalten

00:01:24: kann.

00:01:25: Wir nutzen dazu ein Unternehmen vorhandenen Daten, um Transparenz zu schaffen, Zusammenhänge

00:01:29: zu identifizieren und dann daraus entsprechende Entscheidungen abzuleiten, um eben nachhaltiger

00:01:35: und resilienter zu werden.

00:01:36: Und um das zu tun, haben wir verschiedene Gruppen bei uns in der Abteilung, die unterschiedliche

00:01:41: Kompetenzen auch aufweisen.

00:01:42: Einerseits betrachten wir über unterschiedliche Ansätze Prognosen und Optimierungen von Einzelprozessen

00:01:49: und Prozessketten.

00:01:50: Andererseits schauen wir aber auch darauf, wie man den RKI-Entwicklungsprozess vereinfachen

00:01:56: kann und damit auch Ressourcenspaar machen kann, um noch mehr Einsatzmöglichkeiten innerhalb

00:02:02: der Supply Chain zu ermöglichen.

00:02:04: Gut, zu Beginn habe ich jetzt schon mal gesagt CO2-Verbrauch.

00:02:08: Du bist aufs Thema Ressourcensparen eingegangen.

00:02:10: Nachhaltigkeit gibt es auch noch.

00:02:12: Das sind alles Begriffe, die in der Öffentlichkeit in einem ähnlichen Kontext verwendet werden.

00:02:16: Bevor wir jetzt auf künstliche Intelligenz eingehen, möchte ich kurz nochmal Licht

00:02:21: in diesen Begriffsschungel bringen.

00:02:22: Wenn du, wenn wir über Nachhaltigkeit sprechen, was meint ihr am Fraunhofer IES denn damit?

00:02:27: Ich kann mich noch daran erinnern, dass man das Wort "nachhaltig" dann im Alltag in

00:02:32: Verbindung gebracht hat, wenn Dinge, sei es Produkte, Prozesse, Veränderungen usw.

00:02:36: und so vor, wirklich lange in Bestand hatten.

00:02:39: Und das ist in meiner persönlichen Vorstellung auch nach wie vor der Begriff der Nachhaltigkeit.

00:02:44: Aber heutzutage wird dieser Begriff ja häufig in den Kontext der Ökologie gesetzt.

00:02:49: Das heißt, dass endliche Ressourcen aufgrund der Präsens- und Relevanz hauptsächlich

00:02:54: im Fokus stehen und damit halt einfach meistens thematisiert werden.

00:02:58: Aber es gibt ein 3-Sollen-Modell der Nachhaltigkeit.

00:03:02: Das betrachtet nicht nur die Ökologie, sondern eben auch Ökonomie und soziale Aspekte.

00:03:09: Kannst du kurz erklären, wie diese 3-Sollen zusammenhängen?

00:03:13: Ja, das 3-Sollen-Modell, von dem ich gerade gesprochen habe, betrachtet eben, wie gesagt,

00:03:19: Ökologie, Ökonomie und eben Soziales und sagt, dass all diese Säulen im Gleichgewicht

00:03:24: stehen müssen, damit wirkliche Nachhaltigkeit erzielt werden kann.

00:03:28: Also das bedeutet auch, also wenn wir das insbesondere in die heutige Zeit anpassen,

00:03:32: ökologische Aspekte oder ökologische Anpassungen haben, nur dann wirklichen Bestand, wenn sie

00:03:37: auch ökonomisch umsetzbar sind und sozial angenommen werden.

00:03:41: Die Projekte, die wir in der Arbeitsgruppe für Supply Chain Services betrachten, zahlen

00:03:46: auf all diese Säulen ein in unterschiedliche Maße, würde ich sagen.

00:03:50: Da wir uns aber hauptsächlich mit Wertschöpfungsnetzwerken beschäftigen, vermutlich primär in die

00:03:56: ökonomische Nachhaltigkeit, damit zahlen wir aber auch auf eines der Nachhaltigkeitsziele

00:04:02: der ARGEN2031, Industrie, Innovation und Infrastruktur.

00:04:06: Und das ist das Sustainable Development Goal Nummer 9 in der ARGEN2030.

00:04:11: Genau, bleiben wir da vielleicht mal kurz, um unseren Hörerinnen und Hörern zu erklären,

00:04:16: was es mit den Sustainable Development Goals oder den SDGs eigentlich auf sich hat.

00:04:20: Die Vereinten Nationen, die haben 2016 diese SDGs eben in Kraft gesetzt.

00:04:25: Das sind Ziele für eine nachhaltige Entwicklung auf Deutsch und die betrachten jeweils ganz

00:04:30: verschiedene Bereiche.

00:04:32: Du hattest das neunte Ziel gerade angesprochen.

00:04:34: Da geht es um nachhaltige Entwicklung in der Industrie und auch in der Infrastruktur, aber

00:04:38: es gibt auch ganz viele weitere Ziele aus einem relativ breiten Feld.

00:04:42: Genau.

00:04:43: Gut, dann schon mal vielen Dank für diesen ersten Einblick.

00:04:47: Dann möchte ich jetzt gleich tiefer einsteigen in die Technologie der künstlichen Intelligenz.

00:04:51: Ich habe vorhin in der Einleitung ja schon erzählt, dass KI im Ruf steht mit Chatchi

00:04:56: Petit zum Beispiel sehr energieintensiv und daraus vielleicht auch eher klimaschädlich

00:05:01: zu sein.

00:05:02: Wie positioniert sich denn aus deiner Sicht KI in den drei Säulen, die du uns gerade

00:05:06: gezeigt hast?

00:05:07: Ich würde sagen, es hängt davon ab.

00:05:11: Also das stimmt schon, was du sagst, dass insbesondere das Training von KI-Lösungen

00:05:15: super energieintensiv ist.

00:05:17: Und je mächtiger das Modell ist, desto höher ist auch der Energiebedarf bei dem Ganzen.

00:05:22: Am Ende hängt es aber wie bei jeder anderen Technologie davon ab, wofür KI eingesetzt

00:05:27: wird und welchen Nutzen KI tatsächlich bringt.

00:05:29: Ich persönlich finde, aber man sollte auch die Vorteile der Technologien und Fokusrücken,

00:05:35: die in den Medien nicht so stark betrachtet werden.

00:05:37: Hast du dafür ein Beispiel?

00:05:39: Ja, starten wir mal mit der Säule der Ökologie und wie KI dort eben einen Mehrwert bringen

00:05:45: kann.

00:05:46: Wir haben beispielsweise auch explizite Projekte in diesem Bereich, der Energieversorgung

00:05:50: beispielsweise, um durch KI Energienetze optimal auszulasten und somit Verschwendung

00:05:55: zu reduzieren beispielsweise.

00:05:57: Gleiches tun wir auch in Bezug auf Prognosen von Bedarfen, zum Beispiel im Großhandel,

00:06:02: sodass keine unnötigen Mengen bestellt und damit Müll generiert wird.

00:06:05: Oder eben auch ein weiteres ein alltägliches Beispiel sind auch Navigationssysteme oder

00:06:12: explizit auch was bei unserer Abteilung betrifft Routenoptimierungen, sodass mittels KI schnellste

00:06:17: und nachhaltigste Routen genommen werden und damit eben auch glaseverlingert werden können.

00:06:21: Ja, du sprichst das mit der Routenplanung an.

00:06:25: Ich sehe das jeden Tag, wenn ich bei Google Maps die CO2-Sparrenste Routen angezeigt bekomme.

00:06:29: Wie sieht es denn jetzt mit der sozialen Nachhaltigkeit aus?

00:06:32: In Bezug auf die Soziale Säule sind wir, denke ich, an bereits vielen Stellen im Alltag

00:06:38: mit KI-Systemen in Kontakt, die uns tatsächlich auch das Leben erleichtern, würde ich sagen,

00:06:43: sei es in Abfragen in Suchmaschinen, um schnell an Wissen zu gelangen oder online Übersetzungstools

00:06:48: und mit anderssprachigen Menschen in Kontakt zu treten, sei es auch, dass vielen vielleicht

00:06:53: gar nicht so bewusst in der Optimierung von Fahrplänen, von öffentlichen Verkehrsmitteln,

00:06:58: sodass Anschlüsse gut erreicht werden können und und und.

00:07:01: Also, so siehst KI ist schon vielerorts auch für unser Wohl im Einsatz.

00:07:06: Ein weiteres Beispiel, das mehr aus dem unternehmerischen Kontext ist, ist auch ein Projekt zur Schichtplanung

00:07:12: bei uns, das wir gemeinsam mit Umschlaghallen durchgeführt haben.

00:07:16: Dort haben wir mittels KI-Schichteinsatzpläne auf Basis von Prognosen für einen längeren

00:07:20: Zeithorizont erstellt und somit eine gute Grundlage geschaffen, den Mitarbeitenden

00:07:25: eine bessere Planungssicherheit zu geben.

00:07:27: Das hat wirklich direkte Auswirkungen auf deren Work-Life-Balance, deren Planung von Kinderbetreuung

00:07:33: zum Beispiel und so weiter.

00:07:35: Und außerdem konnten wir damit auch eine Situation schaffen, in der eine Überbelastung vermienen

00:07:41: wird, dadurch, dass eben zu wenig Personal zur Verfügung steht, falls mal einfach mehr

00:07:45: zu tun ist.

00:07:46: Und natürlich kann man sich dabei auch denken, dass all diese Aspekte auch wirklich einen

00:07:49: positiven ökonomischen Einfluss auf die Unternehmen haben.

00:07:52: Aber wie eingangs gesagt, das möchte ich gerne einfach nochmal betonen, wie bei jeder Technologie

00:07:57: geht es also darum, KI sinnvollen für sinnvolle Anwendungen und im richtigen Maß einzusetzen?

00:08:01: Ja, über den Einsatz wollen wir gleich noch ein bisschen detaillierter sprechen.

00:08:06: Ich habe mir noch aufgeschrieben, du hattest eingangs gesagt, dass sie in der Abteilung

00:08:10: Daten nutzt, um Transparenz zu schaffen.

00:08:12: Kannst du vielleicht kurz erklären, was das genau bedeutet und wofür das gut ist?

00:08:17: Wir nutzen bei uns explizit im Bereich Supply Chain Services oft den Begriff "digitale

00:08:23: Transparenz".

00:08:24: Es bedeutet, dass wir anhand gesammelter und gemessener Daten komplexe Zusammenhänge

00:08:28: erkennen können, die vorher einen Mensch nicht im Stande war zu sehen, weil sie eben

00:08:32: oft mit bloßem Auge oder mit Experten wissen, nicht wirklich erkennbar sind.

00:08:37: Und solch eine Transparenz kann beispielsweise aufzeigen, an welchen Stellen Ressourcen unnötig

00:08:42: verbraucht werden oder verschwendet werden.

00:08:45: Und wenn ich dann diese Daten habe und dann entsprechend mit zusätzlichem Expertenwissen

00:08:51: anreichere, kann diese Verschwendung nach und nach reduziert werden.

00:08:55: Wenn wir das Ganze jetzt mal in den Kontext der Nachhaltigkeit setzen, aber zuerst in

00:09:00: Bezug auf die Solle der Ökologie, ich habe vorher in dem gleichen Kontext schon über

00:09:05: die Ressource Energie gesprochen.

00:09:06: Es ist ja so, dass ihr bis dato noch nicht zu 100% Energie aus regenerativen Quellen

00:09:11: beziehen.

00:09:12: Und das ist nach wie vor eine endliche Ressource, auch wenn wir es uns oft anders wünschen.

00:09:17: Und jetzt ist es so, dass es ganz oft Unternehmungen gibt, wo verschiedene Verbraucher vorhanden

00:09:24: sind, also sei es zum Beispiel in der Produktion, mit vielen verschiedenen Maschinen, Anlagen,

00:09:28: etc.

00:09:29: Und daher ist dann auch entsprechend ein sehr komplexer Energieverbrauch.

00:09:34: Teilweise ist aber Unternehmen nicht bekannt, welche Maschine, wie viel Energie verbraucht,

00:09:38: da diese Daten insbesondere an älteren Anlagen auch oft nur auf Publikalebene betrachtet

00:09:44: werden.

00:09:45: Und das heißt, dass der erste Schritt erstmal die Erfassung dieser Energieverbraucher auf

00:09:50: ein Anlagenbasis ist.

00:09:52: Und wenn ich diese Daten habe, kann ich Optimierungen davon durchführen.

00:09:56: Zum Beispiel kann ich meine Produktion besser takten, um Stillstand zu vermeiden oder gezielte

00:10:01: Anlagen ins Zentralmodus fahren und so weiter.

00:10:03: Okay, Ökologie, das leuchtet für mich ein.

00:10:07: Wie sieht es mit der Ökonomie aus?

00:10:08: Ja, auch wie vorher schon genannt, all diese Aspekte wissen meistens ja auch irgendwie

00:10:12: mit der Ökonomie verbandelt, denn Energie kostet in diesem Beispiel auch Geld.

00:10:17: Und außerdem ist es auch effizienter, Produktionssysteme sinnvoll auszulasten, keine unnötigen Schichten

00:10:23: zu fahren und Last but not least auch die Mitarbeiterin sind voll auszulasten.

00:10:28: Und damit kommen wir dann auch zur dritten Säule, der sind die sozialen Säule, denn

00:10:32: solche Transparenz ermöglicht es auch, gesunde Arbeitsplätze zu generieren, wenn ich weiß,

00:10:37: wie stark sich ein Arbeitsprozess auf Mitarbeitende denn auch wirklich auswirkt.

00:10:41: Dann kann ich nämlich den Tag so gestalten, dass diese wirklich langfristig und frohe

00:10:45: Hätigkeiten ausüben können.

00:10:46: Okay, ich höre raus, dass sich KI und Nachhaltigkeit, wenn man in diesen drei Säulen, denkt, nicht

00:10:52: ausschließen.

00:10:53: Trotzdem ist es ja so, dass KI relativ viele Ressourcen benötigt.

00:10:56: Ja, wie geht ihr denn jetzt an diese Herausforderungen dann heran?

00:11:00: Ja, das stimmt, da hast du recht, auch KI benötigt Ressourcen und ist nicht per se nachhaltig.

00:11:05: Und auch hier sind alle drei Säulen der Nachhaltigkeit betroffen.

00:11:08: Einerseits die Säule der Ökologie, war Strom bereits angesprochen, aber auch Daten müssen

00:11:15: gespeichert werden und Speichermedien werden bei großen Datensätzen oft auch wassagekühlt.

00:11:19: Die derzeit größten Faktor stellt wahrscheinlich die Ökonomie dar.

00:11:23: Die KI-Entwicklung ist nach wie vor teuer.

00:11:25: Es gibt wenige Experten in diesem Gebiet, es kostet viel Zeit.

00:11:28: Es gibt noch wenige Systeme von der Stange sozusagen und die Generierung von Daten ist

00:11:35: oft auch nicht unbedingt kostengünstig.

00:11:37: Und Last but not least gibt es da immer noch auch den Menschen.

00:11:41: Und der Mensch möchte auch von KI-Systemen überzeugt werden und das geht aktuell nicht

00:11:45: so leicht, denn KI-Systeme sind nicht leicht zugänglich, sie erfordern eine hohe Expertise

00:11:51: und viel wertvolle Arbeitszeit, die notwendig ist, um sie zu entwickeln.

00:11:55: Und aktuell gibt es auch wenig Vertrauen in diese Technologie, wenn sie insbesondere

00:12:01: für wichtige Zwecke eingesetzt wird.

00:12:03: Also um das mal zusammenzufassen, es gibt einige Ressourcen, die für die Generierung

00:12:07: einer nachhaltigen KI-Lösung betrachtet werden müssen.

00:12:10: Das ist die Energie, Daten und der Mensch.

00:12:13: Okay, bleiben wir zu Beginn mal bei der Ressource Energie, einfach weil die, wie ich jetzt auch

00:12:18: schon mehrfach gesagt habe, ziemlich im Fokus steht in der Öffentlichkeit.

00:12:22: Warum braucht denn KI eigentlich so viel Energie und gibt es da vielleicht Ansätze, das zu

00:12:26: verbessern?

00:12:27: So vereinfacht kann man sagen, dass KI einerseits für die Entwicklung und andererseits für

00:12:32: den produktiven Einsatz Energie verbraucht.

00:12:34: Für die Entwicklung braucht es aber wesentlich mehr Energie, weshalb ich das Thema gerne

00:12:38: hier in den Fokus setzen möchte.

00:12:40: Und um nochmal eine kleine Differenzierung von KI durchzuführen, ich möchte mich insbesondere

00:12:47: in diesem Kontext befassen. Also das bedeutet, dass es maschinelles Lernen, ein System lernt

00:12:54: auf Basis vorhandener Daten selbstständig Zusammenhänge und dabei ist der Mensch nur

00:12:59: derjenige, der vorgibt, wie das System diese Zusammenhänge erkennen soll. Das heißt, Daten

00:13:04: werden dann beispielsweise gruppiert, miteinander verglichen, Unterschiede und Gemeinsamkeiten

00:13:09: erkannt und so weiter. Und hier gilt dann, je größer ein Datensatz ist, desto länger braucht

00:13:16: dieser Prozess auch, also das maschinelle Lernen und desto größer ist auch der Verbrauch

00:13:20: an Energie. Wenn dieser Datensatz und auch noch komplex und qualitativ schlecht ist, werden

00:13:25: auch immer komplexere und damit rechnintensivere Algorithmen benötigt, damit man überhaupt

00:13:30: Zusammenhänge daran erkennen kann. Das prominenteste Beispiel ist hier wahrscheinlich auch wieder

00:13:35: ChatGPT, worüber wir auch schon gesprochen haben, denn dann kannst du sich ja vorstellen,

00:13:39: Sprache ist nicht immer einfach und hier denke ich gerade an die deutsche Grammatik

00:13:42: oder beispielsweise die englische Rechtsstreibung. Eine Lösung dafür ist die nur so möglichst

00:13:49: weniger und dabei möglichst qualitativ hochwertiger Daten. Es geht jetzt natürlich im Kontext der

00:13:53: Sprache nicht so einfach, aber in Unternehmen gibt es doch einige Use Cases, wo das möglich

00:13:58: ist. Dafür muss man aber auch ein gutes Verständnis für die Use Cases haben und auch entsprechend

00:14:04: die ganzen Daten, die dann zur Verfügung stellen, auch wirklich sauber aufbereiten

00:14:08: und für die weiteren Machine Learning Tätigkeiten auch vorbereiten. Ein Bestandteil davon kann

00:14:15: beispielsweise Data Center GAI sein. Kannst du das kurz erklären im Begriff?

00:14:20: Ja, dazu würde ich gerne kurz ausholen, denn bis dato liegt der Fokus in der Forschung

00:14:25: doch sehr stark auf der Generierung immer stärkere und performantere Modelle, die immer

00:14:29: besser Zusammenhänge aus schlechten Daten identifizieren können. Seit ein paar Jahren

00:14:36: hat sich aber ein neuer Trend entwickelt, und zwar eben Data Center GAI. Hier geht man

00:14:41: wieder back to the roots sozusagen und entwickelt Methoden, die Qualität der Daten erst zu

00:14:47: steigern, bevor man deren Zusammenhänge dann auch erst erlernt. Wenn das gelingt, können

00:14:52: dann auch einfacher und damit recheneffizientere Modelle herangezogen werden und nicht mehr

00:14:58: die stark performanten Algorithmen, auf denen der hauptsächliche Fokus in den letzten Jahren

00:15:03: in der Forschung lag. Also ich höre raus, bei Data Center GAI geht das hauptsächlich um

00:15:09: die Qualität der Daten. Hast du dafür vielleicht ein Beispiel für uns?

00:15:12: Ja, sehr gerne. Ein Beispiel ist das Labeling von Daten. Aber ich glaube, ich muss jetzt

00:15:17: erst mal erklären, was Labeling überhaupt ist, oder?

00:15:19: Ja, bitte.

00:15:20: Normalerweise werden Datenpunkten immer gewisse Zielinformationen hinzugefügt. Das können

00:15:25: beispielsweise Qualitätsinformationen von Bauteilen sein, also ist es gut oder ist es

00:15:29: schlecht oder ein Kraftstoffverbrauch bei bestimmten Routen und Routenalternativen,

00:15:35: wenn es um CO2 sparende Routen geht oder Preise für bestimmte Dienstleistungen, wenn es darum

00:15:41: geht, zukünftige Dienstleistungen vielleicht zu prognostizieren oder eben auch ein Grad

00:15:47: der Anstrengung für bestimmte Tätigkeiten. Wir hatten es vorher von der Mitarbeiterauslastung.

00:15:51: Und je nachdem, wie diese gemessen werden, ist diese Information eben nicht hundertprozent

00:15:57: exakt. Und oft werden eben Menschen für diese in Anführungsstrichen Messungen eingesetzt

00:16:03: und dabei können sich hier und da auch mal subjektive Eindrücke oder Flüchtigkeitsfehler

00:16:07: einschleichen. Aber nicht nur Menschen machen Fehler, auch maschinelle Messungen können

00:16:12: fehlerhaft sein, dadurch, dass man Sensoren ausfallen oder sie nicht richtig kalibriert

00:16:16: sind und und und. Und ich hatte ja erwähnt, dass DataCentric AI eine Lösung ist, um entsprechend

00:16:23: die Daten, also die Datenqualität zu steigern. Und ja, dieses Feld umfasst relativ viele

00:16:29: Methoden und dadurch, dass es relativ neu ist, ist auch noch nicht hundertprozentig klar,

00:16:33: war es jetzt wirklich dazu gehört und was nicht. Aber eine davon, wo man sich auch schon

00:16:37: relativ sicher ist, ist Confident Learning. Confident Learning, da ist glaube ich der Name

00:16:41: schon Programm, man möchte sich sicher sein, dass die Qualität der Daten auch wirklich

00:16:45: hervorragend ist, um dann später gutes Modell trainieren zu können.

00:16:49: Ja, Stichwort Daten, das passt wunderbar, dann sind wir ja schon bei dem zweiten Aspekt, den

00:16:54: du vorhin angesprochen hast, nämlich eben den Daten. Wie spielt denn Danachhaltigkeit

00:16:58: mit rein?

00:16:59: Ja, ein Aspekt ist auch die Datenmenge und damit meine ich jetzt nicht, wie viele Gigabyte

00:17:03: an Daten eben zur Verfügung stellen, sondern welche Art der Daten in welcher Menge vorliegen.

00:17:08: Denn ja, man kann sich vorstellen, KI kann unter anderem dafür verwendet werden, Tätigkeiten

00:17:14: durchzuführen, wofür es beispielsweise keine Fachexperten mehr gibt oder mehr gefunden

00:17:18: werden können und Beispiele hierfür könnten Warn-Eingangsprüfungen sein oder Qualitätssicherungen,

00:17:25: wo wirklich ja Experten ja diese Arbeit durchgeführt haben, aber eben nicht mehr nachbesetzt werden

00:17:30: können, aus Weihengrunden auch immer. Dort können beispielsweise KI-Systeme zur Anwendung

00:17:35: kommen, die dann auf Basis von Bildern beispielsweise trainiert werden. Und diese KI soll dann

00:17:40: also die Entscheidungsfähigkeit lernen zwischen richtigen und falschen Teilen oder zwischen

00:17:45: guten und schlechten. Um diese Unterscheidung aber lernen zu können, braucht es ja auch

00:17:50: Informationen über falsche oder schlechte Teile. Und diese sind oft wirklich schwer

00:17:54: zu kriegen, denn auch im Sinne der Nachhaltigkeit möchten Firmen möglichst nur gute Teile

00:17:59: produzieren oder auch ausliefern. Und in solchen Fällen sind unterschiedliche Lösungsansätze

00:18:04: denkbar. Also zum einen können bestehende Modelle wiederverwendet werden, die mit nur

00:18:08: wenigen zusätzlichen Daten und damit auch wenigen zusätzlichen negativen Daten auf

00:18:13: die eigenen Anwendungsfälle transferiert und angepasst werden, aber auch eine Synthesisierung,

00:18:19: Augmentierung der Daten ist denkbar, denn dadurch könnten beispielsweise Datenpunkte

00:18:24: insbesondere fehlerhafter Teile durch marginale Änderungen wirklich verfielfältigt werden

00:18:30: und damit eben ein ausgeglichener Datensatz geschaffen werden, wo das Lernen etwa viel

00:18:34: leichter fällt für das Modell.

00:18:36: Okay, jetzt haben wir Energieverbrauch und Daten. Der dritte Aspekt, der häufig in

00:18:42: der Diskussion oft mal vergessen wird, ist der Mensch. Wie adressiert ihr denn diesen

00:18:46: Aspekt bei euch?

00:18:47: Ein großer Fokus unserer Arbeit und insbesondere in der Gruppe Data-Efficient Automated Learning

00:18:53: ist es wirklich KI-Entwicklungen leichter und niederschwelliger zu machen. Und das bedeutet

00:18:58: auch insbesondere für Menschen und für Unternehmen. Und da spielen die bisher genannten Faktoren

00:19:04: mit rein, also auch Energie und Daten, aber oft mangelt es eben innerhalb Unternehmen an

00:19:09: der Expertise zu KI. Und wir stellen uns dann dabei die Frage, wie man hier aus technischer

00:19:15: Sicht Abhilfe schaffen kann. Und ein großer Aspekt dabei ist die Kapazität, die ein KI-Experte,

00:19:21: aber auch ein Domäne-Experter, also derjenige, der vom Prozess die größte Ahnung hat,

00:19:25: aufwenden muss, um ein KI-System zu trainieren. Das ist insbesondere dann wichtig, wenn es

00:19:31: in Unternehmen wirklich wenige dieser KI-Experten gibt.

00:19:34: Wie muss ich mir dann die Arbeit eines KI-Experten überhaupt vorstellen?

00:19:39: Ja, der KI-Entwicklungsprozess kann, was man glaube ich gar nicht so sehr auf dem

00:19:45: Schirm hat, wirklich sehr eintönig und iterativ sein. Viele Schritte dabei sind trial and

00:19:50: error und ein Modell wird wirklich langsam und iterativ auf einen bestimmten Newscase

00:19:55: angepasst. Einerseits über die Auswahl des richtigen Algorithmus und andererseits über

00:20:00: das Fine-Tuning auf den Anwendungsfall über Stellschrauben, sogenannte Hyperparameter.

00:20:05: Wenn man diesen Prozess jetzt für jeden einzelnen Newscase und auch jede einzelne

00:20:12: Usecase-Variante, wenn man ihn wieder verwenden will, nochmal machen muss, kostet das wirklich

00:20:17: immens viel wertvolle Zeit. Ja, und hier kommt automatisiertes maschinelles

00:20:22: Lernen AutoML in Spielen.

00:20:24: Was hat es damit auf sich?

00:20:26: Wir hatten beispielsweise ein Projekt mit einem großen Partner, der eine eigene Data-Science-Abteilung

00:20:31: hatte, die zwar eine recht große Kapazität hatte, aber nur wenige Use-Cases umsetzen

00:20:37: konnte. Diese Abteilung hatte mehrere Fertigungslinien der gleichen Art mit KI-Systemen ausgestattet

00:20:43: und diese KI-Experten mussten für jede einzelne dieser Linien den gleichen Prozess der Entwicklung

00:20:50: nochmal durchführen, um diese KI-Lösung tatsächlich auch umzusetzen. Und es geht

00:20:54: noch weiter, denn über den kompletten Lebenszyklus einer KI-Lösung hinweg muss auch immer wieder

00:20:59: nachtrainiert werden, dass sich die Produkte und Use-Cases und Umgebungsbedingungen kontinuierlich

00:21:05: ändern können. Und durch unser AutoML-Framework war es also möglich, quasi per Knopfdruck

00:21:11: in Anführungsstrichen alle zeitintensiven iterativen Prozesse zu automatisieren und

00:21:15: somit viel wertvolle Zeit für neue Use-Cases zu gewinnen.

00:21:18: Alles klar, ja vielen Dank Paulina, für diesen sehr konkreten Einblick in die Praxis.

00:21:24: Ich möchte jetzt nochmal auf die Sustainable Development Goals eingehen, wo wir vorhin

00:21:28: schon über das SDG9 gesprochen haben. Es gibt auch das achte Ziel, dass sehr gut in

00:21:34: die soziale Säule passt, d.h. menschenwürdige Arbeit und Wirtschaftswachstum. Wie passt

00:21:40: das denn in den Kontext der KI-Entwicklung?

00:21:42: Ja wie vorhin schon erwähnt hat die Gruppe Data-Efficient Automated Learning in Fokus

00:21:46: darauf, KI-Technologie so zu vereinfachen, dass mehrere Berufsgruppen und Unternehmen

00:21:53: einen Zugang dazu finden. Damit wollen wir einerseits zum Wirtschaftswachstum beitragen,

00:21:58: aber auch eine Möglichkeit bieten, dass Berufsgruppen sich im Bereich KI weiterentwickeln können,

00:22:03: ohne das explizit studiert zu haben. Aber wir betrachten das Prima aus einer sehr technischen

00:22:09: Perspektive, sind da aber auch sehr viel im Austausch mit Sozialwissenschaften.

00:22:13: Gut, dann fasse ich bis zu diesem Punkt mal zusammen. Wir haben gesehen, was Nachhaltigkeit

00:22:18: bedeutet, welche Herausforderungen es eigentlich gibt und auch jetzt schon was konkreter Lösungen

00:22:24: sein können. Die waren jetzt häufiger mal auf eine bestimmte Herausforderung gemünzt.

00:22:29: Wenn ich jetzt auf der Suche nach einer Lösung bin, die alle drei Säulen der Nachhaltigkeit

00:22:34: umfasst, wie muss dann dann eine KI aussehen, damit die ganzheitlichen so einem Produkt

00:22:40: eingesetzt werden kann?

00:22:41: Ja ich würde sagen, das ist derzeit leider nicht so einfach zu beantworten. Es braucht

00:22:47: für wirklich jeden Use Case eine Abwägung, welche herangehensweise denn gerade die sinnvollste

00:22:52: und damit nachhaltigste ist. Erst mal auf der Makro-Ebene. Ich hatte Eingang schon gesagt,

00:22:57: dass es davon abhängt, wie das Werkzeug KI eingesetzt wird. Und meine Augen sollte es

00:23:02: nur dann eingesetzt werden, wenn es wirklich sinnvoll ist. Das ist zumindest nach meiner

00:23:06: Meinung dann gegeben, wenn es beispielsweise einen großen Expertenmangel gibt oder zusammenhängisch

00:23:12: wer zu verstehen sind oder eben die Transparenz fehlt. Steigt man dann auf die Mikro-Ebene,

00:23:17: haben wir ja gesehen, dass sich der Verbrauch der Ressourcen gegenseitig auch bedingt.

00:23:22: Der Energieverbrauch ist abhängig von der Datensituation. Diese zu verbessern benötigt

00:23:26: auch wiederum Energie. Und das Zündling an der Waage in beiden Richtungen bildet dann

00:23:31: der Mensch. Der ist für die Entwicklung, Wartung und Instandhaltung von KI absolut notwendig.

00:23:38: Und je nach Situation, in der sich das Unternehmen befindet, sind unterschiedliche Herangehensweisen

00:23:43: notwendig, um KI nahhaltig zu entwickeln und einzusetzen. Und ich denke, hier braucht

00:23:48: es insbesondere noch gemeinsame Arbeit zwischen Unternehmen und der Forschung, um die derzeit

00:23:53: stark mangelnden Ressourcendaten und Mensch besser abbilden zu können und besser ins

00:23:57: Boot holen zu können bei der KI-Entwicklung und natürlich immer unter dem Aspekt des

00:24:02: Energieverbrauchs.

00:24:03: Okay, damit sind wir auch fast schon am Ende angelangt. Wir haben jetzt ziemlich ausführlich

00:24:07: auf das Thema Ressourcenspande und nachhaltige künstliche Intelligenz geblickt. Ich fasse

00:24:12: jetzt am Ende gerne nochmal kurz zusammen, was ich für mich aus dem Podcast mitnehme.

00:24:17: Also zum einen hast du uns erklärt, dass Nachhaltigkeit nicht nur aus ökologischer

00:24:20: Nachhaltigkeit besteht, sondern auch aus den Aspekten soziales und ökonomischer Nachhaltigkeit.

00:24:27: Dann haben wir gelernt, dass KI Herausforderungen mit sich bringt, aber auch eingesetzt werden

00:24:32: kann, um zum Beispiel Prozesse oder Anwendungen nachhaltiger zu machen und dass man unbedingt

00:24:36: auch auf die drei Ressourcen Energieverbrauch, Daten und natürlich den Mensch schauen sollte.

00:24:41: Und jetzt am Ende hast du noch ganz schön gesagt, dass es eine Verbesserung der Datensituation

00:24:46: braucht, die unter anderem durch die Zusammenarbeit zwischen Forschung und Unternehmen geschehen

00:24:51: könnte. Das ist ja etwas für das Frauenhofer wirklich sehr steht. Was ist denn so dein

00:24:57: Fazit und was steht bei euch in der Forschung als nächstes an?

00:25:00: Ja, all die heute besprochenen Ressourcen sind ein Grund, KI noch nicht flächendeckend

00:25:06: in Unternehmen wirklich sinnbringend einzusetzen. Wir sehen aber wirklich ein sehr großes

00:25:11: Potenzial im Einsatz für KI, insbesondere für nahhaltige Zwecke und zur Schonung anderer

00:25:16: Ressourcen, die jetzt aktuell auf andere Art und Weise nicht möglich sind. Und aus diesem

00:25:20: Grund forschen wir auch weiterhin daran, KI einfacher zugänglich zu machen für Menschen

00:25:25: und Unternehmen.

00:25:26: Super, da wünsche ich euch viel Erfolg bei eurer Arbeit. Danke Paulina, dass du mit

00:25:30: dem Podcast dabei warst.

00:25:32: Vielen Dank.

00:25:32: [Aufregende Musik]