Copyright: Leibniz Universität Hannover
Die Ausgangssituation: Was ist die ökologische Herausforderung?
KI-Anwendungen finden sich heutzutage in vielen Geräten des täglichen Lebens, wodurch der durchschnittliche Energieverbrauch stetig steigt. Umso wichtiger ist es, dass KI-Anwendungen selbst ressourcensparend sind. Vor allem bei der Analyse großer sicherheitsrelevanter Datenmengen ist dies eine große Herausforderung. Das dafür häufig verwendete sogenannte Deep Learning bedarf aufgrund seiner Komplexität meist einem hohen Energieverbrauch und erzeugt somit einen großen ökologischen Fußabdruck.
Die Idee: Welchen Beitrag kann KI konkret leisten?
Ziel des Projektes GreenAutoML4FAS ist es, ein ganzheitliches System aus Hardware, effizienter Kodierung und Übertragung von Daten und Modellen, sowie dynamischer und adaptiver Software ressourceneffizient zu gestalten. Exemplarisch wird hierbei der Fokus auf Fahrassistenzsysteme gelegt. Sollte die Kombination von effizienten Algorithmen, Kommunikation und Hardware zu einer deutlichen Einsparung von Energie führen, so ließe sich das im Projekt entwickelte Konzept auch auf andere Bereiche übertragen, in denen KI bzw. Deep Learning als Methode des maschinellen Lernens zum Einsatz kommt.
Der Ausblick: Welchen Leuchtturmcharakter hat das Projekt?
Im Gegensatz zu vielen bestehenden Ansätzen basiert die Projektidee auf einem ganzheitlichen Ansatz, KI-Anwendungen ressourceneffizient zu gestalten. Erwähnenswert ist zudem die wissens- und anwendungsorientierte Verbreitung der Ergebnisse: Die entwickelten Konzepte zur effizienten Nutzung von Hardware, Kodierung, sowie automatisiertes Maschinelles Lernen (AutoML) werden dokumentiert und online zur Verfügung gestellt. Vor allem die Weiterentwicklung von AutoML ermöglicht es KI-Projekten künftig von Anfang an ressourceneffizient zu arbeiten. Die entwickelte Software kann so eine möglichst große und langfristige Wirkung entfalten.