Effizientere KI für klimafreundliche Mobilität

Moderne Fahrerassistenzsysteme nutzen KI, um schnell zu reagieren, doch das bedeutet oft auch mehr Energieverbrauch. Wie das geändert werden kann, erzählt Daphne Theodorakopoulos, Projektkoordinatorin des KI-Leuchtturmprojekts „GreenAutoML4FAS“.

Frau Theodorakopoulos, was hat Sie zu dem Projekt motiviert? 

Dort, wo Künstliche Intelligenz direkt auf Geräten läuft, etwa in Fahrerassistenzsystemen im Auto, ist eine effiziente KI besonders wichtig. Denn solche Systeme müssen z.B. bei einer Gefahrensituation in Sekundenbruchteilen reagieren und können nicht auf externe Server warten. Je effizienter hier die KI arbeitet, desto mehr Energie bleibt für das eigentliche Fahren übrig. Unsere Modellrechnung hat zeigt: Würden Fahrerassistenzsysteme zehnmal effizienter arbeiten, hätte das einen ähnlichen Effekt wie ein Tempolimit von 130 km/h auf Autobahnen. So eine sehr leistungsfähige KI, verbraucht aber auch immer viel Energie und erhöht somit ihren ökologischen Fußabdruck. Daher wollten wir Methoden entwickeln, die Genauigkeit, Energieverbrauch und Hardware gleichzeitig als Grundlage für eine nachhaltigere Entwicklung von KI berücksichtigen.

Was war das Ziel dieses Leuchtturmprojektes? 

Unser Ziel war es, KI-Modelle systematisch energieeffizienter zu machen, und zwar ganz konkret mit der Entwicklung eines automatisierten Frameworks für energieeffiziente KI in Fahrerassistenzsystemen. Dafür haben wir Methoden aus dem Bereich AutoML (Automated Machine Learning) genutzt. Sie helfen dabei, KI-Modelle automatisch so zu entwickeln, sodass sie sowohl präzise als auch möglichst energieeffizient sind. Dafür haben wir nicht nur die Modelle selbst betrachtet, sondern den gesamten technischen Prozess: von der Architektur neuronaler Netze über die Datenverarbeitung bis hin zur Umsetzung auf der Hardware im Fahrzeug. Ein besonderer Fokus lag auf der Komprimierung von Modellen und Daten sowie auf Optimierungen, die direkt auf die eingesetzte Hardware abgestimmt sind. Ziel war ein ganzheitlicher Ansatz, der Energieverbrauch und Leistungsfähigkeit gemeinsam verbessert.

Welche Ergebnisse konnten Sie erreichen? 

Wir haben mehrere neue Methoden und Prototypen entwickelt. Dazu gehören eine Erweiterung von AutoML für energieeffiziente KI-Architekturen wie Deep-Shift-Netze (Deep Shift Neural Networks sind eine spezielle Form neuronaler Netze, die besonders wenig Rechenleistung und Energie benötigen) sowie Verfahren, die mehrere Ziele gleichzeitig optimieren, etwa Genauigkeit und Energieverbrauch.
Außerdem haben wir Methoden zur Modellkompression, etwa Quantisierung und Pruning, sowie Ansätze für dateneffizientes Training und energiearme Bildcodierung weiterentwickelt. Die Ergebnisse zeigen deutliche Effizienzgewinne bei kaum geringerer Modellqualität. Konkret bedeutet das bis zu 70 Prozent kleinere Modelle, bis zu 60 Prozent geringerer Energieverbrauch bei bestimmten Modellen, bis zu 40 Prozent kürzere AutoML-Suchläufe und bis zu 26 Prozent weniger Energie für Bildcodierung.

Welche Herausforderungen gab es im Projekt und konnten Sie dafür Lösungen finden? 

Eine zentrale Herausforderung war die Komplexität des Themas: Effizienz entsteht nicht an einer Stelle, sondern durch das Zusammenspiel von Modell, Daten, Optimierungsstrategie, Kompression und Hardware. Das haben wir durch klare Schnittstellen, regelmäßige Abstimmung im Konsortium und eine gemeinsame Toolbasis gelöst. Die Wechselwirkung zwischen Hardware und den verschiedenen KI-Modellen konnte so besonders stark verzahnt werden. Diese enge Zusammenarbeit war entscheidend, um effizientere Gesamtsysteme zu entwickeln und die verschiedenen technischen Ansätze sinnvoll zusammenzuführen.

Welchen Impact haben die Projektergebnisse für den Umwelt- Natur- oder Klimaschutz? 

Der wichtigste Beitrag des Leuchtturmprojekts ist die Verringerung des Energie- und Ressourcenverbrauchs von KI – sowohl während der Entwicklung als auch im späteren Betrieb. Übertragen auf Fahrerassistenzsysteme bedeutet das: gleiche oder ähnliche Funktionen, aber mit deutlich weniger Energiebedarf. Bei großen Fahrzeugflotten kann das zu spürbar geringeren Treibhausgasemissionen führen. Zugleich stärkt das Projekt das Bewusstsein dafür, Energieverbrauch als zentrale Kennzahl bei der Entwicklung von KI mitzudenken. Durch Methoden wie multikriterielle Optimierung wird Energieeffizienz systematisch in den Entwicklungsprozess integriert. Damit leisten wir einen Beitrag zu ressourcenschonenderen und klimafreundlicheren KI-Technologien.

Sind die Ergebnisse des Projektes nachnutzbar oder können in anderen Bereichen eingesetzt werden? 

Ja, die entwickelten Methoden lassen sich auch in vielen anderen Bereichen einsetzen. Dazu gehören die AutoML-Ansätze, Verfahren zur Modellkompression und Aktualisierung sowie Methoden für effiziente Datenrepräsentation und hardware-nahe Optimierung. Besonders relevant ist das für sogenannte Edge- oder Embedded-KI, also Anwendungen direkt auf Geräten. Durch Open-Source-Prototypen, dokumentierte Schnittstellen und Open-Access-Publikationen können Forschung und Entwicklung die Ergebnisse weiter nutzen. Für industrielle Anwendungen kann unser Verbundpartner VISCODA GmbH ausgewählte Komponenten als Referenzimplementierungen weiterführen. Damit liefert das Projekt nicht nur Lösungen für Fahrerassistenzsysteme, sondern eine übertragbare Grundlage für energieeffiziente KI in vielen Anwendungsfeldern.