Kann Künstliche Intelligenz auch klein, sparsam und nachhaltig sein?

Das KI-Leuchtturmprojekt TinyAIoT zeigt, dass das geht. Das Projektteam hat KI-Modelle entwickelt, die kaum Energie verbrauchen. Die ZUG gGmbH sprach mit Projektleiter Prof. Dr. Fabian Gieseke über das Projekt.

Herr Prof. Dr. Gieseke, was hat Sie zu dem Projekt motiviert?

Moderne KI-Verfahren brauchen enorme Rechenleistung und viel Energie. Für kleine, batteriebetriebene Geräte sind sie deshalb meist ungeeignet. Gleichzeitig wächst der Bedarf an kleinen „intelligenten“ Systemen, die über lange Zeiträume batteriebetrieben und weitgehend autark arbeiten können, zum Beispiel in der Industrie bei der Überwachung von Maschinendefekten, oder im Bereich des Umweltmonitorings bei der automatisierten Erfassung von Vogelarten. Wir wollten KI daher so ressourcenschonend gestalten, dass sie auch auf kleinsten Geräten zuverlässig funktioniert. 

Was war das Ziel dieses Leuchtturmprojektes?

Unser Ziel war es, neue Anwendungen für Umweltmonitoring, Landwirtschaft und Smart Cities zu ermöglichen, sodass intelligente Systeme dort eingesetzt werden können, wo große Rechenzentren keine Lösung sind. TinyAIoT sollte also zeigen, dass leistungsfähige KI nicht zwingend große Rechner braucht. So sollten neue „intelligente“ Systeme entstehen, die weitgehend autark arbeiten und nur relevante Informationen übertragen. Das spart Energie, reduziert den Datenverkehr und schafft die Grundlage für intelligente Sensoren, die unabhängig und flexibel in abgelegenen Umweltmessstationen oder urbanen Räumen eingesetzt werden können.

Welche Ergebnisse konnten Sie erreichen? 

Statt auf riesige Modelle mit sehr vielen einstellbaren Variablen zu setzen, haben wir kompakte und energieeffiziente Ansätze entwickelt, die direkt auf einem mit Sensoren ausgestatteten Mikrocontrollern wie der senseBox laufen. So sind KI-Modelle entstanden, die mit sehr wenig Speicher, Rechenleistung und Energie auskommen und trotzdem zuverlässig arbeiten. Möglich wurde das durch spezielle Verfahren zur Komprimierung und Optimierung der Modelle. Die Anwendungen wurden erfolgreich auf einer weiterentwickelten senseBox getestet. Beispielsweise wurden KI-basierte Bilderkennungsverfahren genutzt, um direkt auf den Mikrocontrollern verschiedene Spezies an Vogelfutterstationen zu erkennen oder die Belegung von Fahrradparkplätzen zu erfassen. Darüber hinaus wurden smarte Mülleimer entwickelt, die ihren aktuellen Füllstand automatisch übermitteln und so eine bedarfsgerechte Leerung ermöglichen. 

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

Eine zentrale Herausforderung war der Zielkonflikt zwischen Modellqualität und Ressourcenverbrauch. Sehr kleine KI-Modelle sind zwar effizient, erreichen jedoch oft nicht die Genauigkeit größerer Systeme. Deshalb haben wir Verfahren entwickelt, die diesen Zielkonflikt besser ausbalancieren und trotz geringer Ressourcen verlässliche Ergebnisse liefern. Dennoch bleibt dies ein zentrales Forschungsthema, an dem wir auch künftig weiterarbeiten werden. Denn je leistungsfähiger kleine KI-Systeme werden, desto breiter lassen sie sich künftig einsetzen.

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

Die Projektergebnisse sowie weiterführende Forschungsarbeiten ermöglichen energiesparende, autonome Sensorsysteme mit langen Laufzeiten. Das erleichtert die kontinuierliche Erfassung von Umwelt- und Naturdaten, etwa für die Vogelbeobachtung oder die Überwachung sensibler Ökosysteme wie Moore. Insofern leisten solche Systeme wertvolle Datengrundlagen, um Umweltveränderungen besser zu verstehen und gezielter auf den Klimawandel zu reagieren. Weil die Daten direkt vor Ort verarbeitet werden, sinken Energieverbrauch und Datenübertragung deutlich. Angesichts der wachsenden Zahl an vernetzten Geräten ergibt sich daraus künftig ein erhebliches Einsparpotenzial.

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

Ja. TinyAIoT hat wichtige Grundlagen geschaffen: offene Technologien, praxiserprobte Anwendungen und eine Forschungsbasis für neue Projekte. So können unsere Erkenntnisse und Methoden unmittelbar auf andere Anwendungen übertragen und in zukünftige Projekte integriert werden: In der Landwirtschaft, Industrie oder Logistik gibt es viele Szenarien, in denen kompakte und energieeffiziente KI einen echten Mehrwert bietet. Zum Beispiel wenn Landwirte Pflanzen- und Bodenzustand auf ihrem Acker erfassen möchten. Auch in industriellen Anwendungen ermöglichen energieeffiziente KI-Systeme eine kontinuierliche Überwachung von Maschinen, Anlagen und Prozessen, ohne große Datenmengen übertragen zu müssen. So können beispielsweise in der Logistik Warenbewegungen oder Zustände von Behältern automatisiert erfasst werden. Kleine, autonome KI-Systeme erkennen dabei relevante Ereignisse direkt vor Ort und übertragen nur notwendige Informationen. Die Ergebnisse sind Open Source verfügbar und wissenschaftlich dokumentiert.