"Nachhaltige Künstliche Intelligenz ist möglich, wenn man sie richtig misst und gestaltet."
Copyright: BITO CAMPUS GmbH
Zum Abschluss des KI-Leuchtturmprojekts zieht Projektleiter Matthias Dziubany Bilanz: KIRA hat gezeigt, wie sich der Energie- und Ressourcenverbrauch von KI-basierter Software messbar senken lässt.
Was hat Sie zu dem Projekt motiviert?
Künstliche Intelligenz verbraucht immer mehr Energie und Ressourcen. Aber es gibt bisher kaum einheitliche Bewertungsmodelle und praxisnahe Werkzeuge, die deren ökologische Auswirkungen systematisch erfassen. Genau das wollten wir ändern: Wir wollten ein Modell entwickeln, das zeigt, wie energie- und ressourcenschonend KI arbeitet, und damit eine verlässliche Grundlage für die Bewertung von KI-Systemen schaffen. Methoden zur Messung, Bewertung und Optimierung der Umweltwirkungen von KI-basierten Systemen sollten im Alltag anwendbar sein, damit Unternehmen auch in der Praxis davon profitieren und nachhaltiger arbeiten können.
Was war das Ziel dieses Leuchtturmprojektes?
Unser Ziel war also ein Referenzmodell, das die Effizienz von KI-Systemen messbar macht. Dafür haben wir Kriterien und Metriken erarbeitet sowie reale Anwendungsszenarien für Industrie und Forschung entwickelt. Für die konkrete Anwendung in der Industrie war es uns wichtig, auch den ökonomischen und ökologischen Mehrwert von KI anhand verschiedener Lösungen darzustellen. Das heißt, eine Lösung ohne KI, eine Standard-KI und eine Lösung, die gezielt auf Ressourceneffizienz optimiert ist. So lässt sich gut vergleichen, wann KI wirklich einen ökologischen oder ökonomischen Vorteil bringt.
Welche Ergebnisse konnten Sie erreichen?
Wir haben ein Green Software Measurement Model (GSMM) erarbeitet, einen Katalog mit 32 Kriterien und mehr als 100 Indikatoren sowie ein Tool, das die Ergebnisse anschaulich darstellt. Das Modell wurde in acht Anwendungen erprobt, etwa bei der Analyse von Energie-Effizienzanalysen von Sprachmodellen sowie von Zeitreihen- und Sensordaten. Die Ergebnisse zeigen: Mit der richtigen Bewertung und Optimierung lassen sich ohne signifikanten Qualitätsverlust bis zu 50 Prozent Energie sparen. Durch den engen Praxisbezug konnten wir sicherstellen, dass die Ergebnisse für Green-AI-Bewertungen geeignet sind und zusätzliche Vorteile wie Sicherheit, Skalierbarkeit und Zeitersparnis bieten. Das Modell wird inzwischen in zwölf weiteren Projekten genutzt und hat sich damit bereits über das Vorhaben hinaus bewährt.
In welchem Projekt zum Beispiel?
Zum Beispiel beim IT-Support: Mitarbeitende der BITO-Gruppe können Fragen an einen IT-Chatbot stellen. Bei First-Level-Support-Anfragen, die Mitarbeitende selbst mit einer passenden Antwort und zusätzlichen Informationen lösen könnten, wird die Hilfe automatisiert. Dabei wird in der energieeffizienten KI-Anwendung die Open-Source-Bibliothek FAISS genutzt, die sehr schnell ähnliche Einträge findet. Durch vorgefertigte Antworten wird nicht nur KI-Missbrauch verhindert, sondern hier kommt auch energieeffizientere Hardware zum Einsatz.
Welche Herausforderungen gab es im Projekt?
Die hohe Komplexität, Heterogenität sowie die rasante Weiterentwicklung von KI-Lösungen waren große Herausforderungen. Das zeigt, wie wichtig es ist, die Messbarkeit des Energie- und Ressourcenverbrauchs zu vergleichen. Wir haben das gelöst, indem wir eine modulare Mess- und Analysearchitektur entwickelt und sie an die jeweiligen Nutzungsszenarien angepasst haben. Auch war es gar nicht so einfach, die umfassenden und komplexen Nachhaltigkeitskriterien verständlich zu vermitteln. Dafür haben wir ein webbasiertes Tool mit Filter- und Visualisierungsfunktionen sowie ein Tutorial erstellt. Auch gibt es die Möglichkeit für Feedback seitens der Community.
Welchen Beitrag leistet KIRA für den Umwelt- oder Klimaschutz?
KIRA hat gezeigt, wie sich der Energie- und Ressourcenverbrauch von KI-basierter Software messbar senken lässt. Optimierte Modelle, effizientere Hardware-Nutzung und klare Bewertungsverfahren machen die Auswirkung digitaler Systeme auf die Umwelt transparent und helfen, Umweltauswirkungen zu reduzieren. Die Ergebnisse des Projekts fördern nachhaltige KI-Lösungen und ein Bewusstsein für Green AI. Dadurch unterstützt es langfristig den Übergang zu ressourcenschonender Digitalisierung.
Sind die Ergebnisse des Projektes auf andere Bereiche übertragbar?
Ja. Das Green AI-Model, das GSMM, die Methoden und die Publikationen sind offen zugänglich. Sie lassen sich auf viele Bereiche übertragen, zum Beispiel auf Smart Manufacturing, eHealth oder Mobilität, und auch auf neue KI-Technologien wie Agentic AI. Die Methodenbeschreibungen und Werkzeuge ermöglichen eine breite Anwendung und die kontinuierliche Weiterentwicklung der Ergebnisse. Sie bieten eine solide praxisnahe Grundlage für Forschung, Lehre und industrielle Anwendung nachhaltiger KI-Systeme.
Kurz erklärt: Das Green Software Measurement Model (GSMM)
GSMM unterstützt Entwicklerinnen und Entwickler dabei, den Energie- und Ressourcenverbrauch von Software gezielt zu messen und auszuwerten. Das ist besonders wichtig, wenn Software mit hoher Umweltwirkung, etwa KI-Systemen eingesetzt wird. Das Modell beschreibt Messobjekt, Messziele und wie Messungen durchgeführt und ausgewertet werden. So lassen sich Messungen gut planen, vergleichen und wiederholen. GSMM ordnet bestehende Messmethoden ein, hilft sie anzupassen und unterstützt die Entwicklung neuer Ansätze.
Das GSMM basiert auf 13 internationalen Forschungs- und Entwicklungsgruppen und ist in einer offen zugänglichen Publikation mit Daten-Repository veröffentlicht, sodass die Wissenschafts- und Entwickler-Community das Modell auch langfristig nutzen und weiterentwickeln kann.
