{"id":71218,"date":"2020-10-28T10:36:41","date_gmt":"2020-10-28T09:36:41","guid":{"rendered":"https:\/\/www.hiig.de\/?p=71218"},"modified":"2023-03-28T14:07:05","modified_gmt":"2023-03-28T12:07:05","slug":"artificial-and-intelligent-but-also-sustainable","status":"publish","type":"post","link":"https:\/\/www.hiig.de\/en\/artificial-and-intelligent-but-also-sustainable\/","title":{"rendered":"Artificial and intelligent but also sustainable?"},"content":{"rendered":"\n

K\u00fcnstliche Intelligenz (KI) erm\u00f6glicht es Prozesse zu automatisieren, zu optimieren und sogar dem Klimawandel zu begegnen, gleichzeitig verbrauchen Rechenzentren jedoch Unmengen an Energie. L\u00e4ngst wird dieser enorme Energieverbrauch sogar schon mit den Ausw\u00fcchsen von Bitcoin-Miningfarmen verglichen. Ein wachsender KI-Fu\u00dfabdruck wird somit zunehmend problematisch. Kann KI so Treiber einer nachhaltigen Entwicklung sein? Denn, KI kann auch Klimaprognosen verbessern, effizientere Entscheidungen f\u00fcr die Dekarbonisierung der Industrie vom Bau- bis zum Transportwesen erm\u00f6glichen und Hinweise geben, wie erneuerbare Energien besser helfen k\u00f6nnen Ressourcen zu sparen. Begleitet  wird diese Entwicklung von ethischen Bedenken, wie des Strebens nach immer gr\u00f6\u00dferen Datenmengen. Immer gr\u00f6\u00dfere Datenmengen f\u00fcr die Verbesserung von Streamingdiensten oder zum Trainieren von Computerlinguistiken (Natural Language Processing) und auch das Auslagern von Prozessen \u201cin die Cloud\u201d bef\u00f6rdert das Wachstum von Rechenzentren<\/a>.<\/p>\n\n\n\n

In der mit drei Milliarden dotierten KI-Strategie<\/a> der Bundesregierung hei\u00dft es: \u201cWir werden dabei den Nutzen f\u00fcr Mensch und Umwelt in den Mittelpunkt stellen […].\u201d Konkret m\u00f6chte die Bundesregierung KI auch f\u00fcr die Erreichung der 17 Ziele<\/a> f\u00fcr die globale nachhaltige Entwicklung der Vereinten Nationen (Sustainable Development Goals) einsetzen. Diese umfassen unter anderem die Beseitigung von Armut und Hunger sowie die F\u00f6rderung von Gesundheit, sauberem Wasser, bezahlbarer und sauberer Energie. Dieser Blog soll aufzeigen, wo K\u00fcnstliche Intelligenz und insbesondere Maschinelles Lernen (ML) als Teilgebiet von KI, zur Zeit anwendungsreif und damit gro\u00dfes Potential bietet. Wir argumentieren, dass nur wenn Technologie und Nachhaltigkeit zusammengedacht werden, das immense Potential dem Klimawandel zu begegnen gehoben werden kann.<\/p>\n\n\n\n

Bisherige Auswirkungen des Klimawandels<\/strong><\/h3>\n\n\n\n

Die globalen \u00d6kosysteme kippen<\/a>, besonders betroffen sind nat\u00fcrliche Habitate und die Landwirtschaft. Der zwischenstaatliche Bericht \u00fcber den Klimawandel<\/a> von 2018 sch\u00e4tzt, dass die Welt mit katastrophalen Folgen konfrontiert sein wird, wenn die globalen Treibhausgasemissionen nicht innerhalb von drei\u00dfig Jahren beseitigt werden.<\/p>\n\n\n\n

2019 haben Bilder des brennenden Amazonas-Regenwaldes weltweit Erschrecken ausgel\u00f6st. Auf den Amazonas Regenwald entfallen rund 17%<\/a> des weltweit in der Vegetation an Land gebundenen Kohlenstoffs. Aufgrund des Klimawandels und menschlicher Eingriffe haben Waldbr\u00e4nde nicht nur in Lateinamerika, am Polarkreis<\/a> oder in Afrika, sondern auch in Nordamerika und Europa stetig zugenommen. So hat sich beispielsweise die Zahl der Waldbr\u00e4nde in den Amazonas-Regenw\u00e4ldern im Jahr 2019 im Vergleich zu 2013 verdoppelt. Auch die Waldbr\u00e4nde in Teilen Brandenburgs<\/a> sind Teil dieser Entwicklung.<\/p>\n\n\n\n

Eine Bew\u00e4ltigung des Klimawandels umfasst Minderung (Mitigation<\/em>: Emissionsreduktion) und Anpassung (Adaption<\/em>: Anpassung an nicht vermeidbare Folgen). Die Eind\u00e4mmung von Treibhausgasemissionen (GHG-Emissionen) oder Kohlenstoffdioxid \u00c4quivalente (CO2e) erfordert ein Umdenken in zahlreichen Lebensbereichen: bei der Energieerzeugung, Verkehr, Geb\u00e4uden, Industrie oder der Landnutzung.<\/p>\n\n\n\n

Trotz der Zunahme des globalen Interesses an der Eind\u00e4mmung des Klimawandels und an der digitalen Transformation, fehlt es h\u00e4ufig noch an Umsetzungskompetenz wie diese \u201cInstrumente\u201d am besten zur Bek\u00e4mpfung des Klimawandels eingesetzt werden k\u00f6nnen.<\/p>\n\n\n\n

Rechenpower und Informationsf\u00fclle als Treiber<\/strong><\/h3>\n\n\n\n

Ein Treiber des digitalen Wandels liegt in der M\u00f6glichkeit mit Hilfe steigender Rechenpower zahlreichen Daten zu analysieren und auszuwerten. Dies erm\u00f6glicht Berechnungen, die vor Jahrzehnten nicht nur technisch unm\u00f6glich sondern auch finanziell sehr aufwendig waren. Satellitenbilder sind ein gutes Beispiel die nicht nur den Wandel sondern auch die Chancen der kombinierten Daten f\u00fcr einen nachhaltigen Wandel zeigen.<\/p>\n\n\n\n


Die Brandherde 2019 im Amazonas Regenwald sind auch auf Satellitenbildern deutlich zu erkennen (Quelle: NASA<\/a>)<\/sub><\/p>\n\n\n\n

ML-basierte Vorhersage von Waldbr\u00e4nden<\/strong><\/h3>\n\n\n\n

Ein wichtiger Anwendungsbereich f\u00fcr Maschinelles Lernen liegt in der F\u00e4higkeit genaue Vorhersagen auf Basis einer gro\u00dfen Anzahl Indikatoren zu treffen und damit das Schwanken von zB Wind und Solarenergie, oder auch gewisser Wetterereignisse (zB Waldbr\u00e4nde) besser voraussagen zu k\u00f6nnen. Diese F\u00e4higkeit beruht gr\u00f6\u00dftenteils auf Fortschritten im Maschinellen Lernen des letzten Jahrzehnts.<\/strong><\/p>\n\n\n\n

Topographie-, Vegetations-, Bewegungs- und Wetterdaten k\u00f6nnen beispielsweise kombiniert werden, um zB Waldbr\u00e4nde oder illegale Fischerei fr\u00fchzeitig zu erkennen. Um einem Waldbrand zuvor zu kommen gibt es also bestimmte Vektoren, die einen besonders starken Ausbruch andeuten k\u00f6nnen, wie die Baumart, die Bedeckungsdichte oder das Niederschlagsrisiko. <\/p>\n\n\n\n

Dennoch, manchmal bleiben Waldbr\u00e4nde mehrere Tage unbemerkt. Mehrere Forschungseinrichtungen arbeiten daher mittlerweile mit maschinellem Lernen und eigenen Satelliten an Systemen zur Krisenfr\u00fcherkennung. Die Universit\u00e4t von Kalifornien in Berkeley zum Beispiel hat das Fuego-Projekt<\/a> initiiert, das u.a. eine Konstellation von geosynchronen Satelliten und Flugdrohnen zur Brandortung einsetzt. Auch die NASA arbeitet mit FIRMS (Fire Information for Resource Management System)<\/a> an einem eigenem Programm, dass t\u00e4glich nach thermischen Ver\u00e4nderungen durch Br\u00e4nde sucht. Die K\u00f6nigliche Technische Hochschule Schwedens (KTH)<\/a> setzt Maschinelles Lernen zur \u00dcberwachung von Waldbr\u00e4nden ein. Fernab von Waldbr\u00e4nden gibt es auch Vorz\u00fcge f\u00fcr urbane Regionen, zB Unternehmen<\/a> die Umweltdaten f\u00fcr St\u00e4dte mit viel Verkehr sammeln, auswerten und zu besserer Luftqualit\u00e4t beitragen wollen.<\/p>\n\n\n\n

Viele dieser Dienste sind dennoch noch mit hohen Kosten verbunden. Verbesserten Zugang zu freien Daten k\u00f6nnen dabei Organisationen wie die International Charter Space and Major Disasters (ICSD)<\/a> oder die Open Source Platform Artificial Intelligence for Disaster Response (AIDR)<\/a>, spielen. W\u00e4hrend die ICSD hilft qualitativ hochwertige Daten zu liefern, bietet AIDR eine offene Plattform zur Kennzeichnung von Social-Media Nachrichten, in denen Katastrophen oder humanit\u00e4re Krisen diskutiert werden. Sie analysiert die Hashtags, Tweets und Beitr\u00e4ge der Benutzer, um einen aufkommenden Waldbrand etwa 30 Minuten nach Beginn der Diskussion in den sozialen Medien genau zu verfolgen. Mitigative Sofortma\u00dfnahmen k\u00f6nnen somit besser ergriffen werden.<\/p>\n\n\n\n

Maschinelle Wettervorhersage f\u00fcr erneuerbare Energien<\/strong><\/h3>\n\n\n\n

Ein weiterer Aspekt der Vorhersage von Wetterereignissen ist das Vorhandensein ausreichender Wind- oder Sonneneinstrahlung f\u00fcr die Energiegewinnung durch Windturbinen und Solaranlagen. Da diese Formen der Energiegewinnung einer im Gegensatz zu konventionellen Energiegewinnung (Kohleverstromung\/Kernkraft\/Gas) hohen Variabilit\u00e4t unterliegen, entsteht ein Nachteil beim Verkauf der Energie in das Netz, da das Netz h\u00f6here Preise f\u00fcr stabile und langfristig planbare Energiezufuhr zahlt. Genau hier setzt Maschinelles Lernen (hier: \u00fcberwachtes Lernen) an, das mit h\u00f6herer Genauigkeit als bisherige Verfahren die Energieproduktion von Wind- und Solarkraftanlagen f\u00fcr die n\u00e4chsten Stunden zu prognostizieren versucht. Das resultiert in h\u00f6heren Energiepreisen f\u00fcr Anlagenbetreiber von Stromanbietern, erste Unternehmen<\/a> konnten mithilfe von ML den zu erzielenden Strompreis von Windkraftanlagen nachweislich um 20% erh\u00f6hen. Die breitenwirksame Anwendung von ML birgt enormes Potential, um die Wettbewerbsf\u00e4higkeit gegen\u00fcber der konventionellen Energiegewinnung zu steigern. Zus\u00e4tzlich l\u00e4sst sich die genaue Wettervorhersage ebenso f\u00fcr die Positionierung von zB Windkraftanlagen\/Solarparks einsetzen. Im Vergleich zu konventionellen statistischen Modellen lieferten ML-basierte Modelle eine bis zu dreimal gr\u00f6\u00dfere Genauigkeit<\/a> zB bei der Vorhersage von Windgeschwindigkeiten. Durch Maschinelles Lernen werden weitere Vorhersagen m\u00f6glich die ebenso dem Sektor der erneuerbaren Energien zu Gute kommen. Vorausschauende Wartung reduziert laut Pramod Bangalore (Head of Research, Greenbyte) die Ausfallzeiten von Windkraftanlagen um 50%. Mithilfe dieser Technologie erkennt das System Fehler: \u201c2 bis 9 Monate im Voraus, hat eine Genauigkeit von 94%<\/a> erreicht, und das Einsparpotenzial f\u00fcr ein Portfolio von 350 MW betr\u00e4gt somit 1,6 GWh pro Jahr.\u201d  Maschinelles Lernen ist somit eine Querschnittstechnologie die nicht auf bestimmte Branchen begrenzt, sondern in vielen verschiedenen Bereichen einsetzbar ist. Einen sehr guten \u00dcberblick \u00fcber konkrete  Anwendungsbeispiele f\u00fcr Maschinelles Lernen im Bereich Klima hat Climate Change AI hier<\/a> zusammengestellt.<\/p>\n\n\n\n

Rebound-Effekte<\/strong><\/h3>\n\n\n\n

Die gro\u00dfe Krux bei der Nutzung von Technologie ist der meist einhergehende gesteigerte Ressourcenverbrauch, der sogenannte Rebound-Effekt: \u201cEffizienzsteigerungen senken oft die Kosten f\u00fcr Produkte oder Dienstleistungen. Dies kann dazu f\u00fchren, dass sich das Verhalten der Nutzer*innen \u00e4ndert: Sie verbrauchen mehr – die urspr\u00fcnglichen Einsparungen werden teilweise wieder aufgehoben<\/a>.\u201d Ein sprechendes Beispiel ist der C02e-Aussto\u00df im Musikkonsum. W\u00e4hrend in den USA 1977 die Bev\u00f6lkerung 140 Millionen Kg C02e f\u00fcr ihren Musikkonsum produzierte,  sind es 2016 zwischen 200 und 350 Millionen<\/a> – eine deutliche Zunahme- die gr\u00f6\u00dftenteils aus dem immensen Energieverbrauch von Datenzentren der gro\u00dfen Cloud-Musikanbieter resultiert.<\/p>\n\n\n\n

Das bedeutet, dass selbst bei gesteigerter Effizienz kein Weg am \u00f6konomischen Umgang mit begrenzten Ressourcen vorbeif\u00fchrt und Technologie\/ML daher kein Selbstzweck ist. Technologie-getriebene Ressourceneinsparung sind nur zielf\u00fchrend wenn sie eine absolute Senkung des Ressourcenverbrauchs nach sich ziehen. Der Einsatz von ML bei gleichbleibendem oder sogar steigendem absoluten Ressourcenverbrauch aufgrund von Rebound-Effekten l\u00e4sst das Potential dieser Technologien die voranschreitende Erderw\u00e4rmung zu verlangsamen ungenutzt. <\/p>\n\n\n\n

Die nachhaltige Anwendung von ML ist der Schl\u00fcssel zum Erfolg<\/strong><\/h3>\n\n\n\n

Wenn richtig genutzt er\u00f6ffnet ML wie oben gezeigt neue M\u00f6glichkeiten den Klimawandel zu verlangsamen, oder auch die Anpassung an Klimawandel voranzutreiben. Als Querschnittstechnologie ist das Anwendungsfeld von ML extrem vielf\u00e4ltig und f\u00fcr eine Vielzahl von Akteur*innen grunds\u00e4tzlich geeignet. Mittelst\u00e4ndische Unternehmen sowie auch gro\u00dfe Konzerne werden neben Privatpersonen, Nutzer*innen und Konsument*innen eine Schl\u00fcsselrolle in der Umsetzung ML-getriebener Klimaprojekte spielen. Daher ist die Implementation von ML-Technologien zur Ressourceneinsparung in Unternehmen von gro\u00dfer Bedeutung. Die erste H\u00fcrde in der Anwendung von ML im Unternehmenskontext -besonders in kleinen Unternehmen- ist es relevante Anwendungsf\u00e4lle f\u00fcr das eigene Gesch\u00e4ftsmodell<\/a> zu identifizieren, um so den eigenen CO2-Fu\u00dfabdruck zu minimieren.<\/p>\n\n\n\n

ML wird den Sektor der Erneuerbaren Energien nachhaltig und kraftvoll transformieren. Die absolute Senkung des Ressourcenverbrauchs ist allerdings unabdingbar um einen nachhaltigen Effekt zu erzielen. Was f\u00fcr andere Technologien zutrifft ist ebenso f\u00fcr KI\/ML zutreffend: Zu welchem Zweck der Mensch Technologien nutzt und was mit den eingesparten Ressourcen geschieht, bestimmen die Menschen zum gro\u00dfen Teil selbst. Letztlich steht und f\u00e4llt der Erhalt unseres nat\u00fcrlichen Habitats mit dem nachhaltigen Umgang mit nat\u00fcrlichen Ressourcen unabh\u00e4ngig von der jeweils angewandten Technologie.<\/p>\n