© Rens Dimmendaal & Johann Siemens / Better Images of AI / Decision Tree reversed / CC-BY 4.0

KI und Nachhaltigkeit

Der Energiebedarf der digitalen Infrastruktur steigt kontinuierlich; momentan emittiert die Nutzung digitaler Infrastruktur weltweit doppelt so viel CO2 wie die zivile Luftfahrt. Der zunehmende Einsatz von KI verstärkt diesen Trend, da insbesondere das Training der Algorithmen sehr energieintensiv ist. Gleichzeitig können KI-Algorithmen wesentliche Beiträge zur Effizienzsteigerung von Energienutzung leisten, oder in der Datenerhebung zur Analyse von Umweltveränderungen verwendet werden. Deshalb ist aus einer Nachhaltigkeitsperspektive eine differenzierte Betrachtung notwendig.

Die Perspektiven auf KI & Nachhaltigkeit können in zwei Ansätze unterteilt werden. Einerseits Perspektiven, welche die Potentiale der Technologie für eine Transformation zu mehr Nachhaltigkeit in den Mittelpunkt stellen (AI for sustainability) und andererseits Perspektiven, welche sich mit den (auch unbeabsichtigten) Auswirkungen von KI Anwendungen auf die Nachhaltigkeit beschäftigen (Sustainability of AI) (vgl. van Wynsberghe 2021).

Die Forschung zu den Potentialen von KI für Nachhaltigkeit zeigt dabei eine breite Auswahl von Möglichkeiten, in denen die Algorithmen in diesem Bereich angewandt werden können, zum Beispiel zur Verbesserung von landwirtschaftlichen Erträgen, für Reduktionen im Ressourcenverbrauch wie Wasser oder Energie und zur Organisation von Transport. Auch die Vernetzung von Systemen, beispielsweise in sogenannten Smart Cities, ist ein Beispiel für Anwendungsmöglich-keiten, in denen KI-Systeme zu mehr Nachhaltigkeit beitragen können. Ein weiterer Strang der Forschung in diesem Bereich beschäftigt sich mit der Forschung über den Klimawandel und die Vorhersage von durch den Klimawandel hervorgerufenen Veränderungen.

Die Forschung über die Nachhaltigkeit von KI-Systemen fokussiert die Auswirkungen der Technologie auf die Umwelt und Menschen. Ein wichtiger Ausgangspunkt ist dabei die Energieintensität des Machine Learnings. Wie Strubell et al. (2019) zeigten, erzeugt die Rechenleistung, die zum Beispiel zum Training von NLP-Systemen genutzt wird, relevante CO2e Emissionen. Das Training des NAS-Systems verursachte so etwa 284t CO2e. Neben diesen Emissionen entstehen auch in den Lieferketten der benötigten Hardware und der notwendigen Geräte zur Nutzung der KI-Systeme Effekte für die Menschen in den Abbaugebieten. Die Analyse der Nachhaltigkeit von KI-Systemen schließt auch mögliche negative Auswirkungen auf bestimmte Gruppen der Gesellschaft mit ein. Dabei spielt die Analyse der Übernahme von diskriminierenden Mustern aus den Trainingsdaten eine zentrale Rolle.

  • van Wynsberghe, A. (2021): Sustainable AI: AI for sustainability and the sustainability of AI. AI Ethics 1, 213–218.
  • Strubell, E.; Ganesh, A.; McCallum, A. (2019): Energy and Policy Considerations for Deep Learning in NLP. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 3645–3650, Florence, Italy. Association for Computational Linguistics.

Lehrveranstaltungen

Die Lehrveranstaltungen zu KI & Nachhaltigkeit haben zum Ziel, anhand von Forschungsliteratur und konkreten Beispielen die Rolle, die KI-Systeme für eine Transformation zur Nachhaltigkeit spielen können, zu beleuchten.

Zentrale Fragen für dieses Vorhaben sind:

  • Wie können KI-Anwendungen zur Transformation zur Nachhaltigkeit beitragen?
  • Welche Zielkonflikte können zwischen der Entwicklung und Anwendung von KI-Systemen und einer nachhaltigeren Gesellschaft entstehen?
  • Was macht „nachhaltige“ KI aus?
  • Wie können gesellschaftliche Rahmenbedingungen gestaltet werden, um KI-Anwendungen im Sinne der Nachhaltigkeit einzusetzen?

Durch die Beschäftigung mit den Potentialen, aber auch mit möglichen Zielkonflikten, sollen die Studierenden sich ein detailliertes Bild über die Zusammenhänge erarbeiten. Die Seminare, die zu diesem Thema angeboten werden, sollen durch die Allgemeinen Studien Studierenden verschiedener Fachbereiche zugänglich gemacht werden.

Die Lehrveranstaltungen werden im Wintersemester 2023 und im Sommersemester 2024 stattfinden und sind ohne Vorkenntnisse besuchbar. Die Lehrmaterialien werden im Learnweb zur Verfügung gestellt.