Konkret ging es in der Studie um bildklassifizierende KI-Anwendungen, die trainiert werden, um bestimmte Objekte auf Bildern zu erkennen (Quelle: Pixabay).
Künstliche Intelligenz (KI) verbreitet sich rasant und wird in Zukunft in nahezu allen Lebens- und Wirtschaftsbereichen zum Einsatz kommen. Gleichzeitig wird KI damit zu einem weiteren Treiber des Strom- und Ressourcenverbrauchs: So könnte allein die Nutzung von KI für standardmäßige Suchmaschinen bis zu 29,2 TWh Strom benötigen, was nach einer wissenschaftlichen Expertenuntersuchung an der Universität Amsterdam dem jährlichen Verbrauch Irlands entspräche. Die große Herausforderung steckt darin, das Potenzial von KI zu nutzen und gleichzeitig den ökologischen Fußabdruck in einem verträglichen Rahmen zu halten.
Das Future Energy Lab der dena hat in Zusammenarbeit mit dem Fraunhofer Heinrich-Hertz-Institut (HHI) zwei Ansätze zur Steigerung der Energieeffizienz gängiger KI-Anwendungen untersucht: Zum einen beim Training einer KI über die Methode des sogenannten föderierten Lernens und zum anderen bei der Ausführung einer KI über eine neuartige Verschaltung spezieller Computerchips für die Anwendung in Rechenzentren.
Das föderierte Lernen bezeichnet eine KI-Trainingsmethode, bei der das KI-Modell nicht auf einem zentralen Server trainiert wird, sondern auf verschiedenen Endgeräten. Dies hat im Sinne des Datenschutzes den Vorteil, dass die Trainingsdaten bei den jeweiligen Eigentümern verbleiben. Auf jedem Endgerät wird ein kleines KI-Modell trainiert, das anschließend vom Endgerät an einen zentralen Server versandt wird. Auf diesem werden die Modelle zu einem großen Modell zusammengeführt. Der Versand der Modelle zum zentralen Server verbraucht Strom. Im Projekt wurden verschiedene Modell-Kompressionsverfahren, die das zu versendende Datenvolumen verkleinern, auf Ihre Energiesparsamkeit untersucht. Dabei konnte eine Kompressionsmethode identifiziert werden, mit der sich der Stromverbrauch des Trainingsprozesses um 65 % reduzieren lässt.
Es gibt verschiedene Computerchips, die für die Ausführung einer KI besonders geeignet sind. Sogenannte Field-Programmable Gateway Arrays (FPGA) eignen sich besonders für die Ausführung bildverarbeitender KI-Anwendungen. Im Projekt ist es gelungen, mittels einer neuen Hardwarearchitektur die Chips so zu verschalten, dass weniger Rechenleistung für die Ansteuerung und Koordination der Chips benötigt wird. Dies senkte den Stromverbrauch für die untersuchten KI-Anwendungen um 31 %.
Die Ergebnisse sind in der Studie „Energieeffiziente künstliche Intelligenz für eine klimafreundliche Zukunft“ zusammengefasst, sodass Interessierte, KI-Entwickler und Rechenzentrumsbetreiber diese einsehen und anwenden können. Im vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) geförderten Projekt wurden mit geringem Aufwand große Effizienzgewinne erreicht. Dies zeigt exemplarisch, wie groß das Potenzial für die Steigerung der Energieeffizienz für KI-Anwendungen ist.
Eine wesentliche Schlussfolgerung lautet daher, gezielt Anreize zu setzen, um Energieeffizienzpotenziale zu identifizieren und nutzbar zu machen. Dies bezieht sich zum einen auf Unternehmen und KI-Entwickler, zum anderen aber auch auf akademische Forschungseinrichtungen wie in diesem Fall. Die gezielte Förderung der Untersuchung von Energieeffizienzpotenzialen kann hier für die Klimaverträglichkeit von KI und anderen Zukunftstechnologien einen wichtigen Unterschied machen.
Die Studie zeigt, dass es Unterschiede in der Klimafreundlichkeit beim Training und bei der Ausführung von KI-Anwendungen gibt. So können gezielt KI-Entwicklungen nachgefragt werden, die nach bestimmten Standards entwickelt wurden. Perspektivisch eignen sich die Ergebnisse auch als Grundstein für die Entwicklung von Energieeffizienzstandards für KI-Anwendungen, ähnlich der Energieeffizienzstandards für Elektrogeräte.
Weitere Informationen unter dena.de.