Information for
Quick links
Faculties
Presseeinladung zum Projektabschluss:
Wie KI einen besseren Umwelt-Fußabdruck und zugleich mittelständische und kleine Unternehmen Zugang zu leistungsfähigen KI-Modellen bekommen können, stellt das Team zum Abschluss des vom Bundesforschungsministerium geförderten Projekts Escade am 30. Juli von 10 bis 13 Uhr im DFKI am Saarbrücker Campus (D3 2) vor.
Die Medien und Interessierte sind herzlich eingeladen.
Fast jeder nutzt heute auf die eine oder andere Weise Künstliche Intelligenz. Was nicht jedem bewusst ist: Auch die kleinste Antwort vom Chatbot verbraucht Energie und Ressourcen. KI-Modelle mit Massendaten zu trainieren und zu betreiben, verschlingt weltweit Hunderte Terawattstunden. In globalen Dimensionen hinterlässt dies alles einen gewaltigen ökologischen Fußabdruck. Und mit der rasanten Entwicklung der Technologie wird der Bedarf steil ansteigen. Neue Rechenzentren werden riesige Flächen versiegeln, ebenso wie neue, gar fossile Kraftwerke, die die zusätzlich benötigte Energie liefern müssen. Die CO2-Emissionen werden ebenso massiv steigen wie der Wasserbedarf für Kühlung.
Daran, dieser Entwicklung entgegenzusteuern und Künstliche Intelligenz energieeffizienter zu machen, arbeitet ein Konsortium, das Professor Wolfgang Maaß leitet, der an der Universität des Saarlandes und am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) forscht. Drei Jahre lang hat das Konsortium verschiedene Methoden erforscht und neue Technologien entwickelt und erprobt. Ihre Ergebnisse stellen die Forscherinnen und Forscher zum Projektabschluss vor.
Komprimierte KI braucht knapp 90 Prozent weniger Energie
Das Team setzt zum einen auf kleinere, bedarfsgerechtere KI-Modelle, um den Energiehunger der KI zu drosseln und Ressourcen zu schonen. Heute verwendet KI riesige Datenmodelle. Ein Chatbot zum Beispiel nutzt für seine Antwort das komplette Datenmodell mit Billionen Parametern: Er durchsucht im übertragenen Sinn also eine ganze Bibliothek statt nur die Bücher mit relevantem Inhalt. Die Forscherinnen und Forscher haben deshalb KI-Modelle entwickelt, bei denen unwesentliche Parameter gar nicht erst verarbeitet werden und die dadurch sparsamer sind.
Sie filtern dafür das für den jeweiligen Aufgabenbereich wirklich nötige Wissen aus großen Lehrermodellen heraus und schaffen maßgeschneiderte, um bis zu 90 Prozent kleinere Schülermodelle. „Wir erzielen gute Ergebnisse damit, die KI-Modelle zu komprimieren, sie also kleiner und effizienter zu gestalten. In unseren Testläufen konnten wir zeigen, dass die Schülermodelle vergleichbare Leistung bringen, aber mit bis zu 89 Prozent weniger Energie auskommen“, sagt Sabine Janzen, promovierte Forscherin im Team von Wolfgang Maaß. Die für den konkreten Anwendungsfall zusammengestellten, schlankeren KI-Modelle arbeiten ohne große Infrastruktur. „Dadurch werden leistungsfähige KI-Modelle auch für mittelständische und kleinere Unternehmen zugänglich, was zuvor allein wegen der Größe der Modelle unmöglich war“, sagt Janzen.
Automatisch das beste KI-Modell mit 40 Prozent weniger Energie
Bei KI-Modellen, die digitale Bilddaten verarbeiten und erzeugen, nutzen die Forscherinnen und Forscher eine andere Methode, die so genannte „Neuronale Architektursuche“. Das Verfahren findet hier automatisch die beste Architektur für künstliche neuronale Netze. Das Team konnte zeigen, dass sie die Modelle um knapp 90 Prozent verkleinern und den Energieverbrauch um 40 Prozent senken können. Dabei büßen die Modelle nicht nur keine Leistung ein. „Wir konnten mit diesem Ansatz die Genauigkeit des Modells sogar verbessern“, sagt Sabine Janzen.
Beim maschinellen Lernen mit künstlichen neuronalen Netzen laufen die Lernprozesse ähnlich ab wie im menschlichen Gehirn. Während dieses ein Meister in Sachen Energieeffizienz ist – das menschliche Gehirn hat sich in der Evolution laufend optimiert und verarbeitet Informationen sehr energieeffizient –, braucht sein künstliches Pendant mit seinen effizienten Algorithmen enorm viel Rechenleistung und Strom: Künstliche neuronale Netzwerke werden heute noch aufwändig von Menschen zusammengestellt und so lange angepasst, bis sie gute Ergebnisse liefern. „Wir automatisieren diesen Vorgang mit neuronaler Architektursuche. Dabei testen wir verschiedene Netzstrukturen und optimieren diese weiter, sodass die Modelle leistungsfähig und effizient sind, aber weniger kosten“, erklärt Sabine Janzen.
Testfall Schrottsortierung
Das Team testete seine KI-Modelle unter anderem in Zusammenarbeit mit der SHS – Stahl-Holding-Saar. Ziel ist hier ein KI-Modell, das Stahlschrott automatisch sortiert und anhand von Kameraaufnahmen erkennt, welche Sorte Stahlschrott auf dem Hüttengelände geliefert wird. Mit den herkömmlichen Methoden wäre ein solches Modell gigantisch groß, energieintensiv und nicht praxistauglich. Das Forschungsteam hat das visuelle KI-Modell zur Schrottsortierung so komprimiert, dass es kompakt, energieeffizient, zum Teil sogar leistungsfähiger arbeitet und den Stahlrecycling-Prozess effektiver machen kann. Dafür trainierten sie ihr Modell zunächst mit dem kompletten Datenpaket und sämtlichen Informationen und komprimierten die KI-Modelle anschließend durch Wissensdestillation und automatisch zusammengestellte neuronale Netze.
Weitere Einsparpotenziale für nachhaltige Rechenzentren
Darüber hinaus zeigt das Konsortium am 30. Juli Einsparpotenziale für Rechenzentren auf. Mit seinen Partnern erarbeitete das Saarbrücker Forschungsteam ein Konzept und Handlungsempfehlungen für energieeffiziente KI, mit denen Rechenzentren und KI-Anwender besser planen und unwirtschaftliche Abläufe erkennen können. Das Team erarbeitete hierfür ein Werkzeug, das zuverlässige Prognosen über den genauen Energieverbrauch und die Kosten der KI-Modelle ermöglicht. „Dieses Tool macht es etwa möglich, Abläufe, die große Rechenleistungen erfordern, dann einzuplanen, wenn der Strompreis günstig ist. Bislang können Entscheidungsträger nur schwer abschätzen, für welche Modelle sie wie viel Energie verbrauchen werden, weshalb es schwierig ist, wirtschaftlich zu planen“, erläutert die Doktorandin Hannah Stein, die an den energiesparenden KI-Methoden forscht.
Neuromorphe Chiptechnologien
Darüber hinaus arbeitet das Forschungskonsortium im Bereich der Hardware an neuromorphen Chiptechnologien, das sind Mikroprozessoren, die ebenfalls die Funktionsweise des menschlichen Gehirns nachbilden. „Unsere Ergebnisse in diesem Hardware-Bereich deuten darauf hin, dass auch diese Technologie deutlich energieeffizienter arbeitet als die herkömmlichen Chips: In unseren Tests laufen diese bereits bis zu sechsfach effizienter. Aber hier ist weitere Forschung notwendig, dafür brauchen wir noch mehr Zeit“, erklärt Sabine Janzen.
Am 30. Juli stellt das Forschungskonsortium seine Projektergebnisse zu nachhaltigen KI-Rechenzentren und ressourceneffizienten KI-Algorithmen auch anhand von Demonstrationen vor. Interessierte, insbesondere auch Rechenzentrumsbetreiber, Technologieanbieter und Unternehmen sind eingeladen.
Anmeldung und Programm am 30. Juli: https://escade-project.de
Hintergrund
Das Projekt ESCADE (Energy-Efficient Large-Scale Artificial Intelligence for Sustainable Data Centers) wurde vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) im Rahmen des „Green Tech Innovationswettbewerbs“ mit rund fünf Millionen Euro über eine Laufzeit von drei Jahren gefördert.
Zum Projektkonsortium gehören neben dem Forschungsteam von Professor Wolfgang Maaß als Koordinator (Deutsches Forschungszentrum für Künstliche Intelligenz DFKI und Universität des Saarlandes) die Technische Universität Dresden, die Universität Bielefeld, das Rechenzentrum Mitteldeutschland NT Neue Technologie AG NT (NT.AG), die SHS - Stahl-Holding-Saar GmbH & Co. KGaA, die SEITEC GmbH sowie die österreichische Forschungsgesellschaft Salzburg Research und die Unterauftragnehmer eco2050 Institut für Nachhaltigkeit, SpiNNcloud Systems GmbH und elevait GmbH & Co. KG.
Projektträger ist das Deutsche Zentrum für Luft- und Raumfahrt.
Fragen beantworten:
Dr. Sabine Janzen: T: 0681- 8 57 75 - 269, E-Mail: sabine.janzen@dfki.de
Hannah Stein: T: +49 681 302-64739, E-Mail: hannah.stein@iss.uni-saarland.de
Pressefotos zum Download:
Die Pressefotos können Sie mit Namensnennung des Fotografen als Fotonachweis honorarfrei in Zusammenhang mit dieser Pressemitteilung und der Berichterstattung über die Universität des Saarlandes verwenden.
