Künstliche Intelligenz (KI) entwickelt sich rasant und wird zukünftig in nahezu allen Branchen eingesetzt werden. Gleichzeitig wird KI zu einem zusätzlichen Treiber des Strom- und Ressourcenverbrauchs: Allein der Einsatz von KI für Standard-Suchmaschinen könnte bis 2029 einen Stromverbrauch erfordern, der dem monatlichen Verbrauch Irlands entspricht, wie eine Studie der Universität Amsterdam zeigt. Die größte Herausforderung liegt darin, das Potenzial der KI zu maximieren, während der ökologische Fußabdruck in einem angemessenen Rahmen gehalten wird.
Das Future Energy Lab der Deutschen Energie-Agentur (dena) hat in Zusammenarbeit mit dem Fraunhofer Heinrich-Hertz-Institut (HHI) zwei Methoden zur Steigerung der Energieeffizienz bei gängigen KI-Anwendungen untersucht: Zum einen das Training einer KI mit der sogenannten Föderierten Lernmethode und zum anderen den Betrieb einer KI mit einer innovativen Verbindung spezieller Computerchips für den Einsatz in Rechenzentren.
Der Begriff “Föderiertes Lernen” bezieht sich auf einen Ansatz des KI-Trainings, bei dem das KI-Modell auf verschiedenen Endgeräten statt auf einem zentralen Server trainiert wird. Dies bietet den Vorteil, dass die Trainingsdaten beim jeweiligen Eigentümer bleiben und somit der Datenschutz gewahrt wird. Ein kleines KI-Modell wird auf jedem Gerät trainiert, bevor es an einen Hauptserver gesendet wird, wo die Modelle zu einem umfassenden Modell kombiniert werden. Der Hauptserver verbraucht Strom, wenn die Modelle an ihn übermittelt werden. Im Projekt wurden verschiedene Modellkompressionstechniken untersucht, die das zu übertragende Datenvolumen reduzieren und den Stromverbrauch des Trainingsprozesses um bis zu 65 % senken könnten.
Es gibt verschiedene Computerchips, die besonders gut für KI-Anwendungen geeignet sind. Feldprogrammierbare Gate-Arrays (FPGA) sind besonders für die Ausführung von KI-Anwendungen in der Bildverarbeitung geeignet.
