Artificial and intelligent but also sustainable?

Künstliche Intelligenz (KI) ermöglicht es Prozesse zu automatisieren, zu optimieren und sogar dem Klimawandel zu begegnen, gleichzeitig verbrauchen Rechenzentren jedoch Unmengen an Energie. Längst wird dieser enorme Energieverbrauch sogar schon mit den Auswüchsen von Bitcoin-Miningfarmen verglichen. Ein wachsender KI-Fußabdruck wird somit zunehmend problematisch. Kann KI so Treiber einer nachhaltigen Entwicklung sein? Denn, KI kann auch Klimaprognosen verbessern, effizientere Entscheidungen für die Dekarbonisierung der Industrie vom Bau- bis zum Transportwesen ermöglichen und Hinweise geben, wie erneuerbare Energien besser helfen können Ressourcen zu sparen. Begleitet  wird diese Entwicklung von ethischen Bedenken, wie des Strebens nach immer größeren Datenmengen. Immer größere Datenmengen für die Verbesserung von Streamingdiensten oder zum Trainieren von Computerlinguistiken (Natural Language Processing) und auch das Auslagern von Prozessen “in die Cloud” befördert das Wachstum von Rechenzentren.

In der mit drei Milliarden dotierten KI-Strategie der Bundesregierung heißt es: “Wir werden dabei den Nutzen für Mensch und Umwelt in den Mittelpunkt stellen […].” Konkret möchte die Bundesregierung KI auch für die Erreichung der 17 Ziele für die globale nachhaltige Entwicklung der Vereinten Nationen (Sustainable Development Goals) einsetzen. Diese umfassen unter anderem die Beseitigung von Armut und Hunger sowie die Förderung von Gesundheit, sauberem Wasser, bezahlbarer und sauberer Energie. Dieser Blog soll aufzeigen, wo Künstliche Intelligenz und insbesondere Maschinelles Lernen (ML) als Teilgebiet von KI, zur Zeit anwendungsreif und damit großes Potential bietet. Wir argumentieren, dass nur wenn Technologie und Nachhaltigkeit zusammengedacht werden, das immense Potential dem Klimawandel zu begegnen gehoben werden kann.

Bisherige Auswirkungen des Klimawandels

Die globalen Ökosysteme kippen, besonders betroffen sind natürliche Habitate und die Landwirtschaft. Der zwischenstaatliche Bericht über den Klimawandel von 2018 schätzt, dass die Welt mit katastrophalen Folgen konfrontiert sein wird, wenn die globalen Treibhausgasemissionen nicht innerhalb von dreißig Jahren beseitigt werden.

2019 haben Bilder des brennenden Amazonas-Regenwaldes weltweit Erschrecken ausgelöst. Auf den Amazonas Regenwald entfallen rund 17% des weltweit in der Vegetation an Land gebundenen Kohlenstoffs. Aufgrund des Klimawandels und menschlicher Eingriffe haben Waldbrände nicht nur in Lateinamerika, am Polarkreis oder in Afrika, sondern auch in Nordamerika und Europa stetig zugenommen. So hat sich beispielsweise die Zahl der Waldbrände in den Amazonas-Regenwäldern im Jahr 2019 im Vergleich zu 2013 verdoppelt. Auch die Waldbrände in Teilen Brandenburgs sind Teil dieser Entwicklung.

Eine Bewältigung des Klimawandels umfasst Minderung (Mitigation: Emissionsreduktion) und Anpassung (Adaption: Anpassung an nicht vermeidbare Folgen). Die Eindämmung von Treibhausgasemissionen (GHG-Emissionen) oder Kohlenstoffdioxid Äquivalente (CO2e) erfordert ein Umdenken in zahlreichen Lebensbereichen: bei der Energieerzeugung, Verkehr, Gebäuden, Industrie oder der Landnutzung.

Trotz der Zunahme des globalen Interesses an der Eindämmung des Klimawandels und an der digitalen Transformation, fehlt es häufig noch an Umsetzungskompetenz wie diese “Instrumente” am besten zur Bekämpfung des Klimawandels eingesetzt werden können.

Rechenpower und Informationsfülle als Treiber

Ein Treiber des digitalen Wandels liegt in der Möglichkeit mit Hilfe steigender Rechenpower zahlreichen Daten zu analysieren und auszuwerten. Dies ermöglicht Berechnungen, die vor Jahrzehnten nicht nur technisch unmöglich sondern auch finanziell sehr aufwendig waren. Satellitenbilder sind ein gutes Beispiel die nicht nur den Wandel sondern auch die Chancen der kombinierten Daten für einen nachhaltigen Wandel zeigen.

_{Die Brandherde 2019 im Amazonas Regenwald sind auch auf Satellitenbildern deutlich zu erkennen (Quelle: NASA)}

ML-basierte Vorhersage von Waldbränden

Ein wichtiger Anwendungsbereich für Maschinelles Lernen liegt in der Fähigkeit genaue Vorhersagen auf Basis einer großen Anzahl Indikatoren zu treffen und damit das Schwanken von zB Wind und Solarenergie, oder auch gewisser Wetterereignisse (zB Waldbrände) besser voraussagen zu können. Diese Fähigkeit beruht größtenteils auf Fortschritten im Maschinellen Lernen des letzten Jahrzehnts.

Topographie-, Vegetations-, Bewegungs- und Wetterdaten können beispielsweise kombiniert werden, um zB Waldbrände oder illegale Fischerei frühzeitig zu erkennen. Um einem Waldbrand zuvor zu kommen gibt es also bestimmte Vektoren, die einen besonders starken Ausbruch andeuten können, wie die Baumart, die Bedeckungsdichte oder das Niederschlagsrisiko. 

Dennoch, manchmal bleiben Waldbrände mehrere Tage unbemerkt. Mehrere Forschungseinrichtungen arbeiten daher mittlerweile mit maschinellem Lernen und eigenen Satelliten an Systemen zur Krisenfrüherkennung. Die Universität von Kalifornien in Berkeley zum Beispiel hat das Fuego-Projekt 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) an einem eigenem Programm, dass täglich nach thermischen Veränderungen durch Brände sucht. Die Königliche Technische Hochschule Schwedens (KTH) setzt Maschinelles Lernen zur Überwachung von Waldbränden ein. Fernab von Waldbränden gibt es auch Vorzüge für urbane Regionen, zB Unternehmen die Umweltdaten für Städte mit viel Verkehr sammeln, auswerten und zu besserer Luftqualität beitragen wollen.

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

Maschinelle Wettervorhersage für erneuerbare Energien

Ein weiterer Aspekt der Vorhersage von Wetterereignissen ist das Vorhandensein ausreichender Wind- oder Sonneneinstrahlung für die Energiegewinnung durch Windturbinen und Solaranlagen. Da diese Formen der Energiegewinnung einer im Gegensatz zu konventionellen Energiegewinnung (Kohleverstromung/Kernkraft/Gas) hohen Variabilität unterliegen, entsteht ein Nachteil beim Verkauf der Energie in das Netz, da das Netz höhere Preise für stabile und langfristig planbare Energiezufuhr zahlt. Genau hier setzt Maschinelles Lernen (hier: überwachtes Lernen) an, das mit höherer Genauigkeit als bisherige Verfahren die Energieproduktion von Wind- und Solarkraftanlagen für die nächsten Stunden zu prognostizieren versucht. Das resultiert in höheren Energiepreisen für Anlagenbetreiber von Stromanbietern, erste Unternehmen konnten mithilfe von ML den zu erzielenden Strompreis von Windkraftanlagen nachweislich um 20% erhöhen. Die breitenwirksame Anwendung von ML birgt enormes Potential, um die Wettbewerbsfähigkeit gegenüber der konventionellen Energiegewinnung zu steigern. Zusätzlich lässt sich die genaue Wettervorhersage ebenso für die Positionierung von zB Windkraftanlagen/Solarparks einsetzen. Im Vergleich zu konventionellen statistischen Modellen lieferten ML-basierte Modelle eine bis zu dreimal größere Genauigkeit zB bei der Vorhersage von Windgeschwindigkeiten. Durch Maschinelles Lernen werden weitere Vorhersagen möglich 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: “2 bis 9 Monate im Voraus, hat eine Genauigkeit von 94% erreicht, und das Einsparpotenzial für ein Portfolio von 350 MW beträgt somit 1,6 GWh pro Jahr.”  Maschinelles Lernen ist somit eine Querschnittstechnologie die nicht auf bestimmte Branchen begrenzt, sondern in vielen verschiedenen Bereichen einsetzbar ist. Einen sehr guten Überblick über konkrete  Anwendungsbeispiele für Maschinelles Lernen im Bereich Klima hat Climate Change AI hier zusammengestellt.

Rebound-Effekte

Die große Krux bei der Nutzung von Technologie ist der meist einhergehende gesteigerte Ressourcenverbrauch, der sogenannte Rebound-Effekt: “Effizienzsteigerungen senken oft die Kosten für Produkte oder Dienstleistungen. Dies kann dazu führen, dass sich das Verhalten der Nutzer*innen ändert: Sie verbrauchen mehr – die ursprünglichen Einsparungen werden teilweise wieder aufgehoben.” Ein sprechendes Beispiel ist der C02e-Ausstoß im Musikkonsum. Während in den USA 1977 die Bevölkerung 140 Millionen Kg C02e für ihren Musikkonsum produzierte,  sind es 2016 zwischen 200 und 350 Millionen – eine deutliche Zunahme- die größtenteils aus dem immensen Energieverbrauch von Datenzentren der großen Cloud-Musikanbieter resultiert.

Das bedeutet, dass selbst bei gesteigerter Effizienz kein Weg am ökonomischen Umgang mit begrenzten Ressourcen vorbeiführt und Technologie/ML daher kein Selbstzweck ist. Technologie-getriebene Ressourceneinsparung sind nur zielführend 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 lässt das Potential dieser Technologien die voranschreitende Erderwärmung zu verlangsamen ungenutzt. 

Die nachhaltige Anwendung von ML ist der Schlüssel zum Erfolg

Wenn richtig genutzt eröffnet ML wie oben gezeigt neue Möglichkeiten den Klimawandel zu verlangsamen, oder auch die Anpassung an Klimawandel voranzutreiben. Als Querschnittstechnologie ist das Anwendungsfeld von ML extrem vielfältig und für eine Vielzahl von Akteur*innen grundsätzlich geeignet. Mittelständische Unternehmen sowie auch große Konzerne werden neben Privatpersonen, Nutzer*innen und Konsument*innen eine Schlüsselrolle in der Umsetzung ML-getriebener Klimaprojekte spielen. Daher ist die Implementation von ML-Technologien zur Ressourceneinsparung in Unternehmen von großer Bedeutung. Die erste Hürde in der Anwendung von ML im Unternehmenskontext -besonders in kleinen Unternehmen- ist es relevante Anwendungsfälle für das eigene Geschäftsmodell zu identifizieren, um so den eigenen CO2-Fußabdruck zu minimieren.

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 für andere Technologien zutrifft ist ebenso für KI/ML zutreffend: Zu welchem Zweck der Mensch Technologien nutzt und was mit den eingesparten Ressourcen geschieht, bestimmen die Menschen zum großen Teil selbst. Letztlich steht und fällt der Erhalt unseres natürlichen Habitats mit dem nachhaltigen Umgang mit natürlichen Ressourcen unabhängig von der jeweils angewandten Technologie.