Eine Konsequenz aus der Teuerung ist das Ziel, Ressourcen zu schonen: sowohl, um kurzfristig mit der pl\u00f6tzlichen Verknappung umzugehen, als auch, um langfristig nachhaltig Emissionen senken zu k\u00f6nnen. Dies hilft uns, die Klimaziele zu erreichen und unseren Kindern und Kindeskindern eine lebenswerte Welt zu hinterlassen.<\/p>\n\n\n\n
Auch K\u00fcnstliche Intelligenz (KI) unterst\u00fctzt die Bem\u00fchungen, nachhaltiger zu werden: Im Exzellenzcluster Phenorob<\/a> werden Drohnen und Roboter entwickelt, um die Landwirtschaft zukunftsf\u00e4hig zu gestalten. Aber KI wird auch genutzt, um Prozesse in Energiewirtschaft und Industrie<\/a>, den zwei Hauptsektoren deutscher CO\u2082-Emissionen<\/a>, effizienter zu gestalten.<\/p>\n\n\n\n Eine besondere Chance bietet der Einsatz von KI am Anfang der Wertsch\u00f6pfungskette, also im Bereich der Forschung und Entwicklung. Dieser Bereich bedeutet f\u00fcr ein Unternehmen hohe Kosten und ein hohes Risiko: Der Einsatz wertvoller Ressourcen wird nicht automatisch mit einer erfolgreichen Entwicklung belohnt. Gleichzeitig bieten Experimente aber die Chance, neue Dinge auf kleiner Skala auszuprobieren, bevor Fehler auf der gro\u00dfen Skala (oder beim Kunden) richtig teuer werden.<\/p>\n\n\n\n Im Blogbeitrag \u201eWie funktioniert Design of Experiments mit KI?<\/a>\u201c, aber auch im k\u00fcrzlich ver\u00f6ffentlichten Whitepaper<\/a> wird diskutiert, wie Design of Experiments mit KI technisch funktioniert. Aber was ist Design of Experiments? Es ist die Kunst, aus der Menge aller m\u00f6glicher Versuche nur diejenigen auszuw\u00e4hlen und durchzuf\u00fchren, die erforderlich sind, um die aktuelle Forschungsfrage zu beantworten. Es geht zum Beispiel darum, mit m\u00f6glichst geringem Ressourceneinsatz zu bewerten, ob Werkstoff A besser ist als Werkstoff B, oder mit m\u00f6glichst wenigen (aber allen notwendigen) Probanden zu bewerten, ob ein neues Medikament seine Anforderungen erf\u00fcllt.<\/p>\n\n\n\n Dieser Prozess l\u00e4uft \u00fcblicherweise in drei Phasen ab:<\/p>\n\n\n\n Grundlegend ist die Definition des Problems, also aller Einflussfaktoren und Zielgr\u00f6\u00dfen (Phase 1). Darauf folgt die vorl\u00e4ufige Bewertung der Einflussfaktoren in Phase 2 und die Optimierung in Phase 3. KI kann mithilfe von informierten, probabilistischen Machine-Learning-Modellen in den Phasen 2 und 3 unterst\u00fctzen: Sie dient der Formulierung von Hypothesen, der Planung von Experimenten und deren Analyse.<\/p>\n\n\n\n Doch was bringt das? Anwendungsstudien<\/a> zeigen, dass durch den Einsatz von KI f\u00fcr Design of Experiments bis zu 50 % der Experimente eingespart werden k\u00f6nnen. Je nach Setup bedeutet das eine gleich gro\u00dfe Einsparung von Ressourcen in Form von Energie, Rohstoffen und Arbeitszeit und damit eine wesentlich effizientere und nachhaltigere Forschung und Entwicklung.<\/p>\n\n\n\n Die Frage ist, was der Einsatz von KI in der Forschung und Entwicklung kostet. Besonders f\u00fcr gro\u00dfe Modelle, die mit vielen Daten umgehen, ist dies ein hei\u00df diskutiertes Thema. Der \u201eBad Boy\u201d unter den Machine-Learning-Methoden sind Sprachmodelle, bei denen schon 2019 das Training eines einzigen Modells in den USA mit 284 t CO\u2082-\u00c4quivalenten<\/a> zu Buche schlug. F\u00fcr heutige Modelle sind noch h\u00f6here Zahlen zu erwarten. Zum Vergleich: Der deutsche Durchschnittsb\u00fcrger emittiert j\u00e4hrlich 11,2 t CO\u2082-\u00c4quivalente.<\/a><\/p>\n\n\n\n Gro\u00dfen Einfluss auf die Emissionen eines Machine-Learning-Modells und damit auf seinen Ressourcen- und Energieverbrauch haben der Modelltyp und seine Komplexit\u00e4t, die Effizienz des Rechenclusters, dessen Standort (wie wurde der Strom zum Betrieb erzeugt?) sowie die verwendete Datenmenge. Nachhaltige KI-Forschung erfordert daher einen gezielten Einsatz der ben\u00f6tigten Ressourcen und zielt auf die Entwicklung sparsamerer Modelle.<\/p>\n\n\n\n In Bezug auf KI f\u00fcr Design of Experiments kann an dieser Stelle jedoch Entwarnung gegeben werden: Typischerweise werden kleine, wenig komplexe Modelle genutzt, die m\u00f6glichst viel aus der geringen verf\u00fcgbaren, weil teuren, Datenmenge herausholen. In den meisten F\u00e4llen k\u00f6nnen alle Schritte in kurzer Zeit auf einem Laptop durchgef\u00fchrt werden \u2013 es ist also ein ressourceneffizienter KI-Einsatz und eine gute M\u00f6glichkeit, Forschung und Entwicklung nachhaltiger zu gestalten.<\/p>\n\n\n\n In diesem Beitrag haben wir den Einsatz von KI zur Ressourceneinsparung in der Forschung und Entwicklung beleuchtet. KI bietet die M\u00f6glichkeit, durch schlaues Design of Experiments Versuche einzusparen, w\u00e4hrend sie selbst nur geringe Ressourcen verbraucht. Somit kann sie einen relevanten Beitrag leisten, um aktuellen Krisen zu begegnen und uns helfen, die Dinge, die uns zur Verf\u00fcgung stehen, optimal zu nutzen.<\/p>\n\n\n\n Weitere Informationen im zugeh\u00f6rigen Whitepaper:<\/p>\n\n\n\n KI-gest\u00fctztes Design of Experiments in Forschung und Entwicklung: Mit K\u00fcnstlicher Intelligenz und Expertenwissen zu<\/strong> effizienteren Versuchspl\u00e4nen<\/strong> K\u00fcnstliche Intelligenz kann die Nachhaltigkeit in der Forschung und Entwicklung f\u00f6rdern. Mit dem gezielten Einsatz im Design of Experiments ist es m\u00f6glich, Versuche und damit auch Ressourcen einzusparen.<\/p>\n","protected":false},"author":9,"featured_media":4278,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,390],"blog-tag":[1481,1487,1557],"class_list":["post-4275","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-grundlagen","blog-tag-design-of-experiments-doe-de","blog-tag-fluch-der-dimensionalitaet","blog-tag-nachhaltige-ki"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4275","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4275\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/4278"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4275"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4275"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4275"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}KI am Anfang der Wertsch\u00f6pfungskette \u2013 Chancen in Forschung und Entwicklung<\/span><\/h2>\n\n\n\n
![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Abb-3-Dreiphasiger-DoE-Prozess_de.png\" "\\"\\"")
Der dreiphasige Design of Experiment-Prozess im \u00dcberblick.<\/figcaption><\/figure>\n\n\n\nDiskussion: Welchen Ressourcenverbrauch hat KI?<\/h2>\n\n\n\n
Fazit<\/strong><\/h2>\n\n\n\n
Ernis, Gunar und Dorina Weichert, Fraunhofer-I<\/em>nstitut f\u00fcr Intelligente<\/em> Analyse- und Informationssysteme IAIS<\/em>, 2022, Link<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"