Nachhaltige Künstliche Intelligenz

Die aus KI entstehenden Möglichkeiten sind immens. Speziell das maschinelle Lernen ist für viele deutsche Unternehmen mittlerweile kein Fremdwort mehr. In durchweg allen Branchen werden die Einsatzmöglichkeiten von trainierten Modellen evaluiert, die neue Geschäftsfelder entstehen lassen oder bestehende Abläufe optimieren. In der Euphorie werden von vielen Akteurinnen und Akteuren Nachhaltigkeitsaspekte vernachlässigt. Zum Beispiel kann das Training von KI-Algorithmen und der Betrieb der Systeme durchaus ressourcenintensiv sein kann. Die derzeitige Entwicklung zielt darauf ab, bestehende Modelle noch akkurater bzw. performanter zu machen. Dabei müssen Performance und Nachhaltigkeit von KI-Systemen kein Widerspruch sein.

Dieses Buch verfolgt das Anliegen, die Chancen nachhaltiger KI-Ansätze darzustellen. Es wird detailliert auf Nachhaltigkeit in der IT, Nachhaltigkeit durch KI sowie auf Digitale Ethik eingegangen. Nicht alle 17 UN-Agenda 2030 Ziele werden behandelt, der Fokus liegt auf der ökologischen Nachhaltigkeit. Das Buch ist kein Theoriewerk. Es beinhaltet diverse konkrete Empfehlungen für zur direkten Anwendung für nachhaltigere KI-Projekte.

Autorentext

Daniel Sonnet ist Hochschullehrer für Data Science und IT-Unternehmer mit einem Faible für den nachhaltigen Einsatz von IT.

Andreas Moring ist Professor für Digitale Wirtschaft und KI mit den Schwerpunkten KI und Nachhaltigkeit und Mensch-KI-Kooperation. Er ist Gründer der JuS.TECH GmbH und des JuS.TECH Instituts in Hamburg.

Joseph Bethge forscht seit 2017 als Doktorand an Deep Learning Methoden, insbesondere Binären Neuronalen Netzwerken, am Hasso-Plattner-Institut an der Universität Potsdam.

Hendrik Müller ist Professor für Wirtschaftsethik in Hamburg und beschäftigt sich seit Jahren mit ethischen Fragestellungen der Künstlichen Intelligenz und ihrem nachhaltigen Einsatz.

Inhalt

Einleitung.- Status Quo Ergebnisse Umfrage zum Stand von maschinellem Lernen und Klimagasemissionen bei Deutschen Unternehmen.- Maßnahmen zur Reduktion von CO2 bei gleichzeitiger Aufrechterhaltung der Perfor-mance und Verfügbarkeit von KI-Systemen.- Vorstellung mindestens zweier Best-Practice-Beispiele und Fallstudien.- Zusammenfassung.