Gesellschaft,  Nachhaltigkeit,  Ökologie

Durch Training fit

Über den Einsatz von Künstlicher Intelligenz im Umweltschutz

Haben Sie sich schon einmal dabei ertappt, insgeheim an der Machbarkeit der Energiewende zu zweifeln? Sicher, die großen Linien sind klar und größtenteils technologisch ausgereift. Aber wie die zahllosen dezentralen Potentiale erneuerbarer Energien transparent und koordiniert nutzbar gemacht werden können, ist von fordernder Komplexität. Künstliche Intelligenz (KI) verspricht, bei diesen und vielen anderen umweltrelevanten Anwendungen zu assistieren.

Susanna Allmis-Hiergeist

Herkömmliche Computerprogramme arbeiten mit festgelegten Algorithmen, das heißt mit eindeutigen Input → Output – Beziehungen. Nicht so die KI-Systeme: hier sind die Lösungswege nicht durch programmierte Anweisungen festgelegt, sondern Algorithmen bilden sich im Laufe der Lernprozesse quasi evolutionär. Dem lernenden System werden immer wieder Trainingsdaten vorgelegt, die es nach jeder Wiederholung besser einordnen und interpretieren kann. Im Training erfolgreich in Beziehung gesetzte Parameter erhalten wie im lernenden Gehirn dauerhaft stärkere Verbindungen, ein künstliches neuronales Netz entsteht. Das so produzierte Rechenmodell kann dann auch mit Daten umgehen, die es im Training noch nicht kennengelernt hat.
„Die heutige KI stellt uns vor enorme Herausforderungen, weil sie meist gut funktioniert, aber man nur bedingt versteht, warum sie funktioniert“, sagte Mario Trapp, Direktor des Fraunhofer Instituts für Kognitive Systeme (IKS), im letzten Jahr in einem Interview mit dem Magazin „Digitale Welt“. Eher unbefriedigend für das klassische Ingenieurwesen, das technische Lösungen vorzugsweise als eigenen und transparenten Entwurf denken möchte.
In der Tat sind KI-basierte Lösungen nicht in jedem Fall das Mittel der ersten Wahl. Typische Einsatzfelder sind komplexe Prozesse, deren Verhalten von vielen mit Unsicherheiten behafteten Parametern beeinflusst wird und die somit nur näherungsweise simuliert oder vorhergesagt werden können. Eine intelligente Datenanalyse, verbunden mit leistungsfähigen Prozessoren, kann hier Handlungsempfehlungen geben und sogar autonom agieren.
Praktische Anwendungen für den Umweltschutz gibt es beispielsweise in den Bereichen Landwirtschaft, Energieversorgung und Mobilität.

Ressourcenschonende Landwirtschaft

Gerade die landwirtschaftliche Domäne ist ein Produktionszweig voller kurzfristiger Ungewissheiten: Wetter, Pflanzen, Parasiten, Preise. Unter dem Stichwort „Precision Farming“ verwenden Betriebe Daten aus satellitenbasierten Erdbeobachtungssystemen, aber auch von lokalen Drohnen und Sensoren an Landmaschinen, um Anbau und Ernte zu optimieren. So kann der Einsatz von Saatgut, Wasser, Dünge – und Pflanzenschutzmittel im Sinne des Naturschutzes und der Ressourceneffizienz reduziert werden. Durch Bildverarbeitung und Mustererkennung lassen sich zum Beispiel Nutzpflanzen vom Unkraut unterscheiden und die großflächige Ausbringung von Pestiziden vermeiden. Bei der Ernte können trainierte Drohnen die Muster von im Feld kauernden Tieren wie Rehkitze erkennen und veranlassen, dass der Bereich von den Maschinen ausgespart bleibt.
Auch in der Forstwirtschaft lassen sich Erkenntnisse aus Satellitenbildern von ESA und NASA gewinnen. Neuronale Netze können den Infrarotanteil der Aufnahmen bestimmen und auf diese Weise Rückschlüsse auf den Chlorophyllgehalt und die Gesundheit von Waldflächen ziehen.
Dennoch gibt es auch kritische Stimmen zum Einsatz von KI in der Landwirtschaft. Sie berge die Gefahr, hergebrachte Anbau- und Haltungsmethoden und große Betriebe zu stabilisieren, anstatt eine regional angemessene und nachhaltige agrarische Produktion anzureizen.

Komplexe Vernetzung

Eine eindeutig positive Rolle kann KI in den zunehmend kleinteiligeren Netzen zur Energieversorgung spielen. Die Integration von derzeit fast zwei Millionen dezentraler, insbesondere regenerativer Erzeugungsanlagen mit teilweise schwankender Einspeisung zu einem vernetzten, interagierenden System erfordert Überblick und präzise Steuerung. Wind, Sonne und Biogas auf der einen Seite und gasbetriebene Spitzenlastkraftwerke sowie Speichertechnologien auf der anderen Seite sollen sich bei Produktionsschwankungen ergänzen. Aufgabe der KI ist dabei, meteorologische Daten, Stromangebot und -bedarf in Echtzeit zu analysieren und geeignete Erzeuger für lokale Lastverläufe bedarfsgerecht und autonom zusammenzuschalten. In kleinerem Maßstab lassen sich auch meteorologische Daten mit den Systemen zur Beheizung und Kühlung von Gebäuden abgleichen.
Ein Bereich, der wesentlich von Elementen der KI vorangetrieben wird, ist Mobilität und hier insbesondere das Autonome Fahren. Ein autonom fließender Verkehr gilt als effizienter, auch hinsichtlich des Energiebedarfs. Durch die Vernetzung der Verkehrsteilnehmer*innen und damit quasi deren „Hirne“ verstetigt sich der Verkehrsfluss und Brems- und Beschleunigungsvorgänge können reduziert werden. Neben der Vernetzung ist die plastische Rekonstruktion der Fahrzeugumgebung durch eine Vielzahl von Sensoren nur mithilfe von KI realitätsnah zu bewerkstelligen. Fehler könnten jedoch fatale Folgen haben.

Das Zweifeln lernen

Fragt man Alexa oder Siri, die auch mit KI-Unterstützung arbeiten, nach den Wetterprognosen, hat eine ungenaue Auskunft mäßige Konsequenzen. Anders im Verkehrsbereich: da sich Situationen nie vollkommen identisch wiederholen und wenige Bildbestandteile in einem unklaren Gesamtszenario aus einer Rollerfahrerin eine viel langsamere Fußgängerin machen können, sind fehlertolerante Sicherheitsmechanismen auch beim maschinellen Lernen wichtig. Man müsse der KI das Zweifeln beibringen, fordert Mario Trapp. Bestandteil des Lernprozesses der Maschine sei, dass sie erkennt, was sie nicht versteht.
Charlotte Bender vom Institut für Wissenschaft und Ethik der Uni Bonn nennt weitere kritische Punkte. Sie fragt: Kann KI nachhaltige Konzepte fördern oder müssen wir nicht auch KI selbst auf Nachhaltigkeit überprüfen? Prozessorleistung, der damit verbundene Stromverbrauch (siehe nebenstehender Artikel zum Blauen Engel), Datenschutzaspekte, aber auch die Integrität der Trainingsdaten und der menschlichen Trainer*innen sind dabei ihre Themen. Da der Lernerfolg von der Menge der verwendeten Input-Daten abhängt, kommt auch historisches Material zum Einsatz, das unreflektiert nicht mehr zeitgemäße gesellschaftliche Positionen oder individuell geprägte Sichtweisen in die Algorithmen einschleusen könnte. Charlotte Bender sucht im „Sustainable A.I. Lab“¹, einer interdisziplinären Forschungsgruppe an der Uni Bonn, Lösungsansätze für diese Fragestellungen.
Wer sich zum gesamten Komplex anschaulich auf den neuesten Stand bringen möchte, besuche das Deutschen Museum Bonn, das sich auf den Weg zu einem Forum für KI gemacht hat. Zwei Erlebnisräume erklären, wie maschinelles Lernen und neuronale Netze technisch funktionieren und präsentieren aktuelle Anwendungsbeispiele. Und zeigen auch, in welchen Bereichen die Menschen dem künstlichen Gehirn (zumindest heute noch) überlegen sind.

¹ AI: deutsch für KI, Abk. für Artificial Intelligence

Erschienen in der BUZ 2_22.