Themenpublikation Industrielle KI

Industrielle KI für Nachhaltigkeit

Thema Industrielle KI für eine nachhaltige Wirtschaft Autorin: Dr. Christiane Plociennik « Kann KI nicht nur die Effizienz, sondern auch die Nachhaltigkeit in der Produktion und im gesamten Lebenszyklus des Produkts verbessern? » Der Einsatz digitaler Technologien wird als Chance ge- sehen, Ressourcen einzusparen und Produktionspro- zesse zu optimieren. Spätestens seit große Sprach- modelle und darauf basierende Anwendungen wie ChatGPT Mainstream geworden sind, ist auch Künstli- che Intelligenz als möglicher Enabler für die Verbesse- rung von Prozessen und Produkten in aller Munde. Doch diese Verbesserungen allein werden in Zukunft nicht ausreichen. Unsere Wirt- schaft muss nicht nur efﬁzienter, sondern auch nachhaltiger werden. Das geben die Vereinten Na- tionen mit ihren Sustain- able Development Goals (SDGs) vor, und die Bun- desregierung erarbeitet hierzu derzeit die Natio- nale Kreislaufwirtschafts- strategie. Sie soll noch in diesem Jahr verabschiedet werden. Grund genug also, einmal der Frage nachzu- gehen, ob KI nicht nur die Efﬁzienz, sondern auch die Nachhaltigkeit in der Produktion und im gesamten Lebenszyklus von Produkten verbessern kann. Grundsätzlich bedeutet Nachhaltigkeit, nicht mehr Res- sourcen zu verbrauchen als ersetzt werden können, wo- bei es die drei Dimensionen ökologische, ökonomische und soziale Nachhaltigkeit gibt. In diesem Sinne ist eine Produktion dann nachhaltig, wenn sie ressourcenscho- nend und ressourcenefﬁzient arbeitet, zum Beispiel, in- dem sie Ausschuss so weit wie möglich vermeidet oder weiterverwendet oder indem sie gebrauchte Einzelteile oder sogar ganze gebrauchte Baugruppen einbezieht (Remanufacturing). Zu einer solchen nachhaltigen Pro- duktion gehört auch, dass die Produkte wettbewerbs- fähig und somit ökonomisch nachhaltig sein müssen – es muss sich schlichtweg lohnen, nachhaltig zu pro- duzieren, sonst wird sich das Unternehmen kaum dauerhaft am Markt be- haupten können. Soziale Nachhaltigkeit bedeutet, dass Menschen unter gu- ten Bedingungen arbeiten und dafür fair entlohnt werden. Das alles soll künftig nicht nur für das eigene Unternehmen gel- ten, sondern auch für die Zulieferer. So will es das neue Lieferkettengesetz, das im Januar 2024 in Kraft getre- ten ist. Mit KI zur Kreislaufwirtschaft Eine Möglichkeit zur Förderung von Nachhaltigkeit bie- tet die Transition von einer linearen Wirtschaftsweise hin zu einer Kreislaufwirtschaft (Circular Economy). Diese versucht, Rohstoffe möglichst lange „im Kreis- lauf“ zu halten, also möglichst wenig Abfall zu erzeu- 4

Thema gen, indem Produkte wiederverwendet (sogenannter Reuse), so oft wie möglich repariert (Repair) und ganz am Ende ihres Lebenszyklus möglichst umfassend recy- celt werden. Reuse, Repair und Recycling sind drei der zehn sogenannten R-Strategien der Kreislaufwirtschaft (R-Graﬁk). Damit die Kreislaufwirtschaft funktioniert, benötigt sie vor allem Daten – Daten zum Produkt selbst, zum Pro- duktionsprozess, aber auch zu einer möglichen Repara- tur (z.B. Reparaturanleitungen) oder zu geeigneten Re- cyclingverfahren am Produktlebensende. Diese Daten helfen den unterschiedlichen Beteiligten der Kreislauf- wirtschaft: Ein Produktdesigner kann beispielsweise ein Produkt im Hinblick auf verbesserte Nachhaltigkeit (re-) designen, wenn er weiß, welche Recyclingverfahren prin- zipiell infrage kommen. Auch Informationen darüber, warum ein Produkt noch nicht gut recycelt werden kann, helfen bei der Verbesserung des Designs. Der Recycler selbst wiederum kann seine Anlagen viel besser para- metrisieren, wenn er die Zusammensetzung der Produk- te kennt, die bei ihm ankommen. Entscheidend ist also der Informationsaustausch zwischen den einzelnen Akteuren der Kreislaufwirtschaft. Doch wie kann die- ser organisiert werden? Hierfür bietet sich der Digitale Produktpass an. Dieser wird – beginnend mit Batterien mit einer Kapazität von über 2kWh – in der EU ab 2027 für immer mehr Produktgruppen verpflichtend. Welche produktbezogenen Informationen genau Circular economy R-ladder R0 Refuse R1 Rethink R2 Reuse R4 Repair R5 Refurbish Use R3 Reuse R8 Recycle R6 Remanufacture R9 Recover energy R7 Repurpose In a circular economy this is avoided R-Grafik: Die zehn R-Strategien für eine zirkuläre Wertschöpfung.

Thema er enthalten soll, ist derzeit ebenso wenig abschließend festgelegt wie Format und Austauschverfahren der Da- ten. Der Produktpass soll unter anderem dazu dienen, die im Lieferkettengesetz geforderte Transparenz herzu- stellen. Er eignet sich aber auch für die Umsetzung der R-Strategien der Kreislaufwirtschaft mithilfe von KI. Da- ran forscht auch das DFKI. Das DFKI erprobt den Digitalen Produktpass In seinen Forschungsprojekten setzt das DFKI verschie- dene Produktpasskonzepte prototypisch um. Im Projekt CircThread lotet das DFKI zusammen mit 30 weiteren europäischen Partnern die Möglichkeiten des Konzepts des Digital Thread aus, einer Art digitalem Faden über den gesamten Produktlebenszyklus. In einem Informa- tionssystem werden nicht die Informationen über ein Produkt selbst gespeichert, sondern darüber, wo sie zu ﬁnden sind. Diese können dann am Ende des Lebens- zyklus genutzt werden, um zu entscheiden, was mit dem Produkt geschehen soll – lohnt sich etwa ein Rema- nu-facturing oder sollte das Produkt besser recycelt werden? Ein Produktpass auf Basis der sogenannten Verwaltungs- schale (engl. Asset Administration Shell) wurde im Pro- jekt ReCircE („Digital Lifecycle Record for the Circular Economy”) konzipiert und implementiert – der Digital Lifecycle Passport (DLCP). Der DLCP ermöglicht einen rollenbasierten Zugriff auf die Produktinformationen. Er ist sowohl für Menschen als auch für Maschinen les- bar. So können die Informationen einerseits über eine Webapplikation benutzerfreundlich dargestellt werden, andererseits aber auch zur Steuerung von Maschinen genutzt werden. Auch dies wurde im ReCircE-Projekt umgesetzt: Kombiniert mit einer KI-basierten Objekt- erkennung werden die Informationen aus dem DLCP zur Steuerung einer Sortieranlage benutzt. Das Ergebnis ist ein hybrides KI-System, das Elektroschrott nach inno- vativen Sortierkriterien sortiert – zum Beispiel danach, ob ein Gerät potenziell gefährlich ist, weil es einen Akku enthält. Ein solches Gerät sollte besser vor dem Recyc- ling aussortiert werden, damit es nicht in Brand gerät. Mit diesem Ansatz kann also der Sortier- und Recycling- Der Digital Lifecycle Passport (DLCP) ermöglicht einen rollen- basierten Zugriff auf die Produktinformationen. Er ist sowohl für Menschen als auch für Maschinen lesbar. prozess von Elektroaltgeräten verbessert werden. Der Digitale Produktpass ist auch ein wichtiges Thema des Green-AI Hub Mittelstand. Der Green-AI Hub Mit- telstand ist eine KI-Initiative des Bundesumweltminis- teriums, die von der Zukunft - Umwelt - Gesellschaft gGmbH koordiniert und vom DFKI umgesetzt wird. Der Green-AI Hub Mittelstand leistet einen Beitrag dazu, dass Unternehmen moderne KI-Lösungen für mehr Res- sourcenefﬁzienz nutzen. Kern des Green-AI Hubs sind 20 KI-Pilotanwendungen, die in jeweils sechs Monaten bei Pilot-KMU umgesetzt werden. Thematisch sind die Anwendungen breit gefächert und reichen von der Opti- mierung der Logistik und des Wareneinsatzes im Hand- werk bis hin zu digital integrierten Lösungen für die War- tung von Anlagen oder die Schließung von Stoffströmen in der Industrie. Um das Thema „KI für Resourcenefﬁzienz“ für interes- sierte Unternehmen erlebbar zu machen, wurde im Rah- men des Green-AI Hub Mittelstand ein mobiler Demons- trator entwickelt. Der Demonstrator zeigt anschaulich, wie Unternehmen die R-Strategie Reuse in ihre Produk- tion integrieren können. Am Beispiel eines Modell-LKWs wird die Qualitätskont- rolle und Einlagerung von Gebrauchtteilen gezeigt. Da- für beurteilt eine KI-basierte optische Qualitätskontrol- le zunächst den Erhaltungszustand eines gebrauchten Produkts und sortiert es auf dieser Basis in eine von vier Qualitätskategorien ein. Anschließend wird ein Preis für das Gebrauchtteil ermittelt, das CO2-Einsparpotenzial 6

Thema prognostiziert und ein Lagerplatz im angeschlossenen Teilelager reserviert. All diese Informationen werden im Digitalen Produktpass des LKWs gespeichert und über einen digitalen Marktplatz veröffentlicht. Über diesen Marktplatz können potenzielle Kunden und Hersteller auf die Informationen zugreifen und entscheiden, ob in einem neu zu produzierenden LKW Gebrauchtteile ver- baut werden sollen. Diese können dann bei Bedarf be- stellt und für den neuen Produktionsprozess aus dem Teilelager entnommen werden. So erweitert das DFKI seine Demonstratorlandschaft um das Thema Kreislauf- wirtschaft und bringt es anschaulich auf die Hannover Messe 2024. Blick in die Zukunft der Kreislaufwirtschaft Mit CircThread, ReCircE und dem Green-AI Hub zeigt das DFKI, wie das Zusammenspiel von Kreislaufwirtschaft und KI funktioniert. Doch es gibt noch viel Forschungs- bedarf, denn die Datenlage in der Kreislaufwirtschaft ist derzeit noch lückenhaft. Oft fehlen an den entscheiden- den Stellen Informationen, um Entscheidungen treffen zu können – durch KI oder durch den Menschen. Auch die Kompetenzen, um die entsprechenden Daten nutz- bar zu machen und zu analysieren, sind in der relevan- ten Community noch nicht im ausreichenden Maß vor- handen. Hier setzt das Datenkompetenzzentrum für Circular Economy Daten – kurz DACE – an. Es bringt hochschul- und institutionenübergreifend Informatik- und KI-Forscher mit Experten für Kreislaufwirtschaft und Ökobilanzierung zusammen, damit alle voneinander lernen können. Zunächst geht es darum zu verstehen, wo noch Daten fehlen und in welchem Format sie vor- liegen müssen. Dann werden Verfahren gesammelt und erprobt, um aus diesen Daten umfassende Nachhaltig- keitsbewertungen, z.B. KI-basierte Analysen für kon- krete Produkte, zu erstellen. Von diesen Erkenntnissen sollen am Ende nicht nur Wissenschaftler, sondern auch Unternehmen und die breite Öffentlichkeit proﬁtieren. Damit rückt die KI-basierte Kreislaufwirtschaft ein gutes Stück in Richtung Mainstream. www.green-ai-hub.de www.recirce.de https://circthread.com Der mobile Demonstrator des Green AI Hub Mittelstand zeigt, wie Unternehmen die R-Strategie „Reuse“ in die Produktion integrieren können.

Interview Ressourcenscho- nende KI durch Algorithmen Wie hoch schätzen Sie das Potenzial für Energieein- sparungen durch ressour- censchonende Künstliche Intelligenz ein? Der Stromverbrauch des Internets im Vergleich zu anderen Branchen und Sektoren ist immer noch relativ gering, steigt aber stetig. Allein in Deutschland verbraucht das Inter- net ca. 13 TWh pro Jahr, was dem Verbrauch aller Münchner Privat- haushalte entspricht. Der CO2-Aus- stoß ist in etwa so hoch wie der des Flugverkehrs oder der Stahlpro- duktion. Weltweit betrachtet geht man von einer Verdopplung des Elektrizitätsverbrauchs von Daten- zentren von 460 TWh in 2022 bis zum Jahr 2026 aus. Bedenkt man, dass die wesentlichen Dienste des Internets mittlerweile auf KI basieren, liegt hier ein enormes Einsparpotenzial. Das können wir erschließen, wenn wir KI-basierte Leistungen im Internet deutlich ef- ﬁzienter gestalten. Die Entwicklung 8 von neuartigen Konzepten für das klimaneutrale Internet ist min- destens genauso relevant wie die Forschung an Elektro- und Hybrid- antrieben und an den Einsatzmög- lichkeiten von grünem Wasserstoff. Dass Rechenzentren ener- giehungrig sind, ist be- kannt. Um Stromkosten für die Kühlung zu sparen, verlegen viele Unternehmen ihre Zentren in kältere Regionen. Wird der Be- trieb dadurch nachhaltiger? Damit reduziert der Betreiber zwar den Stromverbrauch für die Kühlung, aber die Wärme wird trotzdem erzeugt. Diese Energie können wir derzeit nicht sinnvoll nutzen, sondern heizen damit die Umgebung auf. Das multidiszipli- näre Team im Forschungsprojekt ESCADE will das Problem an der Wurzel packen und forscht an energieefﬁzienterer Algorithmik und Hardware. Jede Frage, die man ChatGPT stellt, hat ihren Preis. Mit jeder KI-Entwick- lung und -Nutzung hinterlässt man einen ökologischen Fußabdruck. Ob Künstliche Intelligenz nachhaltig sein kann und welche Indikatoren dafür erfüllt sein müssen, erklärt Wolfgang Maaß im Interview. Er ist Professor für Betriebswirtschaftslehre, insbe- sondere für Wirtschaftsinformatik im Dienstleistungsbereich an der Uni- versität des Saarlandes und Leiter des DFKI-Forschungsbereichs Smart Service Engineering. Derzeit koordi- niert und leitet er das Projekt ESCADE, in dem ein Konsortium aus zahlrei- Rechenzentren forscht.

Interview alle Rechenoperationen müssen auf Großrechnern ausgeführt werden, sondern können auch on-edge in der Nähe der Anwendung trainiert und ausgeführt werden. Im Fokus unserer Überlegungen steht die Frage, mit welchen KI-Algorith- men wir vom Design her näher an die sparsame Funktionsweise des menschlichen Gehirns heran- kommen. Vielversprechend ist hier das Konzept des Neuromorphic Computing, das es ermöglicht, über algorithmische Steuerung Bereiche des Chips je nach Rechenaufgabe an- und abzuschalten. Sie haben gesagt, ESCADE adressiere den gesamten Technologie-Stack vom Chip bis zum Use Case. Wie sieht dieser aus? Ein Anwendungsbeispiel ist der Ein- satz von Visual Computing zur efﬁ- zienten Sortierung von Stahlschrott für das Recycling durch eine ver- teilte Architektur, die verschiedene KI-Modelle und Szenarien hinsicht- lich ihrer Energieefﬁzienz testet und bewertet. Mit Hilfe einer Drohne und eines NVIDIA Jetson Boards klassiﬁzieren wir Stahlschrott un- mittelbar auf dem Gelände eines Stahlwerks und in Echtzeit, was fundiertere Entscheidungen über das Recycling des Altstahls ermög- licht. Gleichzeitig werden Energie- proﬁle erstellt, um den Energieauf- wand des KI-Einsatzes zu messen und mit dem positiven Nachhaltig- keitseffekten der Anwendung sowie anderen Szenarien zu vergleichen. Wir versuchen durch optimierte Hardware mit hochefﬁzienten KI- Algorithmen eine mobile Umgebung herzustellen, die bei minimalem Energieeinsatz maximale Leistung erbringt. Welche verwertbaren Ergeb- nisse kann die Wirtschaft erwarten? Wir hoffen, dass ESCADE ein weg- weisendes Konzept für ressourcen- efﬁziente Rechenzentren und KI- Anwendungsfälle mit betriebswirt- schaftlich nachgewiesener Nach- haltigkeit wird. Damit dies auch messbar wird, entwickelt ESCADE ein Rahmenmodell zur Messung der Nachhaltigkeit von KI-Systemen. Damit erhält die deutsche Wirt- schaft ein Modell zur Bilanzierung des KI-Energieverbrauchs. https://escade-project.de Das ESCADE-Projekt ist ein mittelgroßes Projekt und wird vom Bundesministerium für Wirtschaft und Klima- schutz mit einem Volumen von ca. 5 Mio. Euro gefördert. Was ist das Besondere daran? Im Vergleich zu den Ressourcen, die die großen Technologieanbieter aufwenden können, ist das wenig. Mehr Geld bedeutet aber nicht zwangsläuﬁg mehr Erfolg. Wenn es darum geht, einen Proof of Concept zu erbringen, kann ein kleines Team genauso erfolgreich sein. ESCADE ist nicht nur ein Projekt für Ressour- cenefﬁzienz, sondern ein ressour- cenefﬁzientes Projekt, das den Leit- linien der frugalen Innovation folgt. Außerdem ist es ein Full-Stack- Projekt, das alle Komponenten von der Algorithmik bis zur Implemen- tierung inklusive Chipdesign und Chipfertigung bis hin zum Use Case integriert betrachtet. Zudem liegt der gesamte Technologie-Stack in deutscher Hand. Der Anteil des DFKI am Pro- jekt ist die Algorithmik. Welche Rolle spielt die Software bei der Verbesse- rung der Energiebilanz von Rechenzentren? Beim Softwaredesign kann man schon bei der Auswahl der Large Language Models ansetzen. Es muss nicht immer GPT-4 sein. Für spezialisierte Aufgaben kann man auch mit kleineren Modellen arbeiten, die aus größeren Model- len abgeleitet werden. Und nicht

Mehr zum Thema Edge Devices in der Produktion Landwirtschaft, Gesundheitswesen, Verkehr und Logis- tik, Internet der Dinge (IoT), Produktion und Fertigung – überall dort, wo schnelle Datenverarbeitung und Ent- scheidungen in Echtzeit erforderlich sind, kommt spe- zialisierte, kompakte Hardware vor Ort zum Einsatz. In der industriellen Fertigung erfassen und analysieren Edge Devices Sensordaten oder erkennen fehlerhaf- te Produkte. Sie versprechen geringere Latenzzeiten und volle Kontrolle über die lokal verarbeiteten Daten. Edge-Computing boomt: Studien sagen dem Internet der Dinge bis 2028 ein Wachstum um mehr als 16% voraus. Die Datenvearbei- beitung am Ort bringt per se schon ein gewisses Ein- sparpotenzial mit: Es muss keine Energie für den Trans- fer der Daten zum Rechen- zentrum und den Abruf der der Ergebnisse von dort aufgewendet werden. Aber da geht noch mehr. Frugale KI heißt das Kon- zept für eine sparsame Künstliche Intelligenz, die durch weniger Speicherbe- darf, geringere Rechenleistung und mehr Datenefﬁzienz den Stromverbrauch für das periphere Computing sen- ken soll. Daran arbeiten im Projekt FAIRe das französische In- formatikinstitut Inria (Institut national de recherche en informatique et en automatique) und das DFKI. Das Pro- jekt selbst ist eine Besonderheit: Es wird im Rahmen der deutsch-französischen Kooperation im Bereich KI durch die Forschungsministerien der beiden Länder gefördert. FAIRe (Frugal Artiﬁcial Intelligence in Resource-limited environments) zielt darauf ab, die Bereitstellung von KI- Anwendungen auf mobilen Geräten durch einen innova- tiven Ansatz zur Reduzierung der Modellgröße und des Rechenaufwands durch Netzwerkquantisierung, Opti- mierung der Netzwerkarchitektur sowie der Rechen- ströme und schließlich Netzwerkausführung auf strom- sparender Hochleistungshardware zu ermöglichen. „Unser Ziel ist es, einen umfassenden Ansatz zu ent- wickeln, der die verschiedenen Schichten implemen- tierter, laufender KI-Sys- teme adressiert. Dazu be- trachten wir alle Abstrakti- onsebenen einer KI-Anwen- dung: Die eigentlichen KI- Algorithmen, die Hardware und die dazwischen liegen- de Compiler-Schicht, die für die efﬁziente Übersetzung der Algorithmen auf eine bestimmte Hardware ver- antwortlich ist“, erläutert Prof. Dr. Christoph Lüth, der das Projekt auf Seiten des DFKI leitet. Eine Fallstudie soll die Praxistauglichkeit des Ansatzes demonstrieren. Anhand der Interaktion zwischen einem Menschen und einem Roboter soll verdeutlicht werden, wie die verschiedenen Abstraktionsschichten zusam- menarbeiten und wie die Anpassung an unbekannte Kontexte und kontinuierliches robotisches Lernen auch ressourcenbewusst gelingen kann. 10

Über uns KI für den Menschen – Intelligente Lösungen für die Wissensgesellschaft Das DFKI forscht seit über 35 Jahren an KI für den Menschen und orientiert sich an gesellschaftlicher Relevanz und wissenschaftlicher Exzellenz in den entscheidenden zukunftsorientierten Forschungs- und Anwendungsgebieten der Künstlichen Intelligenz. Das Deutsche Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) wurde 1988 als gemeinnützige Public-Private Partnership gegründet. Es unterhält Standorte in Kaiserslautern, Saarbrücken, Bremen, Niedersachsen, Labore in Berlin, Darmstadt und Lübeck sowie eine Außenstelle in Trier. In 26 Forschungsbereichen, zehn Kompetenzzentren und acht Living Labs werden ausgehend von anwendungsorientierter Grundlagen- forschung Produktfunktionen, Prototypen und patentfähige Lösungen im Bereich der Informations- und Kommunikationstechnologie ent- wickelt. Die Finanzierung erfolgt über Zuwendungen öffentlicher För- dermittelgeber sowie durch Entwicklungsaufträge aus der Industrie. Projektergebnisse und Meilensteine werden periodisch institutionell und durch ein international besetztes Expertengremium (Wissen- schaftlicher Beirat) begutachtet. Neben den beteiligten Bundeslän- dern sind im DFKI-Aufsichtsrat zahlreiche namhafte deutsche und internationale Hochtechnologie-Unternehmen aus einem breiten Branchenspektrum vertreten. www.dfki.de 11

Lübeck Oldenburg Bremen Berlin Osnabrück Trier Darmstadt Kaiserslautern Saarbrücken Impressum: dfki ai next Ausgabe April | 2024 Herausgeber: Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) Trippstadter Str. 122 67663 Kaiserslautern Tel.: +49 631 20575 0 E-Mail: news@dfki.de Redaktion: Heike Leonhard (verantwortlich) Layout: Lando Lehmann, Annemarie Popp Satz: One Vision Design Credits Titelseite: Adobe Firefly, KI geniertes Bild, Eingabe: Nachhaltigkeitstransformation mit Hilfe Künstlicher Intelligenz, Ressourcenschonung; Seite 3: DFKI, Jürgen Mai; Seite 5: Abb. adaptiert von Minguez, Rikardo & Lizundia, Erlantz & Iturrondobeitia, Maider & Akizu-Gardoki, Ortzi & Saez de Camara, Estibaliz. (2021). Fostering Education for Circular Economy through Life Cycle Thinking. 10.5772/intechopen.98606. CC-BY-SA 3; Seite 7: DFKI, Maximilian Spengler; Seite 8: DFKI, Jürgen Mai; Seite 9: SHS/ Saarstahl AG; Seite 10: Kanchana, adobestock.