Innovativ und sparsam

Künstliche Intelligenz (KI) durchdringt zunehmend unseren Alltag − und verschlingt dabei mehr und mehr Energie. Angesichts von Klimawandel und Ressourcenknappheit wird es immer dringlicher, KI-Anwendungen ressourcenschonend und nachhaltig zu entwickeln. Eine schwierige Aufgabe − insbesondere, wenn große Mengen sensibler Daten mit modernen KI-Modellen wie tiefen neuronalen Netzen analysiert werden sollen. Diese Modelle sind nicht nur sehr komplex, sie werden auch sehr häufig genutzt. Ein hoher Energieverbrauch und damit einhergehend ein großer ökologischer Fußabdruck sind die Folge. Das L3S-Projekt Green AutoML für Fahrerassistenzsysteme (GreenAutoML4FAS) will nicht nur die Vorteile moderner KI nutzen, sondern auch den Ressourceneinsatz optimieren.

Die Elektromobilität spielt eine Schlüsselrolle beim Übergang in eine nachhaltigere Energiezukunft. Mit der Verbreitung KI-basierter Fahrerassistenzsysteme steigt jedoch der Energiebedarf der Fahrzeuge immer weiter an. GreenAutoML4FAS konzentriert sich daher auf die Entwicklung ressourceneffizienter KI für die E-Mobilität. Das Ziel: mehr Sicherheit, Komfort und Wirtschaftlichkeit, ohne den Energieverbrauch außer Acht zu lassen.

Ressourceneffizient durch AutoML

Der ganzheitliche Ansatz von GreenAutoML4FAS vereint Hardware, Daten- und Modellkomplexität sowie adaptive KI-Technologien in nur einem System. Durch das Zusammenspiel wollen die Wissenschaftler maximale Effizienz erreichen, die weit über das hinausgeht, was mit einer individuellen Optimierung der Komponenten möglich wäre. Der Schlüssel zum Erfolg: Das System passt sich durch automatisiertes maschinelles Lernen (AutoML) selbst an die vielfältigen Aufgaben von Fahrerassistenzsystemen an. Die Automatisierung des Entwicklungsprozesses ermöglicht es, schnell auf neue Anforderungen zu reagieren und Entwicklungszyklen zu verkürzen. „Dieser innovative Ansatz verspricht nicht nur Effizienzsteigerungen im Automobilsektor, sondern hat auch das Potenzial, branchenübergreifend Impulse zu setzen”, sagt Prof. Dr. Marius Lindauer, Leiter des Instituts für Künstliche Intelligenz der Leibniz Universität Hannover und Konsortialleiter des Projekts GreenAutoML4FAS.

PANDA als Wegbereiter

Als Demonstrator für die praktische Anwendung und für das immense Potenzial von GreenAutoML4FAS dient PANDA (Platform for the Analysis of Next-gen Driver Assistance). Das Versuchsfahrzeug ist mit modernsten Sensoren ausgestattet, die seine Umgebung detailgenau erfassen und analysieren. Im Rahmen des Projekts optimierte Board-Computer verarbeiten die Sensordaten hochgradig effizient. „Die Synergie aus optimierter Hardware, effizienter Datenverarbeitung und adaptiver Software hebt die Ressourceneffizienz von Fahrerassistenzsystemen auf eine neue Stufe und bietet damit ein Modell für zukünftige Entwicklungen im Bereich der E-Mobilität“, sagt Lindauer.

Ganzheitlichkeit und Wissenstransfer

GreenAutoML4FAS steht exemplarisch für eine neue Generation von KI-Anwendungen, die nicht nur technologisch fortschrittlich sind, sondern auch im Hinblick auf ihren Ressourcenverbrauch. Die Kombination aus innovativen Algorithmen, effizienter Hardware und einem fokussierten Ansatz im Wissenstransfer setzt neue Maßstäbe bei der Entwicklung ressourceneffizienter KI-Systeme. „Die Veröffentlichung der Ergebnisse und Erkenntnisse von GreenAutoML4FAS über Open-Source-Implementierungen kann der Weiterentwicklung der E-Mobilität neue Impulse verleihen. Mit PANDA als wegweisendem Demonstrator und der Betonung des ganzheitlichen Ansatzes positioniert sich GreenAutoML4FAS an der Spitze der Bemühungen, die Zukunft der Mobilität nachhaltiger und effizienter zu gestalten“, so Lindauer.