Auf Algorithmen bauen: Planen, Bauen & Betreiben im KI-Zeitalter

Künstliche Intelligenz (KI) kann zweifellos viele Vorteile für die Gesellschaft und Wirtschaft bringen: eine bessere Gesundheitsfürsorge, einen sichereren und saubereren Verkehr, eine effizientere Fertigung oder eine bessere und nachhaltigere Energieversorgung. Doch kein Vorteil ohne Nachteil: Als Teil der digitalen Strategie will die EU künstliche Intelligenz daher regulieren, um bessere Bedingungen für die Entwicklung und Nutzung dieser innovativen Technologie zu schaffen. Das Europäische Parlament will damit vor allem sicherstellen, dass die in der EU eingesetzten KI-Systeme sicher, transparent, nachvollziehbar, nicht diskriminierend und umweltfreundlich sind. KI-Systeme sollten von Menschen und nicht von der Automatisierung überwacht werden, um schädliche Ergebnisse zu verhindern. Science fiction lässt grüßen.

Im April 2021 hat die Kommission den ersten EU-Rechtsrahmen für KI vorgeschlagen. Darin wird empfohlen, dass KI-Systeme je nach dem Risiko, das sie für die Nutzer darstellen, analysiert und eingestuft werden und dementsprechend mehr oder weniger Regulierung unterliegen:

>> Unannehmbares Risiko

KI-Systeme stellen ein unannehmbares Risiko dar, wenn sie als Bedrohung für Menschen gelten. Diese KI-Systeme werden verboten. Sie umfassen etwa kognitive Verhaltensmanipulation von Personen oder bestimmten gefährdeten Gruppen (z.B. sprachgesteuertes Spielzeug, das gefährliches Verhalten bei Kindern fördert),  Soziales Scoring: Klassifizierung von Menschen auf der Grundlage von Verhalten, sozioökonomischem Status und persönlichen Merkmalen und biometrischen Echtzeit-Fernidentifizierungssystemen, zum Beispiel Gesichtserkennung.

>> Hochrisiko-KI-Systeme

KI-Systeme, die ein hohes Risiko für die Gesundheit und Sicherheit oder für die Grundrechte natürlicher Personen darstellen. Das sind entweder:

1. KI-Systeme, die in Produkten verwendet werden, die unter die Produktsicherheitsvorschriften der EU fallen. Dazu gehören Spielzeug, Luftfahrt, Fahrzeuge, medizinische Geräte und Aufzüge.

2. KI-Systeme, die in acht spezifische Bereiche fallen, und die in einer EU-Datenbank registriert werden müssen: biometrische Identifizierung und Kategorisierung von natürlichen Personen; Verwaltung und Betrieb von kritischen Infrastrukturen; allgemeine und berufliche Bildung; Beschäftigung, Verwaltung der Arbeitnehmer und Zugang zur Selbstständigkeit; Zugang zu und Inanspruchnahme von wesentlichen privaten und öffentlichen Diensten und Leistungen; Strafverfolgung; Verwaltung von Migration, Asyl und Grenzkontrollen; Unterstützung bei der Auslegung und Anwendung von Gesetzen.

>> Generative KI

Generative Foundation-Modelle wie ChatGPT müssten zusätzliche Transparenzanforderungen erfüllen. Dazu zählen die Offenlegung, dass der Inhalt durch KI generiert wurde; Gestaltung des Modells, um zu verhindern, dass es illegale Inhalte erzeugt; die Veröffentlichung von Zusammenfassungen urheberrechtlich geschützter Daten, die für das Training verwendet wurden.

>> Begrenztes Risiko

KI-Systeme mit begrenztem Risiko sollten minimale Transparenzanforderungen erfüllen, die es den Nutzern ermöglichen, fundierte Entscheidungen zu treffen. Die Nutzer sollten darauf aufmerksam gemacht werden, wenn sie mit KI interagieren. Dies gilt auch für KI-Systeme, die Bild-, Audio- oder Videoinhalte erzeugen oder manipulieren (zum Beispiel Deepfakes).

Im Juni haben die Abgeordneten des Europäischen Parlaments ihre Verhandlungsposition zum Gesetz über künstliche Intelligenz (KI) an. Nach der Verabschiedung des so genannten „AI Act“ – derzeit finden Gespräche mit den EU-Mitgliedstaaten im Rat über die endgültige Ausgestaltung des Gesetzes statt – werden dies die weltweit ersten rechtlichen Vorschriften für KI sein. Ziel ist es, bis Ende des Jahres eine Einigung zu erzielen.

In der Zertifizierungsfalle

KI-Experte Clemens Wasner sieht die Regulierungstendenzen in Europa prinzipiell positiv, warnt aber davor, dass wir in eine Zertifizierungsfalle laufen werden: „Wo ich ein Problem für den Standort sehe, ist das Zertifizierungs-Schema, das mit dem European AI Act kommt. Die Einteilung geht nach Risiko-Klassen. Wenn keine personenbezogenen Daten verarbeitet werden, ist das ,no risk´. Darüber gibt es ,low risk´-Anwendungen – da fallen etwa Chat Bots hinein. Hier greift nur eine Auskunftspflicht, was mit den Daten passiert. Interessant wird es mit den Hochrisiko-Anwendungen, wo ein Fehlverhalten von KI auch Schädigungen mit sich bringen kann. Dazu zählt der Gesundheitsbereich – wie erfolgt etwa die Priorisierung für chirurgische Eingriffe in einem Krankenhaus – aber auch: Wer bekommt den Zuschlag für eine Wohnung im öffentlichen Wohnbau. Dafür muss man eine Zertifizierung durchlaufen. Im Moment gibt es nur sehr wenige Zertifizierungsstellen, mit denen man sich dann dazu überhaupt unterhalten kann. In Österreich ist das der TÜV, das Graz Center für Machine Learning und das Fraunhofer Institut. Ich gehe davon aus, wenn der AI Act in den nächsten 18 Monaten umgesetzt wird, dann werden es vielleicht 20 Institutionen sein, aber nichtsdestotrotz – die Kosten, die bei so einer Art der Zertifizierung entstehen, sind enorm hoch.“

Einsatz von KI in Österreich

Da der Einsatz von KI ein weites Feld betrifft und sich laufend verändert und verstärkt, sind aktuelle Zahlen schwierig zu erfassen. Bei einer großangelegten Studie von Fraunhofer Austria im März 2021 gab ein Drittel der 455 befragten Unternehmen aus ganz Österreich an, dass KI keine Relevanz für sie hat, knapp ein weiteres Drittel sieht KI zwar als relevant an, hat aber trotzdem noch keine konkreten Pläne zur Umsetzung. Nur bei neun Prozent der befragten Unternehmen sind KI-Anwendungen bereits operativ im Einsatz, vier Prozent befinden sich in der Implementierungsphase, 11 Prozent der Unternehmen in einer Test- und Pilotphase. Dabei zeigen sich deutliche Unterschiede je nach Unternehmensgröße. Vor allem die Unternehmensgröße zeigt in der Studie eine große Auswirkung auf den Implementierungsgrad: Während ein Drittel der größeren Unternehmen bereits KI-Anwendungen in operativer Umgebung einsetzt, sind dies bei kleinen Unternehmen nur wenige Prozent. Genau umgekehrt verhält es sich bei der Einschätzung der Relevanz von KI: Etwa ein Drittel der Unternehmen mit weniger als 250 Mitarbeitenden sehen derzeit keine Relevanz von KI, während nur wenige Großunternehmen diese Sichtweise teilen.

Eva Eggeling, Herausgeberin der Studie und Leiterin des Fraunhofer Austria Center für Data Driven Design sowie des Innovationszentrums KI4LIFE in Klagenfurt sagt dazu: „Es gibt bei KI nicht die eine bestimmte Killerapplikation, die für alle Unternehmen wichtig und nützlich ist. Vielmehr ist es so, dass jedes Unternehmen seinen Mehrwert selbst finden muss. Es gibt Beispiele von Unternehmen, die durch KI resilienter geworden sind, andere werden grüner und klimafreundlicher und wieder andere entwickeln durch KI ein völlig neues Geschäftsmodell. Die Studie zeigt uns, dass vor allem KMU noch Unterstützung dabei brauchen, ihre Möglichkeiten zu entdecken.“

Sebastian Schlund, Leiter des Fraunhofer Austria Geschäftsbereichs Advanced Industrial Management sagt: „KI-Anwendungen sind gekommen um zu bleiben, das sehen wir sehr deutlich. Auch wenn das Thema für viele Unternehmen aufwändig ist, sind die Potenziale enorm. Die Einsatzmöglichkeiten sind zu groß und vielfältig, die Algorithmen zu gut und zu schnell um diese Chance zu ignorieren. Um nachhaltig wettbewerbsfähig zu bleiben, darf das Thema Künstliche Intelligenz nicht nach hinten priorisiert werden, sondern muss genau jetzt in Angriff genommen werden.“

Die Ergebnisse einer aktuellen Studie (April 2023) des Handelsverbands und Mindtake Research  zeigen, dass der Großteil der Bevölkerung bereits mit den gängigen KI-Programmen (z. B. ChatGPT, DALL.E, Midjourney) vertraut ist. 15 Prozent der Österreicher haben zumindest eines der Programme bereits genutzt, weitere 46 Prozent kennen diese immerhin. Spannend: Acht Prozent der heimischen Händler setzen bereits auf KI-Lösungen, weitere 23 Prozent haben deren Einsatz heuer noch geplant. Zwei Prozent der Handelsbetriebe haben sogar bereits eine eigene KI-Anwendung (gemeinsam mit Partnern) entwickelt. Anwendungsfelder sind Werbung/Marketing (26 %), Preisgestaltung (14 %), Supply Chain Optimierung (12 %), Sicherheit/Betrugserkennung/Checkout (12 %) und Sortimentsplanung & Forecasting (9 %).

Einsatz von KI in der Industrie

In den letzten 20 Jahren stand die reine Effizienzerhöhung an oberster Stelle in der Produktion. Doch mit den neuen Herausforderungen und rechtlichen Rahmenbedingungen erhält die Nachhaltigkeit einen signifikanten Stellenwert. Einfach die Produktion zu stoppen ist keine Option. Für Maschinenbauer und Anlagenbetreiber liegt enormes wirtschaftliches Potenzial in den Daten, heißt es in dem Bericht „KI als Motor für neue digitale und nachhaltige Geschäftsmodelle“ von Silas Bübel (Ernst & Young). Viele Hersteller haben bereits ihre Maschinen und Produktionslinien mit Sensorik ausgestattet und erheben teilweise seit Jahrzehnten Daten im Sekundentakt. Wofür diese riesigen Datenmengen erhoben werden, ist oft undefiniert. Oftmals sind Unternehmen der Ansicht, dass allein durch das Sammeln der Daten und anschließender Exploration potenzielle Effizienzsteigerungen (zum Beispiel in Form von weniger Ausfallzeiten, besserer Qualität oder weniger Ressourceneinsatz) und neue Geschäftspotenziale identifiziert werden können. In der Realität liegen diese Daten aber oft ungenutzt in sogenannten Data Lakes (meist Data Dumps).  

Die digitale Transformation ist in vollem Gange und doch hat sich an dem Geschäftsmodell von vielen produzierenden Unternehmen wenig geändert. Wenn mithilfe von Datenanalysen und KI signifikante Effizienzsteigerungen in der Produktion beziehungsweise im Anlagenbetrieb ermittelt wurden, lassen sich daraus auch eigene neue digitale Produkte entwickeln und damit einhergehend beispielsweise ein neues digitales Geschäft aufbauen. Die Grundidee ist es, digitale Transformationen zum digitalen Geschäft weiterzuentwickeln, das heißt, es werden neue Umsätze über digitale Produkte generiert, so der EY-Experte.

Ein weiterer Erfolgsfaktor für den Aufbau von digitalem Geschäft ist die richtige Preisstrategie, so Bübel: „Wenn mithilfe eines KI-basierten Softwareprodukts bei einem Kunden eine Effizienzsteigerung von 10 Prozent erzielt wird, zum Beispiel durch weniger ungeplante Maschinenstillstände, erlaubt es diese Preismethode, kommerziell an der gewonnenen Effizienz zu partizipieren. Wenn jährlich 1 Million Euro eingespart werden, lassen sich 250.000 Euro als Preis rechtfertigen. Wenn nichts gespart wird, wird auch nicht gezahlt. Dadurch werden Preise stärker an den wirtschaftlichen Vorteilen und den Kundenbedürfnissen ausgerichtet.“

Mithilfe von Daten kann eine KI-gestützte Software aber auch trainiert werden und für eine effizientere Energieverteilung sorgen.  So kann die Software beispielsweise auf das Ziel trainiert werden, nicht nur den geringsten Input für den gewünschten Output zu erzielen, sondern auch die beste Kombination aus Maschinenparametern für eine energiesparende Produktion zu identifizieren, erklärt Bübel. Ein weiterer Anwendungsfall ist, durch künstliche Intelligenz zu prognostizieren, wie viel Energie wann benötigt wird, um den Energieeinkauf besser zu planen. Dass eine energiesparende Produktion nicht nur gut für die Umwelt ist, sondern auch einen ökonomischen Mehrwert hat, zeigt die aktuelle Energiekrise.

Selbstadaptive KI zur Gebäudeoptimierung

Energieoptimierung ist auch das Stichwort bei BrainBox AI. Das 2019 gegründete Unternehmen, mit Hauptsitz im kanadischen Montral, ist ein globaler Hub für künstliche Intelligenz und Vorreiter beim Einsatz künstlicher Intelligenz zur Senkung der Energiekosten und der CO2-Emissionen von Heizungs-, Lüftungs- und Klimaanlagen (HLK) in Zweckgebäuden. Es setzt dabei auf selbstadaptive künstliche Intelligenz zur proaktiven Optimierung des Energieverbrauchs des Gebäudesektors. Immerhin werden 20 Prozent der globalen Treibhausgasemissionen von Gebäuden verursacht.

Martin Gruber, BrainBox AI:

Wir optimieren mit Deep Learning, Cloud Computing und einem unternehmenseigenen Prozess bestehende HLK-Steuersysteme

Mit Deep Learning, Cloud Computing und einem unternehmenseigenen Prozess optimiert BrainBox AI bestehende HLK-Steuersysteme selbständig und macht sie so effizient wie möglich. „Dadurch verringert sich der Energieverbrauch um bis zu 25 Prozent, der CO2-Fußabdruck um 20-40 Prozent und gleichzeitig wird der Nutzerkomfort um 60 Prozent verbessert“, erklärt Martin Gruber, Verkaufsleiter Europa bei BrainBox AI. Die Deep-Learning-Modelle blicken in die Zukunft und prognostizieren den Zustand jedes Gebäudeteils mit einer Genauigkeit von 99,6 Prozent. Auf Basis dieses Prognosemodells führt die KI-Maschine eine Reihe von Algorithmen zur Optimierung des Energieflusses in jedem Gebäude durch und sorgt für größtmögliche Energieeinsparung und Komfort für alle Bewohner und Gebäudenutzer. Gruber: „Die Lösung von BrainBox AI ist schnell zu installieren und generiert Einsparungen ohne Vorabinvestition.“

KI-gestützte Planung von Städten

„Die Städte der Zukunft müssen nicht nur mit smarten Technologien ausgerüstet, sondern auch konsequent digital geplant werden – vom Gebäude bis zum Quartier“, erklärte Wolfgang Knoll, Geschäftsführer des AIT Austrian Institute of Technology, anlässlich der Präsentation der Ergebnisse des fünfjährigen Forschungsprogramms Cognitive Urban Design Computing (CoDeC). Der Fokus des Projekts war der innovative Ansatz eine Planungsplattform mit dem Einsatz von künstlicher Intelligenz (KI) und Machine Learning für den Städtebau zu entwickeln. 2019 wurde das City Intelligence Lab (CIL) im Rahmen des Projekts als internationales KI-gestützes Vorzeigelabor eröffnet und unter dem Ansatz der ko-kreativen Entwicklung – gemeinsames Erschaffen von neuem Wissen – weiterentwickelt.

Die Innovationsleistung der zukünftigen Stadtplanung wird es sein, mit dem Einsatz digitaler Technologien vielfältige Planungsszenarien zu schaffen, die eine breite Palette an Lösungen für die Städte und deren Bewohnern bieten, so Wolfgang Hribernik, Head of Center for Energy, AIT Austrian Institute of Technology. Angelos Chronis, Head of City Intelligence Lab, AIT Austrian Institute of Technology, ergänzt: „Unsere Plattform kann mit dem Einsatz von künstlicher Intelligenz und großen Datenmengen innerhalb kürzester Zeit vielfältige Planungsszenarien schaffen. Wir verwenden Machine Learning, um Mikroklimasimulationen für Sommer- und Hitzetage mit und ohne Anpassungsmaßnahmen zu erstellen, unterschiedliche Klimamodelle zu entwicklen, Windsimulationen zu erstellen, Fragestellungen zur Mobilität zu lösen und schließlich die Ergebnisse visuell aufzubereiten. So kann man sofort erkennen, welche Maßnahmen für bestimmte Stadtteile eine Verbesserung bedeuten würden.“

Um Städte klimaresilienter zu gestalten, braucht es neue Methoden, um die Anforderungen und Herausforderungen bestmöglich evaluieren zu können. Zwei Projektbeispiele:

>> InFraReD ermöglicht ganzheitliche Mobilitätsplanung

Intelligent Framework for Resilient Design (InFraReD) ist eine mit künstlicher Intelligenz  interaktive Online-Plattform des City Intelligence Labs, die Mobilität in der Stadtplanung für Bestands- und Neubauten ganzheitlich simulieren und planen kann. Die Plattform ermöglicht es, das Zusammenspiel von baulicher Struktur, Erreichbarkeiten, Quell- und Zielorten integriert zu analysieren, um so für den Planungsprozess hunderte Varianten innerhalb kürzester Zeit durchzuspielen. Beispielsweise können Mobilitäts- und Erreichbarkeitssimulationen sicherstellen, dass ein neues Stadtviertel so gestaltet wird, dass die Bürger in 15 Minuten zu Fuß gehen können („15-Minuten-Stadt“).

>> KI-gesteuerte Windströmungssimulation für digitale Stadtplanung

Im City Intelligence Lab wurde eine auf künstliche Intelligenz gestützte Simulation für Windströmungen entwickelt. Diese ermöglicht es, innerhalb von Sekunden Windfaktoren in der Planung zu bestimmen, wodurch Entwürfe in jeder Planungsphase in Echtzeit unter Berücksichtigung der Windfaktoren analysiert und optimiert werden können. So können in der Planung jene Gebiete mit potenziell gefährlichen Windgeschwindigkeiten bei Stürmen lokalisiert und den Einfluss abgeschwächt werden. Zudem können die Ergebnisse für die Feinabstimmung der mikroklimatischen Bedingungen eines Viertels verwendet werden – sei es zur Abkühlung oder zur Aufrechterhaltung der Wärme.