{"id":10137,"date":"2024-10-02T14:10:10","date_gmt":"2024-10-02T12:10:10","guid":{"rendered":"https:\/\/greenict.de\/?p=10137"},"modified":"2024-10-18T09:20:02","modified_gmt":"2024-10-18T07:20:02","slug":"entwicklung-ressourceneffizienter-ki","status":"publish","type":"post","link":"https:\/\/greenict.de\/en\/entwicklung-ressourceneffizienter-ki\/","title":{"rendered":"Development of resource-efficient AI\u00a0"},"content":{"rendered":"\n

Fraunhofer IIS \u2013 Der CO2<\/sub>-Fu\u00dfabdruck von Edge AI-Anwendungen resultiert gr\u00f6\u00dftenteils aus der Herstellung der Hardwarekomponenten und insbesondere der Batterien. Das Benchmarking von Energieverbrauch und Latenz pro Inferenz auf Mikrocontrollern erm\u00f6glichen ressourcenbewusste Designentscheidungen zur Entwicklung umweltfreundlicher und effizienter KI-Anwendungen. Dieser Tech-Blog beschreibt das Vorgehen eines solchen Energieeffizienz-gesteuerten Entwicklungsprozesses an einem konkreten Beispiel.  <\/strong><\/p>\n\n\n\n

\"\"<\/figure>
\n

Ein Beitrag von:<\/em><\/p>\n\n\n\n

Maximilian Kasper<\/em><\/p>\n\n\n\n

Fraunhofer-Institut f\u00fcr Integrierte Schaltungen IIS<\/a><\/em><\/p>\n<\/div><\/div>\n\n\n\n

<\/p>\n\n\n\n

Edge AI hat das Potenzial, die CO2<\/sub>-Emissionen erheblich zu senken, indem es erm\u00f6glicht, K\u00fcnstliche Intelligenz direkt auf lokalen, oft kompakten Ger\u00e4ten, den sogenannten “Edge Devices”, auszuf\u00fchren. Diese Technologie findet Anwendung in vielen verschiedenen Bereichen. In der Landwirtschaft kann EdgeAI helfen den Gesundheitszustand von Pflanzen zu \u00fcberwachen uns so dazu beitragen den Ertrag der Ernte zu erh\u00f6hen. Edge AI kann dazu beitragen, Biodiversit\u00e4t zu erhalten und Wilderei zu verhindern indem gro\u00dffl\u00e4chig Naturgebieten \u00fcberwacht werden. Es findet auch im Bausektor und in der Geb\u00e4udetechnik Anwendung und kann dazu beitragen den Energieaufwand zu reduzieren und Fehlverhalten in wichtigen Ger\u00e4ten fr\u00fchzeitig zu erkennen [1]. Da Edge AI einen gro\u00dfen Beitrag zur globalen Nachhaltigkeit leisten kann, wird der eigene CO2<\/sub>-Fu\u00dfabdruck dieser Technologie h\u00e4ufig \u00fcbersehen \u2013 ein Aspekt, der bei der Entwicklung von Edge-AI-Anwendungen jedoch nicht au\u00dfer Acht gelassen werden sollte.<\/p>\n\n\n\n

\"\"
Abbildung 1: Schematische Darstellung des Retro-Fit EdgeAI Systems zur Erkennung von Fehlzust\u00e4nden bei W\u00e4rmepumpen anhand von Vibrationsdaten<\/em><\/figcaption><\/figure>\n\n\n\n

<\/p>\n\n\n\n

Diese Technologie findet Anwendung in vielen verschiedenen Bereichen. In der Landwirtschaft kann EdgeAI helfen den Gesundheitszustand von Pflanzen zu \u00fcberwachen und so dazu beitragen den Ertrag der Ernte zu erh\u00f6hen. Edge AI kann dazu beitragen, Biodiversit\u00e4t zu erhalten und Wilderei zu verhindern indem gro\u00dffl\u00e4chig Naturgebieten \u00fcberwacht werden. Es findet auch im Bausektor und in der Geb\u00e4udetechnik Anwendung und kann dazu beitragen den Energieaufwand zu reduzieren und Fehlverhalten in wichtigen Ger\u00e4ten fr\u00fchzeitig zu erkennen [1]. Da Edge AI einen gro\u00dfen Beitrag zur globalen Nachhaltigkeit leisten kann, wird der eigene CO2<\/sub>-Fu\u00dfabdruck dieser Technologie h\u00e4ufig \u00fcbersehen \u2013 ein Aspekt, der bei der Entwicklung von Edge-AI-Anwendungen jedoch nicht au\u00dfer Acht gelassen werden sollte.\u00a0<\/p>\n\n\n\n

Hier zeigen wir anhand eines konkreten Beispiels wie man datengest\u00fctzt gezielt nachhaltige Edge AI Systeme entwickeln kann. Dazu m\u00f6chten wir die Entwicklung es einfaches Retro-Fit System n\u00e4her beleuchten, welches Fehlerzust\u00e4nde bei W\u00e4rmepumpen, anhand von Vibrationsdaten identifiziert. Das Ger\u00e4t soll fr\u00fchzeitig Fehler erkennen und so verhindern, dass man unerwartet im Kalten steht. Es sei jedoch angemerkt, dass die Anwendung hier vereinfacht dargestellt wird und lediglich veranschaulichen soll, wie ein solcher Entwicklungsprozess ablaufen k\u00f6nnte. <\/p>\n\n\n\n

Der CO2<\/sub>-Fu\u00dfabdruck von Edge-AI-Systemen <\/h3>\n\n\n\n

Ein wesentlicher Teil des CO2<\/sub>-Fu\u00dfabdrucks von Edge-AI-Systemen entsteht w\u00e4hrend der Herstellung der Hardware, insbesondere durch die Batterien. Studien zeigen, dass Batterien im Vergleich zum Netzstrom einen um den Faktor 100 h\u00f6heren CO2<\/sub>-Fu\u00dfabdruck aufweisen [2, 3]. In vielen Edge-AI-Anwendungen sind diese jedoch unverzichtbar. Die Kapazit\u00e4t der Batterie ist daher eine wichtige Ressource, welche die wartungsfreie Lebensdauer des gesamten Systems begrenzt, und daher m\u00f6glichst effizient genutzt werden sollte. In unserem Beispiel sollte das System mindestens ein Jahr ohne einen Batteriewechsel auskommen, da W\u00e4rmepumpen j\u00e4hrlich gewartet werden. <\/p>\n\n\n\n

Man versucht also die mittlere Leistungsaufnahme so gering wie m\u00f6glich zu halten, sodass man f\u00fcr eine gegebene wartungsfreie Nutzungsdauer eine m\u00f6glichst kleine Batterie einsetzen und dadurch den CO2<\/sub>-Fu\u00dfabdruck des Systems reduzieren kann. Bei der Entwicklung spielt daher insbesondere die Wahl des Mikrocontrollers eine entscheidende Rolle. Dieser muss zwei wesentliche Anforderungen erf\u00fcllen: <\/p>\n\n\n\n

    \n
  1. Rechen- und Speicherkapazit\u00e4t: Es muss m\u00f6glich sein das KI-Modell auszuf\u00fchren. <\/li>\n<\/ol>\n\n\n\n
      \n
    1. Energieeffizienter Standby-Modus: M\u00f6glichst geringer Energiebedarf im Energiesparmodus. <\/li>\n<\/ol>\n\n\n\n

      KI-Modell Training <\/h3>\n\n\n\n

      Die Gr\u00f6\u00dfe des verwendeten KI-Modells beeinflusst ma\u00dfgeblich die Hardwareanforderungen (RAM, ROM) sowie den Rechenaufwand, die Ausf\u00fchrungszeit und den Energiebedarf pro Inferenz. Ein kleineres KI-Modell erfordert geringere Hardware-Ressourcen und hat in der Regel auch einen niedrigeren Energiebedarf pro Inferenz. <\/p>\n\n\n\n

      \"\"
      Abbildung 2: Pareto-Front als Ergebnis der Mehrzieloptimierung zwischen Modellgenauigkeit und Modellgr\u00f6\u00dfe<\/em><\/figcaption><\/figure>\n\n\n\n

      <\/p>\n\n\n\n

      Allerdings besteht oft ein Zielkonflikt zwischen der Modellgr\u00f6\u00dfe und der Leistungsf\u00e4higkeit. Wir nutzen daher Mehrzieloptimierung bei der Entwicklung von KI-Modellen, um einen optimalen Kompromiss zwischen Modellleistung und Modellgr\u00f6\u00dfe zu finden. Die folgende Abbildung zeigt das Ergebnis dieser Optimierung. Auf der x-Achse wird die Modellgr\u00f6\u00dfe durch die Anzahl der ben\u00f6tigten Recheninstruktionen pro Inferenz dargestellt. Auf der y-Achse wird die Modellgenauigkeit auf den Testdaten angegeben. Jeder Punkt repr\u00e4sentiert ein KI-Modell. Entlang der gr\u00fcnen Linie, der sogenannten Pareto-Front, liegen die Modelle, die f\u00fcr ihre Gr\u00f6\u00dfe die h\u00f6chste Genauigkeit haben. F\u00fcr die weitere Untersuchung entscheiden wir uns f\u00fcr das orange markierte Modell. Diese bietet einen guten Kompromiss zwischen Modellgr\u00f6\u00dfe und KI-Leistung, da es nahezu alle Fehler aus den Testdaten richtig als solche erkannt hat, aber dennoch verh\u00e4ltnism\u00e4\u00dfig klein ist. <\/p>\n\n\n\n

      On-Device Energie Benchmarking <\/h3>\n\n\n\n

      Die Wahl des KI-Modells bestimmt, welche Mikrocontroller in Frage kommen. In unserem Beispiel beschr\u00e4nken wir uns auf den Vergleich zweier kommerziell erh\u00e4ltliche Mikrocontroller: den MIMXRT1062 und den nRF52840. Die folgende Tabelle vergleicht einige wesentliche Eigenschaften, darunter die Prozessorarchitektur, die Taktrate, den Stromverbrauch im Energiesparmodus und die erforderliche Betriebsspannung. Obwohl der MIMXRT1062 leistungsf\u00e4higer ist, zeigt sich, dass er im Energiesparmodus weniger effizient arbeitet als der nRF52840. <\/p>\n\n\n\n

      Microcontroller<\/strong> <\/td>Architektur<\/strong> <\/td>Taktrate [MHz]<\/strong> <\/td>Energiesparmodus [mA]<\/strong> <\/td>Spannung [V]<\/strong> <\/td><\/tr>
      MIMXRT1062 <\/td>Arm Cortex M7 <\/td>600 <\/td>1,604 <\/td>3.3 <\/td><\/tr>
      nRF52840 <\/td>Arm Cortex M4F <\/td>64 <\/td>0,301 <\/td>3.3 <\/td><\/tr><\/tbody><\/table>
      Tabelle 1: \u00dcbersicht \u00fcber wesentliche Eigenschaften der zwei untersuchten Microcontroller<\/em><\/figcaption><\/figure>\n\n\n\n

      <\/p>\n\n\n\n

      Um den Energieverbrauch pro Inferenz zu bestimmen, wird das KI-Modell auf den Mikrocontrollern ausgef\u00fchrt, w\u00e4hrend die Stromst\u00e4rke bei konstanter Spannung gemessen wird. Da eine einzelne Inferenz oft zu schnell ist, um sie pr\u00e4zise messen zu k\u00f6nnen, f\u00fchren wir mehrere Inferenzen hintereinander aus und berechnen daraus den durchschnittlichen Energiebedarf und die durchschnittliche Inferenzdauer. Beim nRF52840 wurden 100 Inferenzen und beim MIMXRT1062 1000 Inferenzen hintereinander durchgef\u00fchrt, um einen geeignete Messdauer zu erzielen. Zwischen diesen \u201eInferenzbl\u00f6cken\u201c wurde jeweils eine halbe Sekunde gewartet, um die Inferenzen im Stromst\u00e4rkesignal zuverl\u00e4ssig identifizieren zu k\u00f6nnen. Die folgende Grafik zeigt den Verlauf der Stromst\u00e4rke w\u00e4hrend der Messung. <\/p>\n\n\n\n

      \"\"
      Abbildung 3: Ergebnis des On_device Energie Benchmarking: Die gemessene Stromst\u00e4rke beider Microcontroller w\u00e4hrend und zwischen den “Inferenzbl\u00f6cken”<\/em><\/figcaption><\/figure>\n\n\n\n

      <\/p>\n\n\n\n

      Microcontroller<\/strong> <\/td>Zeit pro Inferenz in ms<\/strong> <\/td>Energie pro Inferenz in \u00b5J<\/strong> <\/td><\/tr>
      MIMXRT1062 <\/td>0,47 <\/td>160 <\/td><\/tr>
      nRF52840 <\/td>17,0 <\/td>555 <\/td><\/tr><\/tbody><\/table>
      Tabelle 2: \u00dcbersicht \u00fcber die Energie Benchmarking Ergebnisse f\u00fcr beide Mikrocontroller<\/em><\/figcaption><\/figure>\n\n\n\n

      <\/p>\n\n\n\n

      Den Ergebnissen nach zu urteilen ist der MIMXRT1062 pro Inferenz effizienter als der nRF52840. Bisher wurde jedoch der Energiebedarf im Energiesparmodus au\u00dfer Acht gelassen. In vielen Anwendungen ist es nicht notwendig, die Inferenz durchg\u00e4ngig mit einer hohen Frequenz durchzuf\u00fchren, da sich z.B. der zu detektierender Zustand nur selten \u00e4ndert oder eine schnelle Reaktionszeit nicht entscheidend ist. In diesem Fall kann man leicht argumentieren, dass eine Inferenz einmal pro Minute ausreichend ist. Das folgende Diagramm, zeigt die mittlere Leistungsaufnahme der Microcontroller in Abh\u00e4ngigkeit von der Inferenz Frequenz. Es ist ersichtlich, dass sich beide Microcontroller mit abnehmender Inferenz-Frequenz der Leistungsaufnahme in ihrem Energiesparmodus ann\u00e4hern und der Einfluss einer einzelnen Inferenz immer geringer wird. Bereits ab einer Inferenz alle 85ms arbeitet der nRF52840 effizienter als der MIMXRT1062. <\/p>\n\n\n\n

      \"\"
      Abbildung 4: Mittlere Leistungsaufnahme der beiden Microcontroller in Abh\u00e4ngigkeit von der Inferenz Frequenz<\/em><\/figcaption><\/figure>\n\n\n\n

      <\/p>\n\n\n\n

      <\/p>\n\n\n\n

      <\/strong> <\/td>Mittlere Leistungsaufnahme in mW bei gegebener Inferenz Frequenz<\/strong> <\/td><\/tr>
      Microcontroller<\/strong> <\/td>10 ms<\/strong> <\/td>25 ms<\/strong> <\/td>85 ms<\/strong> <\/td>1s<\/strong> <\/td>1 min<\/strong> <\/td>10min<\/strong> <\/td>1 h<\/strong> <\/td>24 h<\/strong> <\/td><\/tr>
      MIMXRT1062 <\/td>20,97 <\/td>11,56 <\/td>7,13 <\/td>5,45 <\/td>5,30 <\/td>5,29 <\/td>5,29 <\/td>5,29 <\/td><\/tr>
      nRF52840 <\/td>– <\/td>21,78 <\/td>7,11 <\/td>1,51 <\/td>1,00 <\/td>0,99 <\/td>0,99 <\/td>0,99 <\/td><\/tr><\/tbody><\/table>
      Tabelle 3: \u00dcbersicht \u00fcber die mittlere Leistungsaufnahme des Microcontroller zu unterschiedlichen Inferenz Frequenzen<\/em><\/figcaption><\/figure>\n\n\n\n

      <\/p>\n\n\n\n

      F\u00fcr eine Inferenz pro Minute ben\u00f6tigt der nRF52840 nur 1mW, w\u00e4hrend der MIMXRT1062 \u00fcber 5mW ben\u00f6tigt. Dies bedeutet, dass das System bei gleicher Batteriekapazit\u00e4t mehr als f\u00fcnfmal so lange l\u00e4uft. F\u00fcr diese Anwendung w\u00fcrde man sich daher eindeutig f\u00fcr den nRF52840 entscheiden. \u00dcber ein Jahr hinweg ben\u00f6tigt das System dann ca. 31 kJ<\/em>. Mit zwei AA Alkaline Batterien w\u00fcrde das Retro-Fit System damit bereits ein Jahr lang auskommen. Der CO2<\/sub>-Fu\u00dfabdruck des Systems bel\u00e4uft sich somit auf etwa 416 g CO2<\/sub>eq\/Jahr<\/em> [3] was den CO2<\/sub>-Emissionen entspricht, die ein neues benzinbetriebenes Auto auf einer Strecke von ca. 4 km verursacht [4]. <\/p>\n\n\n\n

      Allein in Deutschland wurden seit 2010 \u00fcber 1,5 Mio. W\u00e4rmepumpen verkauft [5]. Angenommen man w\u00fcrde all diese W\u00e4rmepumpen mit einem solchen Retro-Fit Ger\u00e4t ausstatten, so w\u00fcrden dadurch j\u00e4hrlich Emissionen in H\u00f6he von 624 tC02<\/sub>eq verursacht. Dies entspricht dem CO2<\/sub>-Aussto\u00df von ca. 500 benzinbetriebenen Autos j\u00e4hrlich [4, 6]. Bei einem vergleichbaren System mit einem MIMXRT1062 w\u00fcrde entsprechend mehr als die f\u00fcnffache Menge an CO2<\/sub>-Emissionen entstehen. <\/p>\n\n\n\n

      Fazit <\/h4>\n\n\n\n

      Edge AI bietet eine vielversprechende M\u00f6glichkeit, nachhaltige L\u00f6sungen zu entwickeln, die nicht nur effizient, sondern auch umweltfreundlicher sind. Die Ber\u00fccksichtigung des CO2<\/sub>-Fu\u00dfabdrucks bei der Entwicklung von Edge AI-Anwendungen kann dazu beitragen, die Auswirkungen auf die Umwelt zu reduzieren und gleichzeitig die Lebensdauer der Systeme und damit den Nutzen der Anwendung zu erh\u00f6hen. <\/p>\n\n\n\n

      <\/p>\n\n\n\n

      Quellen:<\/em><\/p>\n\n\n\n[1] Abadade, Y., Temouden, A., Bamoumen, H., Benamar, N., Chtouki, Y., & Hafid, A. S. (2023). A comprehensive survey on tinyml.\u202fIEEE Access<\/em>. <\/p>\n\n\n\n[2] Sandbag (Ember). (31. Januar, 2024). Entwicklung des Emissionsfaktors der Stromerzeugung in Deutschland und Frankreich im Zeitraum 2000 bis 2023 (in g CO2<\/sub>-\u00c4quivalent pro Kilowattstunde Strom) [Graph]. In\u202fStatista<\/em>. Zugriff am 26. September 2024, von https:\/\/de.statista.com\/statistik\/daten\/studie\/1421117\/umfrage\/emissionen-strom-deutschland-und-frankreich\/<\/a> <\/p>\n\n\n\n[3] Benecke, S. (2019).\u202fSystemverhalten von Energy Harvestern in autonomen Sensoren unter Betrachtung der Wechselwirkung von Funktionalit\u00e4t und Umweltvertr\u00e4glichkeit<\/em>\u202f(Doctoral dissertation, Technische Universit\u00e4t Berlin). https:\/\/www.deutsche-digitale-bibliothek.de\/item\/I75CKRUQ46CTYBJBMIE5PXFZHC2OKH2E<\/a> <\/p>\n\n\n\n[4] JATO. (21. April, 2021). Durchschnittlicher CO2<\/sub>-Aussto\u00df der in Europa neu zugelassenen Pkw nach Antriebsarten von 2017 bis 2020 (in Gramm pro Kilometer) [Graph]. In\u202fStatista<\/em>. Zugriff am 26. September 2024, von https:\/\/de.statista.com\/statistik\/daten\/studie\/985204\/umfrage\/durchschnittlicher-co2-ausstoss-von-pkw-nach-antriebsarten-in-europa\/<\/a> <\/p>\n\n\n\n[5] Bundesverband W\u00e4rmepumpe. (22. Januar, 2024). Absatz von Heizungsw\u00e4rmepumpen in Deutschland in den Jahren 2010 bis 2023 (in 1.000) [Graph]. In\u202fStatista<\/em>. Zugriff am 26. September 2024, von https:\/\/de.statista.com\/statistik\/daten\/studie\/217750\/umfrage\/absatz-von-heizungswaermepumpen-in-deutschland\/<\/a> <\/p>\n\n\n\n[6] Kraftfahrt Bundesamt. (Juni 2021). Kurzbericht Inl\u00e4nderfahrleistung. Zugriff am 26. September 2024, von https:\/\/www.kba.de\/DE\/Statistik\/Kraftverkehr\/VerkehrKilometer\/vk_inlaenderfahrleistung\/2020\/2020_vk_kurzbericht.html<\/a> <\/p>\n","protected":false},"excerpt":{"rendered":"

      Fraunhofer IIS \u2013 Der CO2-Fu\u00dfabdruck von Edge AI-Anwendungen resultiert gr\u00f6\u00dftenteils aus der Herstellung der Hardwarekomponenten und insbesondere der Batterien. Das Benchmarking von Energieverbrauch und Latenz pro Inferenz auf Mikrocontrollern erm\u00f6glichen ressourcenbewusste Designentscheidungen zur Entwicklung umweltfreundlicher und effizienter KI-Anwendungen. Dieser Tech-Blog beschreibt das Vorgehen eines solchen Energieeffizienz-gesteuerten Entwicklungsprozesses an einem konkreten Beispiel.\u00a0<\/p>","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1],"tags":[81,83,82],"class_list":["post-10137","post","type-post","status-publish","format-standard","hentry","category-allgemein","tag-benchmarking","tag-edge-ai","tag-sustainability"],"acf":[],"yoast_head":"\nEntwicklung ressourceneffizienter KI\u00a0 – Green ICT<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/greenict.de\/en\/entwicklung-ressourceneffizienter-ki\/\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/\"},\"author\":{\"name\":\"Christina F\u00f6rster\",\"@id\":\"https:\\\/\\\/greenict.de\\\/#\\\/schema\\\/person\\\/fef21d45d931b4ef484eb04b19df385a\"},\"headline\":\"Entwicklung ressourceneffizienter KI\u00a0\",\"datePublished\":\"2024-10-02T12:10:10+00:00\",\"dateModified\":\"2024-10-18T07:20:02+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/\"},\"wordCount\":1736,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/greenict.de\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/maximilian-kasper-1024x768.jpg\",\"keywords\":[\"Benchmarking\",\"Edge AI\",\"Sustainability\"],\"articleSection\":[\"Allgemein\"],\"inLanguage\":\"en-GB\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/\",\"url\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/\",\"name\":\"Entwicklung ressourceneffizienter KI\u00a0 – Green ICT\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/greenict.de\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/maximilian-kasper-1024x768.jpg\",\"datePublished\":\"2024-10-02T12:10:10+00:00\",\"dateModified\":\"2024-10-18T07:20:02+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/#breadcrumb\"},\"inLanguage\":\"en-GB\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-GB\",\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/#primaryimage\",\"url\":\"https:\\\/\\\/greenict.de\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/maximilian-kasper-1024x768.jpg\",\"contentUrl\":\"https:\\\/\\\/greenict.de\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/maximilian-kasper-1024x768.jpg\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/greenict.de\\\/entwicklung-ressourceneffizienter-ki\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/greenict.de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Entwicklung ressourceneffizienter KI\u00a0\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/greenict.de\\\/#website\",\"url\":\"https:\\\/\\\/greenict.de\\\/\",\"name\":\"Green ICT\",\"description\":\"Kompetenzzentrum f\u00fcr eine ressourcenbewusste Informations- und Kommunikationstechnik\",\"publisher\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/#organization\"},\"alternateName\":\"Nachhaltige Mikroelektronik\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/greenict.de\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-GB\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/greenict.de\\\/#organization\",\"name\":\"Forschungsfabrik Mikroelektronik Deutschland\",\"alternateName\":\"FMD\",\"url\":\"https:\\\/\\\/greenict.de\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-GB\",\"@id\":\"https:\\\/\\\/greenict.de\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/greenict.de\\\/wp-content\\\/uploads\\\/2022\\\/11\\\/FMD-Logo_farbe-50-mm.png\",\"contentUrl\":\"https:\\\/\\\/greenict.de\\\/wp-content\\\/uploads\\\/2022\\\/11\\\/FMD-Logo_farbe-50-mm.png\",\"width\":592,\"height\":135,\"caption\":\"Forschungsfabrik Mikroelektronik Deutschland\"},\"image\":{\"@id\":\"https:\\\/\\\/greenict.de\\\/#\\\/schema\\\/logo\\\/image\\\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/greenict.de\\\/#\\\/schema\\\/person\\\/fef21d45d931b4ef484eb04b19df385a\",\"name\":\"Christina F\u00f6rster\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-GB\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d8ef6ce63d11806ed254b8237cfbfb8146b89c4e36640a7cedf4aac985cf1f42?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d8ef6ce63d11806ed254b8237cfbfb8146b89c4e36640a7cedf4aac985cf1f42?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d8ef6ce63d11806ed254b8237cfbfb8146b89c4e36640a7cedf4aac985cf1f42?s=96&d=mm&r=g\",\"caption\":\"Christina F\u00f6rster\"},\"url\":\"https:\\\/\\\/greenict.de\\\/en\\\/author\\\/christina\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Entwicklung ressourceneffizienter KI\u00a0 – Green ICT","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/greenict.de\/en\/entwicklung-ressourceneffizienter-ki\/","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/#article","isPartOf":{"@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/"},"author":{"name":"Christina F\u00f6rster","@id":"https:\/\/greenict.de\/#\/schema\/person\/fef21d45d931b4ef484eb04b19df385a"},"headline":"Entwicklung ressourceneffizienter KI\u00a0","datePublished":"2024-10-02T12:10:10+00:00","dateModified":"2024-10-18T07:20:02+00:00","mainEntityOfPage":{"@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/"},"wordCount":1736,"commentCount":0,"publisher":{"@id":"https:\/\/greenict.de\/#organization"},"image":{"@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/#primaryimage"},"thumbnailUrl":"https:\/\/greenict.de\/wp-content\/uploads\/2024\/10\/maximilian-kasper-1024x768.jpg","keywords":["Benchmarking","Edge AI","Sustainability"],"articleSection":["Allgemein"],"inLanguage":"en-GB","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/","url":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/","name":"Entwicklung ressourceneffizienter KI\u00a0 – Green ICT","isPartOf":{"@id":"https:\/\/greenict.de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/#primaryimage"},"image":{"@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/#primaryimage"},"thumbnailUrl":"https:\/\/greenict.de\/wp-content\/uploads\/2024\/10\/maximilian-kasper-1024x768.jpg","datePublished":"2024-10-02T12:10:10+00:00","dateModified":"2024-10-18T07:20:02+00:00","breadcrumb":{"@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/#breadcrumb"},"inLanguage":"en-GB","potentialAction":[{"@type":"ReadAction","target":["https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/"]}]},{"@type":"ImageObject","inLanguage":"en-GB","@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/#primaryimage","url":"https:\/\/greenict.de\/wp-content\/uploads\/2024\/10\/maximilian-kasper-1024x768.jpg","contentUrl":"https:\/\/greenict.de\/wp-content\/uploads\/2024\/10\/maximilian-kasper-1024x768.jpg"},{"@type":"BreadcrumbList","@id":"https:\/\/greenict.de\/entwicklung-ressourceneffizienter-ki\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/greenict.de\/"},{"@type":"ListItem","position":2,"name":"Entwicklung ressourceneffizienter KI\u00a0"}]},{"@type":"WebSite","@id":"https:\/\/greenict.de\/#website","url":"https:\/\/greenict.de\/","name":"Competence center for sustainable IT and communication technology","description":"Competence center for sustainable information and communication technology","publisher":{"@id":"https:\/\/greenict.de\/#organization"},"alternateName":"Nachhaltige Mikroelektronik","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/greenict.de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-GB"},{"@type":"Organization","@id":"https:\/\/greenict.de\/#organization","name":"Research Fab Microelectronics Germany","alternateName":"FMD","url":"https:\/\/greenict.de\/","logo":{"@type":"ImageObject","inLanguage":"en-GB","@id":"https:\/\/greenict.de\/#\/schema\/logo\/image\/","url":"https:\/\/greenict.de\/wp-content\/uploads\/2022\/11\/FMD-Logo_farbe-50-mm.png","contentUrl":"https:\/\/greenict.de\/wp-content\/uploads\/2022\/11\/FMD-Logo_farbe-50-mm.png","width":592,"height":135,"caption":"Forschungsfabrik Mikroelektronik Deutschland"},"image":{"@id":"https:\/\/greenict.de\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/greenict.de\/#\/schema\/person\/fef21d45d931b4ef484eb04b19df385a","name":"Christina F\u00f6rster","image":{"@type":"ImageObject","inLanguage":"en-GB","@id":"https:\/\/secure.gravatar.com\/avatar\/d8ef6ce63d11806ed254b8237cfbfb8146b89c4e36640a7cedf4aac985cf1f42?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/d8ef6ce63d11806ed254b8237cfbfb8146b89c4e36640a7cedf4aac985cf1f42?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/d8ef6ce63d11806ed254b8237cfbfb8146b89c4e36640a7cedf4aac985cf1f42?s=96&d=mm&r=g","caption":"Christina F\u00f6rster"},"url":"https:\/\/greenict.de\/en\/author\/christina\/"}]}},"_links":{"self":[{"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/posts\/10137","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/comments?post=10137"}],"version-history":[{"count":17,"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/posts\/10137\/revisions"}],"predecessor-version":[{"id":10425,"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/posts\/10137\/revisions\/10425"}],"wp:attachment":[{"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/media?parent=10137"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/categories?post=10137"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/greenict.de\/en\/wp-json\/wp\/v2\/tags?post=10137"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}