Kurs: Der menschengemachte Klimawandel: Ursachen, Effekte und Lösungswege | OnCourse UB

  • Lektion 7

    • Ökologische KI-Anwendungen und die Bedeutung von nachhaltigem Datenmanagement


      Was können Sie in dieser Lektion lernen?

      Am Ende dieser Lektion…

      • verstehen Sie, warum Daten eine zentrale Bedeutung für KI-Anwendungen haben.
      • kennen Sie die vier Säulen für nachhaltiges Datenmanagement.

      Bedeutung von Daten und Nachhaltiges Datenmanagement



      Nachhaltigkeit in datengetriebenen Unternehmen 

      Datengesteuerte Geschäftsmodelle beziehen sich auf Unternehmen, die ihre Entscheidungen, Strategien und Aktivitäten auf umfassende Datenanalysen stützen. Diese Modelle nutzen Daten als zentralen Treiber für Geschäftsentscheidungen und suchen nach Erkenntnissen, um ihre Leistung zu verbessern, Prozesse zu optimieren und innovative Lösungen zu entwickeln. 

      Ein datengetriebenes Geschäftsmodell kann sehr effektiv für Nachhaltigkeit eingesetzt werden, indem es Datenanalysen und Technologien nutzt, um Ressourcen effizienter zu nutzen, Umweltauswirkungen zu minimieren und nachhaltige Praktiken zu fördern. Hier sind einige Möglichkeiten, wie ein Unternehmen ein datengetriebenes Modell für Nachhaltigkeit umsetzen kann:

      • Energieeffizienzoptimierung: Durch die Überwachung von Energieverbrauchsdaten können Unternehmen Muster identifizieren und Bereiche mit hohem Energieverbrauch erkennen. Dies ermöglicht es, gezielte Maßnahmen zur Energieeffizienz zu ergreifen und den Energieverbrauch zu reduzieren.
      • Lieferkettenoptimierung: Daten können dazu verwendet werden, die Lieferkette zu analysieren und nachhaltigere Praktiken zu identifizieren. Dies umfasst die Auswahl von Lieferanten mit geringeren Umweltauswirkungen, die Verfolgung von CO2-Emissionen während des Transportprozesses und die Minimierung von Abfall in der gesamten Lieferkette.
      • Produktdesign und -innovation: Unternehmen können Daten über den gesamten Lebenszyklus ihrer Produkte analysieren, um umweltfreundlichere Materialien zu identifizieren, den Energieverbrauch bei der Produktion zu minimieren und recyclingfreundliche Designs zu fördern.
      • Nachhaltigkeitsberichterstattung: Durch die transparente Berichterstattung über Nachhaltigkeitskennzahlen können Unternehmen nicht nur ihre eigene Leistung messen, sondern auch das Bewusstsein für nachhaltige Praktiken in der gesamten Branche fördern.
      • Predictive Maintenance: Durch die Analyse von Sensor- und Maschinendaten können Unternehmen vorhersagen, wann Maschinen oder Ausrüstungen gewartet werden müssen. Dies reduziert Ausfallzeiten, minimiert den Ressourcenverbrauch und fördert eine längere Lebensdauer von Geräten.
      • Kundenengagement für Nachhaltigkeit: Unternehmen können Kundendaten nutzen, um das Bewusstsein für nachhaltige Produkte zu schärfen und personalisierte Empfehlungen für umweltfreundliche Optionen zu geben. Kunden können auch über den CO2-Fußabdruck ihrer Einkäufe informiert werden.
      • Kreislaufwirtschaft und Abfallreduktion: Daten können helfen, den Verbrauch von Rohstoffen zu überwachen, den Abfall zu minimieren und die Umstellung auf eine Kreislaufwirtschaft zu fördern, in der Produkte wiederverwendet, recycelt oder regeneriert werden.
      • Ökologische Footprint-Analysen: Unternehmen können Daten verwenden, um den ökologischen Fußabdruck ihrer Aktivitäten zu berechnen und zu reduzieren. Dies beinhaltet die Analyse von Emissionen, Wasserverbrauch und anderen Umweltauswirkungen.


    • Konkrete Praxisbeispiele

      Die Anwendung von Künstlicher Intelligenz zur Verkehrsflussoptimierung ist ein entscheidender Use Case für nachhaltige Mobilität. Durch die Integration von Daten aus verschiedenen Quellen wie Verkehrskameras, Sensoren, GPS-Systemen und sozialen Medien kann KI Verkehrsmuster analysieren. Auf dieser Grundlage kann sie Echtzeit-Verkehrsprognosen erstellen und automatisierte Empfehlungen für die Optimierung von Ampelschaltungen, Verkehrsleitsystemen und sogar für alternative Routen bieten. Dies führt zu einer effizienteren Nutzung der vorhandenen Infrastruktur, reduziert Staus und verbessert den allgemeinen Verkehrsfluss. Die Verringerung von unnötigen Stopps und Beschleunigungen trägt nicht nur zur Reduzierung von Emissionen bei, sondern verbessert auch die allgemeine Fahrzeugeffizienz.

      KI-gestützte Ride-Sharing-Algorithmen können dazu beitragen, die Effizienz des Personentransports zu steigern und somit den CO2-Ausstoß zu reduzieren. Durch die Analyse von historischen Verkehrsdaten, Wetterbedingungen und Nutzerverhalten kann die KI optimale Routen und Fahrzeugzuweisungen berechnen. Dadurch wird die Anzahl der Fahrzeuge auf der Straße reduziert, Leerfahrten werden minimiert, und die Auslastung der Fahrzeuge wird maximiert. Diese Form der Mobilitätsoptimierung fördert nicht nur nachhaltige Transportmittel wie Fahrgemeinschaften, sondern minimiert auch den Ressourcenverbrauch und trägt zur Verringerung von Verkehrsüberlastungen und Umweltauswirkungen bei.

      Jedes Jahr gehen 20 Prozent des gesamten produzierten Obsts und Gemüses verloren, noch bevor sie die Konsumierenden erreichen. Es entstehen unnötig Emissionen für die Produktion und den Transport von Lebensmitteln, es gehen Nährstoffe verloren und Böden werden beansprucht. Diesem Problem begegnet das Start-up Invisible Foods mit Software. Es ermöglicht mit einem datengetriebenen Marktplatz, dass Früchte, die heute beim Großhändler verloren gehen, stattdessen als Rohstoff für die Verarbeitungsindustrie genutzt werden können und beispielsweise zu Saft oder Püree werden. Wieso geht das heute noch nicht? Der Verkauf von frischem Obst und Gemüse braucht viel schnelle Koordination. Früchte sind sehr sensibel und reifen schnell. Heute erfolgt diese Koordination ad hoc am Telefon. Aber das Personal ist teuer und die Margen im Lebensmittelsektor sind klein. Nur die Vermittlung an die meist zahlenden Kunden – den Supermarkt – lohnt sich. Was passiert mit Ware, die zum Beispiel die "falsche" Farbe für den Supermarkt hat? Sie belegt Lagerplatz, reift weiter und wird letztendlich entsorgt.

      In vielen Städten weltweit haben Wasserwerke begonnen, auf KI-gesteuerte Systeme umzusteigen, um den Wasserverbrauch präziser zu steuern. Durch Analyse von umfangreichen Datenquellen ermöglicht KI eine genauere Vorhersage des Wasserbedarfs. Dies fördert nicht nur eine effizientere Ressourcennutzung, sondern auch eine bessere Anpassung an schwankende Verbrauchsmuster. Ein weiterer entscheidender Beitrag liegt in der Erkennung von Leckagen. KI kann Unregelmäßigkeiten im Leitungssystem identifizieren und Leckagen sofort melden. Dies trägt nicht nur zur Reduzierung von Wasserverlusten bei, sondern minimiert auch potenzielle Schäden an der Infrastruktur. Darüber hinaus ermöglicht KI eine präzise Überwachung der Wasserqualität. Durch kontinuierliche Analyse können potenzielle Verunreinigungen oder Abweichungen von Standards schnell erkannt und behoben werden, bevor sie sich auf die Wasserversorgung auswirken. Die Verbindung von Technologie und Wasserversorgung eröffnet innovative Wege, um Herausforderungen in Bezug auf Ressourcennutzung, Infrastrukturintegrität und Umweltschutz anzugehen.

    • Zusammenfassung

      Was du in diesem Kapitel gelernt hast

      • Daten sind ein zentraler Bestandteil bei der Betrachtung von Künstlicher Intelligenz
      • Die Erhebung, Speicherung und Auswertung der Daten wird als Datenmanagement bezeichnet, welches im Idealfall einer nachhaltigen Strategie folgen sollte.
      • Unternehmen, deren Tätigkeit auf der Auswertung von Daten beruhen, werden als datengetrieben bezeichnet.
      • Datengetriebene Unternehmen haben eine Vielzahl an Möglichkeiten positiv auf die eigene Nachhaltigkeit und der ihrer Kunden einzuwirken, z.B. durch Lieferkettenoptimierung.
      • In der Praxis finden sich zahlreiche Beispiele davon, wie diese Maßnahmen in der Umsetzung gestaltet sind und zu positiven Veränderungen führen.

    • Literatur und Quellen

      • DBU nachhaltig.digital (2023): Code Green [Podcast] https://www.podcast.de/podcast/3042697/code-green [abgerufen am 30.01.2024] DBU (2024): Projektbeispiele https://www.dbu.de/projektbeispiele/ [abgerufen am 01.02.2024]
      • Engels, B. (2022) Nachhaltige Digitalisierung. Ein digitalökonomisches Konzept. IW-Policy Paper 3/2022. Institut der deutschen Wirtschaft.
      • Rauen, H et al. (2018) Plattformökonomie im Maschinenbau. Roland Berger GmbH, München

Vorherige Lektion Nach oben Nächste Lektion