KI und Nachhaltigkeit

Feed

Die neuesten und lesenswertesten Inhalte in diesem Kanal

Über den Kanal KI und Nachhaltigkeit

Was sind die Chancen, was die Gefahren von Künstlicher Intelligenz (KI)? Ohne Zweifel wird die weitere Entwicklung von KI zu tiefgreifenden Veränderungen führen. Während wir mit Innovationen und Disruptionen der KI täglich konfrontiert sind (Siri, ChatGPT, DALL-E), wird etwas anderes immer drängender – die Frage der Nachhaltigkeit. Wie wirken sich einzelne KI-Systeme auf unsere Ressourcen aus und was können sie zu einer nachhaltigen Lebensweise beitragen?

Channel-Grafik zum Themenkanal „KI und Nachhaltigkeit“.

In Zusammenarbeit mit der Universität Tübingen

Seltene Erden: Wie künstliche Intelligenz den Bedarf steigert un…

Künstliche Intelligenz erkennt auf dem Meeresboden Manganknollen, in denen sich wertvolle Ressourcen verbergen. Damit öffnet sich die Tür zum Tiefseebergbau, einem verheerenden Schritt für die maritime Artenvielfalt, wie Robin McKie in seinem Beitrag in der Zeitung The Guardian berichtet. Ob Tiefseebergbau die Box der Pandora öffnen wird, versuchen Forschende unter Zeitdruck zu beantworten, indem auch sie Methoden der künstlichen Intelligenz nutzen.

Screenshot des Texts „Is deep-sea mining a cure for the climate crisis or a curse?“

In Zusammenarbeit mit der Universität Tübingen

Wie nachhaltig ist die digitale Stadt?

Unsere Städte werden immer digitaler – sei es im Bereich Mobilität, Energie oder Wohnen. Helene von Schwichow geht der Frage nach, wie Städte durch den Einsatz digitaler Technologien nicht nur smarter, sondern auch nachhaltiger werden können. Ein Special Input über die Potenziale und Gefahren der digitalen Transformation unserer Städte.

In Zusammenarbeit mit der Universität Tübingen

Künstliche Intelligenz im Warenverkehr der Zukunft

Am Hamburger Hafen werden immense Warenmengen umgeschlagen. Tom Schimmeck berichtet im Deutschlandfunk, wie diese Mammutaufgabe mithilfe von künstlicher Intelligenz effizienter gelöst werden soll. In einer vollautomatisierten Zukunft werden aufeinander abgestimmte Prozesse vom Sender bis zum Empfänger nahtlos ineinandergreifen.

Screenshot des Texts "Hafen mit Hirn – Warenströme im Datenmeer".

In Zusammenarbeit mit der Universität Tübingen

Warum wir interpretierbare maschinelle Lernmodelle brauchen

Im Bereich des maschinellen Lernens werden häufig Black-Box-Modelle verwendet, das heißt Modelle, bei denen nicht ersichtlich ist, wie sie zu ihrem Ergebnis gelangt sind. Cynthia Rudin erläutert in ihrem Paper den Unterschied zwischen Black-Box- und interpretierbaren Modellen und ruft dazu auf, den Forschungsfokus gezielt auf interpretierbare Modelle zu legen.

Screenshot des Texts „Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead".

In Zusammenarbeit mit der Universität Tübingen

Efficient Innovation or Diversity Disaster? A Critical Examinati…

When it comes to recruiting, companies are increasingly leaving applicant selection to AI-powered applicant tracking systems. Katy Gaffney explains how these systems work and the dangers they pose. A Special Input on algorithm-based discrimination in hiring practices and the need for legal regulation.

Published as part of the Berlin Science Week program 2023

Deep Learning for the Detection of Melt Ponds on Arctic Sea Ice

When temperatures in the Arctic rise in summer, sea ice and snow melt, creating pools of water called ‘melt ponds’. These are monitored using helicopter and satellite imagery to predict sea ice melt and understand the mechanisms that amplify Arctic warming. In this Special Input, Marlena Reil shows how deep learning models can vastly improve the accuracy of climate change predictions in the Arctic.

Published as part of the Berlin Science Week program 2023

AI's Silent Influence: Balancing the Wonders and Limitations in …

Convolutional neural networks (CNNs) can recognise objects in images – provided their environment does not change. Mar Castell Erill explains the functionality and limitations of CNNs and makes us wonder whether AI applications are not sometimes overestimated.

Published as part of the Berlin Science Week program 2023

Von Kontrolle, Ausbeutung und Widerstand: künstliche Intelligenz…

Science-Fiction war schon immer mehr als bloße Unterhaltung. Das Genre liefert Stoff für Debatten über technologische Utopien und Dystopien. Anne Burkhardt beschäftigt sich in ihrem Gastbeitrag mit der Darstellung künstlicher Intelligenz im lateinamerikanischen Film, die sich von westlichen Konzepten maßgeblich unterscheidet.

Abstrakte Grafik mit Elementen Kanal-Keyvisuals: Dunkelgrüne, im 45 Grad-Winkel geneigte Stäbe, die jeweils mittig von oben nach unten ein Farbverlauf ins hellgrüne durchzieht, liegen parallel mit geringem Abstand nebeneinander auf hellgrünem Hintergrund.

In Zusammenarbeit mit der Universität Tübingen

Roboter-Revolution in der Landwirtschaft? Ein Gespräch mit Polyb…

Unsere Landwirtschaft ernährt die Welt. Gleichzeitig ist sie global für gut 25 Prozent aller CO2-Emissionen verantwortlich, giftige Pestizide und Dünger bedrohen die Umwelt. Wie ein kleiner, vierbeiniger Roboter aus Tübingen all das ändern soll, erklärt sein Chefentwickler Claudio Michaelis im Interview.

In Zusammenarbeit mit der Universität Tübingen

Der Blick in die Black-Box: wie komplexe Modelle erklärbar werden

Der Einsatz von KI-Modellen stellt oftmals ein Dilemma dar: Sollen sie eine bestmögliche Genauigkeit erzielen oder ist es wichtiger, dass die Ergebnisse transparent und interpretierbar sind? Eine neue Berechnungsmethode soll das Problem lösen und auch bislang undurchsichtige „Black-Box“-KIs erklärbar machen.

Screenshot des Texts „A Unified Approach to Interpreting Model Predictions"

In Zusammenarbeit mit der Universität Tübingen

Optimieren zu Lasten des Klimas: wie KI uns in die falsche Richt…

Welche grundlegenden gesellschaftlichen Veränderungen bringen KI-Technologien mit sich und wie wirken sich diese auf die Klimakrise aus? Orit Halpern zeigt in ihrem Text, dass sie unser Denken und Handeln verändern – mit schwerwiegenden Folgen für den Planeten und das Klima.

Screenshot des Texts „Planetary Intelligence"

In Zusammenarbeit mit der Universität Tübingen

Energiesparen mit KI

Erneuerbare Energiequellen ins Stromnetz zu integrieren und möglichst verlustfrei zu nutzen, ist eine der großen Herausforderungen im Energiesektor. Lucas Richter und seine Kollegen untersuchen, wo in der Energieversorgung künstliche Intelligenz (KI) schon heute einen Mehrwert schaffen kann. Sie beleuchten zudem die Perspektive einer komplett durch KI automatisierten Versorgungskette.

Screenshot des Texts „Artificial Intelligence for Electricity Supply Chain automation".

In Zusammenarbeit mit der Universität Tübingen

Wie können wir mit neuronalen Netzen Klimavorhersagen verbessern?

Können wir künstliche Intelligenz (KI) nutzen, um klimatische Veränderungen vorherzusagen? Neuronale Netze eignen sich sehr gut, um Muster in Daten zu erkennen, stoßen allerdings an Grenzen, wenn es um Extrapolation geht. Stefan Rasp und sein Team zeigen, wie man diesen Widerspruch auflösen kann: Sie integrieren neuronale Netze in Klimamodelle und können so nicht nur genauer, sondern auch effizienter die Folgen des Klimawandels vorhersagen.

Screenshot des Texts „Deep learning to represent subgrid processes in climate models".

In Zusammenarbeit mit der Universität Tübingen

„Es muss ein Primat der Demokratie über Technologie und Geschäft…

Im April 2021 legte die Europäische Kommission einen Vorschlag für ein umfassendes Gesetz zur Regulierung künstlicher Intelligenz vor: die sogenannte KI-Verordnung. Seitdem verhandeln das EU-Parlament und der EU-Rat über den Gesetzestext. Paul Nemitz, Chefberater der Generaldirektion Justiz und Verbraucher der Europäischen Kommission, gibt im Interview mit Max von Grafenstein einen Einblick in den komplexen Gesetzgebungsprozess. Er erklärt, welche Erwartungen an die KI-Verordnung gestellt werden und mit welchen Schwierigkeiten der EU-Gesetzgeber zu kämpfen hat.

In Zusammenarbeit mit der Universität Tübingen

Wie können KI-Modelle energiesparender werden? Ein Überblick übe…

Je größer das maschinelle Lernmodell, desto höher die Emissionen. Für te.ma nimmt Sami Nenno den Energieverbrauch verschiedener Lernmodelle unter die Lupe und stellt Alternativen zu den großen, energieintensiven Modellen von Big-Tech-Unternehmen und Elite-Universitäten vor.

In Zusammenarbeit mit der Universität Tübingen

Wenn KI über deine Kreditwürdigkeit entscheidet

Der Traum vom eigenen Haus – fast jeder muss hierfür einen Kredit aufnehmen. Doch wie kreditwürdig ist jemand? Khandani und Kollegen forschten bereits 2010 dazu, wie maschinelles Lernen für diese Frage eingesetzt werden kann. Im folgenden Jahrzehnt wurden eine Vielzahl weiterer KI-Modelle zum Kreditscoring vorgestellt, die Grundidee blieb jedoch die gleiche. Wie funktionieren diese Modelle, und welche Chancen und Risiken ergeben sich, wenn sie Entscheidungen über Kreditwürdigkeit treffen?

Screenshot des Texts „Consumer Credit-Risk Models Via Machine-Learning Algorithms“

In Zusammenarbeit mit der Universität Tübingen

Über das Potenzial von Klimanetzwerken. Ein Gespräch mit Bedarth…

Das Wettersystem unseres Planeten hat chaotische Züge und gilt deshalb als schwer vorhersagbar. Im Interview erklärt Bedartha Goswami, dass Klimanetzwerke helfen können, unbekannte Wetterphänomene aufzudecken, indem sie klimatische Zusammenhänge zwischen weit entfernten Regionen sichtbar machen. Würden derartige Zusammenhänge als Frühwarnsignale für Hitzewellen oder Starkregen etabliert, könnten sie in Zukunft sogar Menschenleben retten.

In Zusammenarbeit mit der Universität Tübingen

Seite 1 von 3

Feed Foren Datenbank