Skip to content
NextLytics
Megamenü_2023_Über-uns

Shaping Business Intelligence

Ob clevere Zusatzprodukte für SAP BI, Entwicklung aussagekräftiger Dashboards oder Implementierung KI-basierter Anwendungen - wir gestalten zusammen mit Ihnen die Zukunft von Business Intelligence. 

Megamenü_2023_Über-uns_1

Über uns

Als Partner mit tiefem Prozess-Know-how, Wissen der neuesten SAP-Technologien sowie hoher sozialer Kompetenz und langjähriger Projekterfahrung gestalten wir die Zukunft von Business Intelligence auch in Ihrem Unternehmen.

Megamenü_2023_Methodik

Unsere Methodik

Die Mischung aus klassischem Wasserfallmodell und agiler Methodik garantiert unseren Projekten eine hohe Effizienz und Zufriedenheit auf beiden Seiten. Erfahren Sie mehr über unsere Vorgehensweise.

Produkte
Megamenü_2023_NextTables

NextTables

Daten in SAP BW out of the Box bearbeiten: Mit NextTables wird das Editieren von Tabellen einfacher, schneller und intuitiver, egal ob Sie SAP BW on HANA, SAP S/4HANA oder SAP BW 4/HANA nutzen.

Megamenü_2023_Connector

NextLytics Connectoren

Die zunehmende Automatisierung von Prozessen erfordert die Konnektivität von IT-Systemen. Die NextLytics Connectoren ermöglichen eine Verbindung Ihres SAP Ökosystems mit diversen open-source Technologien.

IT-Services
Megamenü_2023_Data-Science

Data Science & Engineering

Bereit für die Zukunft? Als starker Partner stehen wir Ihnen bei der Konzeption, Umsetzung und Optimierung Ihrer KI-Anwendung zur Seite.

Megamenü_2023_Planning

SAP Planning

Wir gestalten neue Planungsanwendungen mithilfe von SAP BPC Embedded, IP oder  SAC Planning, die einen Mehrwert für Ihr Unternehmen schaffen.

Megamenü_2023_Dashboarding

Dashboarding

Mit unserer Expertise verhelfen wir Ihnen auf Basis von Tableau, Power BI, SAP Analytics Cloud oder SAP Lumira zu aussagekräftigen Dashboards. 

Megamenü_2023_Data-Warehouse-1

SAP Data Warehouse

Planen Sie eine Migration auf SAP HANA? Wir zeigen Ihnen, welche Herausforderungen zu beachten sind und welche Vorteile eine Migration bringt.

Business Analytics
Megamenü_2023_Procurement

Procurement Analytics

Transparente und valide Zahlen sind vor allem in Unternehmen mit dezentraler Struktur wichtig. SAP Procurement Analytics ermöglicht die Auswertung von SAP ERP-Daten in SAP BI.

Megamenü_2023_Reporting

SAP HR Reporting & Analytics

Mit unserem Standardmodell für Reporting von SAP HCM mit SAP BW beschleunigen Sie administrative Tätigkeiten und stellen Daten aus verschiedenen Systemen zentral und valide zur Verfügung.

Megamenü_2023_Dataquality

Data Quality Management

In Zeiten von Big Data und IoT kommt der Vorhaltung einer hohen Datenqualität eine enorm wichtige Bedeutung zu. Mit unserer Lösung für Datenqualitätsmanagement (DQM) behalten Sie stets den Überblick.

Karriere
Megamenü_2023_Karriere-2b

Arbeiten bei NextLytics

Wenn Du mit Freude zur Arbeit gehen möchtest und dabei Deine berufliche und persönliche Weiterentwicklung nicht zu kurz kommen soll, dann bist Du bei uns genau richtig! 

Megamenü_2023_Karriere-1

Berufserfahrene

Zeit für etwas Neues? Gehe Deinen nächsten beruflichen Schritt und gestalte Innovation und Wachstum in einem spannenden Umfeld zusammen mit uns!

Megamenü_2023_Karriere-5

Berufseinsteigende

Schluss mit grauer Theorie - Zeit, die farbenfrohe Praxis kennenzulernen! Gestalte bei uns Deinen Einstieg ins Berufsleben mit lehrreichen Projekten und Freude an der Arbeit.

Megamenü_2023_Karriere-4-1

Studierende

Du möchtest nicht bloß die Theorie studieren, sondern Dich gleichzeitig auch praktisch von ihr überzeugen? Teste mit uns Theorie und Praxis und erlebe wo sich Unterschiede zeigen.

Megamenü_2023_Karriere-3

Offene Stellen

Hier findest Du alle offenen Stellenangebote. Schau Dich um und bewirb Dich - wir freuen uns! Falls keine passende Stelle dabei ist, sende uns gerne Deine Initiativbewerbung zu.

Blog
NextLytics Newsletter Teaser
Hier für unseren monatlichen Newsletter anmelden!
Newsletter abonnieren
 

Green AI - Carbon Accounting für Ihre Machine Learning Anwendungen

Nachhaltigkeit im Unternehmen ist angesagt. Egal ob die Nachhaltigkeit der Produkte gesteigert oder der interne ökologische Fußabdruck herabgesetzt wird. Damit der Trend auch langfristig in Unternehmen Einzug halten kann, ist es wichtig, Kennzahlen aufzubauen und zu verfolgen. Als Maßzahl für ökologische Nachhaltigkeit ist dabei der CO2-Fußabdruck prominent. Hier werden die verursachten Treibhausgasemissionen von Systemen, Prozessen und Ressourcen in ein Kohlenstoffdioxidäquivalent umgerechnet. Auch im Bereich Data Science ist eine Erfassung wichtig, um eine Verbesserung hinsichtlich der nachhaltigen Gestaltung von Künstlicher Intelligenz (KI) zu bewirken.

Unter dem Begriff “Carbon Accounting” wird die systematische Erfassung der Emissionen in einem Kohlenstoffdioxidäquivalent in Unternehmen eingeführt. Dies ist ein komplexes Unterfangen, da verschiedene Daten bezüglich des Messgegenstandes eingepflegt oder gemessen werden müssen. Im Falle von Künstlicher Intelligenz ist besonders die Emissionserzeugung während der Modelllaufzeit und des Trainings von Bedeutung, während die Hardwarebereitstellung oftmals vernachlässigt wird. Die Erfassung stärkt trotzdem das Bewusstsein und ist der erste Schritt für einen positiven Wandel.

In diesem Artikel werden wir Ihnen Maßzahlen und Frameworks vorstellen, um den Fußabdruck Ihrer KI-Anwendungen messen zu können. Zunächst erklären wir Ihnen, welchen Nutzen Sie aus dem Tracking der Emissionen ziehen können.

Mehr Informationen mehr Möglichkeiten

Die Messbarkeit eines Sachverhalts gewährt einen Einblick auf  den aktuellen Status und ermöglicht es, Veränderungen in eine richtige Richtung zu initiieren. Für die Kommunikation an das Management kann ein Reporting aufgebaut werden, das den Wandlungsprozess abbildet. Hier kann nachverfolgt werden, ob der Fußabdruck aller KI-Anwendungen zunimmt oder durch das Einführen von Maßnahmen sogar auf einem Abwärtstrend ist. Die Ursachenforschung zum Ableiten von Maßnahmen wird durch die Erfassung ermöglicht. Welche Modelle haben den höchsten Fußabdruck und warum?

Besonders dann, wenn qualitative Daten über die Carbon Intensity der Energie zur Verfügung stehen, können Zeitpunkte und Orte bestimmt werden, die zu erhöhten Emissionen führen. Der Vergleich von Alternativen kann eine Antwort liefern, welche Option für eine nachhaltige Gestaltung der Künstlichen Intelligenz geeignet sein kann. Beispielsweise können verschiedene Hardwaretypen miteinander verglichen werden. Dabei können in Tools die Parameter für eine Prognose angepasst werden, ohne dass ein wirklicher Wechsel der Hardware oder des Standortes  stattfinden muss. Hier kann auch die theoretische Ausführungszeit angepasst werden. So gibt es Untersuchungen, welche zeigen, dass ein aufwendiges Modelltraining im Laufe  der Woche einen 5.7-8.5 % höheren Fußabdruck hat als ein Training, welches am Wochenende bei geringerer Serverlast erfolgt. Weitere Maßnahmen finden Sie in unserem Whitepaper zum Thema Green AI.

Influence_Footprint_Carbon Accounting

Viele Einflussfaktoren bestimmen den tatsächlichen Fußabdruck von KI Anwendungen.

 

Praktische Ersatzmetriken für Carbon Accounting

Für Unternehmen ist das Einbeziehen aktueller Werte des Energiemixes und der Carbon Intensity zur genaueren Abschätzung des Fußabdrucks sehr komplex. Zum einen liegen die Daten nicht vor oder sind nur schwer zugänglich. Zum anderen ist das Zuordnen zu den Ausführungszeiten von Prozessen aufwendig und muss mit einer eigenen Infrastruktur geplant und umgesetzt werden.

Für den betrieblichen Alltag haben sich deshalb einige Ersatzmetriken etabliert, welche für den ersten Einblick genügen.

  • Ausführungszeit - Gesamtzeit des Modelltrainings und der -ausführung
  • CPU/GPU-Stunden - tatsächliche Ausführungszeit auf GPU oder CPU ohne Interferenz anderer laufender Prozesse
  • Floating Point Operations - Anzahl der benötigten Floating Point Operations (eine beliebte Metrik in der Forschung)
  • Energieverbrauch - für die Berechnung benötigte Energiemenge

Über den gemessenen Energieverbrauch und eine gegebene, durchschnittliche Carbon Intensity kann der Fußabdruck angenähert werden. Das reine Monitoring über Kosten birgt die Gefahr, dass selbst bei konstantem Instanztyp und gleichbleibender Konfiguration ein anbierterseitiger Preisanstieg das System verfälscht.

Emissionsrechner für Entwickler

Tatsächlich ist der Schritt der Erfassung von Emissionen für das aufkommende Themengebiet Green AI so grundlegend, dass es bereits eine Reihe an Emissionsrechnern gibt. Erste Unternehmen binden diese in Self-Service Systemen ein. Business Anwender bekommen beispielsweise bei der Auswahl eines Time Series Forecasting Models ein Bewusstsein über die verursachten Emissionen.

Für Entwickler gibt es grundsätzlich die Option, den Emissionsrechner als Programmbibliothek einzubinden oder auf eine webbasierte Variante zuzugreifen.


Green AI - Nachhaltig ausgerichtete
Künstliche Intelligenz für Unternehmen

Green_AI_DE


Machine Learning Emissions Calculator

Seit 2020 ist aus einer Forschungsarbeit heraus der webbasierte Machine Learning Emissions Calculator entstanden. Hier werden öffentliche Datenquellen genutzt, um stets aktuelle Werte bezüglich des Energieverbrauches der Hardware und des Energiemixes des Standortes zu erhalten. Als erste Hochrechnung ist der Calculator geeignet. Hier können Unterschiede in der Verwendung unterschiedlicher Hardware und Cloud-Locations leicht sichtbar gemacht werden. Eine Berechnung in der eigenen Infrastruktur kann ebenfalls angegeben werden.

ML_Emissions_Calculator_Carbon Accounting

Machine Learning CO2 Impact Calculator: Der webbasierte Machine Learning Emissions Calculator benötigt nur wenige Informationen, um eine erste Hochrechnung zu ermöglichen.

 

CodeCarbon

CodeCarbon ist eine Python Bibliothek, welche den Fußabdruck von Software bestimmt. Hier kann auch die Ausführung auf einem Personal Computer beziffert werden. Das öffentlich verfügbare Package ist einfach anzuwenden und hat als Ausgabe eine CSV Datei mit den aktuellen CO2 Emissionen. Eine API, die den Zeitverlauf der Emissionen trackt, ist aktuell in der Alpha Version verfügbar. Die Emissionen werden auch in gefahrene Kilometer umgerechnet, um eine einfache Kommunikation nach Außen zu ermöglichen. Durch die einfache Integration in einen bestehenden Code ist CodeCarbon zu empfehlen.

from codecarbon import EmissionsTracker

tracker = EmissionsTracker()

tracker.start()

# code to track

tracker.stop()

CodeCarbon

CarbonTracker

Für die Entwicklung von Deep Learning Modellen mit Jupyter Notebooks ist CarbonTracker eine gute Möglichkeit, über eine Bibliothek den Fußabdruck abzuschätzen. Hier wird der Energieverbrauch über eine gegebene Anzahl an gemessenen Epochen hochgerechnet. Die Ausgabe erfolgt direkt im Output.

CarbonTracker: The following components were found: CPU with device(s) cpu:0.

CarbonTracker: Carbon intensity for the next 2:59:06 is predicted to be 107.49 gCO2/kWh at detected location: Copenhagen, Capital Region, DK.

CarbonTracker:

Predicted consumption for 1000 epoch(s):

        Time:   2:59:06

        Energy: 0.040940 kWh

        CO2eq:  4.400445 g

        This is equivalent to:

        0.036549 km traveled by car

CarbonTracker: Finished monitoring.

https://github.com/lfwa/carbontracker

 

EnergyVis

Basierend auf der CarbonTracker Bibliothek kann EnergyVis ein Dashboard zum Live-Tracking der Emissionen bieten. Der Nachteil ist jedoch, dass in der aktuellen Version nur Regionen in den USA eingepflegt sind. In weiteren Iterationen sollen jedoch auch Regionen in Europa hinzugefügt werden. Eine Livedemo kann unter https://poloclub.github.io/EnergyVis/ betrachtet werden.

energyvis_Carbon Accounting

 

Die Erfassung des Fußabdruckes von Machine Learning Modellen ist ein wichtiger Grundstein, um ein Bewusstsein für ökologische Nachhaltigkeit im Data Science Bereich zu schaffen. Grundsätzlich können erste Schritte auch ohne Quantifizierung des Einflusses unternommen werden - die Kommunikation des Erfolges wird dadurch aber geschmälert.

Haben Sie weitere Fragen zur nachhaltigen Gestaltung Ihres Data Science Bereiches? Wir beraten Sie gerne zu möglichen Schritten und unterstützen Sie in der Umsetzung. Sprechen Sie uns gerne an.

Erfahren Sie mehr über  Green AI

,

avatar

Luise Wiesalla

Luise Wiesalla ist seit 2019 als Werkstudentin / studentische Beraterin im Bereich Data Analytics und Machine Learning bei der NextLytics AG tätig. Sie hat Erfahrung mit Full-Stack-Data-Science-Projekten und dem Einsatz der open-source Workflow-Management-Lösung Apache Airflow. Ihre Freizeit verbringt sie gerne damit, ihre Umgebung zu erkunden und in Bewegung zu sein.

Sie haben eine Frage zum Blog?
Fragen Sie Luise Wiesalla

Gender Hinweis Aufgrund der besseren Lesbarkeit wird im Text das generische Maskulinum verwendet. Gemeint sind jedoch immer alle Menschen.

Blog - NextLytics AG 

Welcome to our blog. In this section we regularly report on news and background information on topics such as SAP Business Intelligence (BI), SAP Dashboarding with Lumira Designer or SAP Analytics Cloud, Machine Learning with SAP BW, Data Science and Planning with SAP Business Planning and Consolidation (BPC), SAP Integrated Planning (IP) and SAC Planning and much more.

Informieren Sie mich über Neuigkeiten

Verwandte Beiträge

Letzte Beiträge