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 -Nachhaltige KI für Unternehmen

Der ökologische Fußabdruck von Künstlicher Intelligenz in Unternehmen

Künstliche Intelligenz (KI) ist bereit für die Wirtschaft. Im Jahr 2021 gaben bereits 35 % der Unternehmen an, KI im Geschäftsalltag zu nutzen. Weitere 42 % gaben an, KI für sich zu erforschen.
Mit dem Wissen um diese Zahlen kann nicht mehr nur von einem Trend ausgegangen werden: Künstliche Intelligenz ist in den Unternehmen angekommen! 

Die Zahl der Anwendungsfälle nimmt stetig zu und die zu lösenden Fragestellungen werden zunehmend komplexer. Das hat zur Folge, dass Größe und Anzahl von KI-Modellen mit den aufkommenden Ideen in den Unternehmen mitwachsen müssen und das Betreiben dieser Modelle zunehmend routinierter ablaufen muss. Da datenintensive Modelle oft tagelang auf spezialisierter Hardware trainiert werden müssen, entsteht hierbei ein nicht zu unterschätzender ökologischer Fußabdruck, den sich viele häufig nicht bewusst machen. Bereits 2019 erzeugte das Modelltraining bzw. die Modellfindung im Bereich der natürlichen Sprachverarbeitung so viel CO2 wie fünf amerikanische Autos inklusive Benzinverbrauch während ihres gesamten Lebenszyklus. Tendenz steigend. 

Green AI

 

Der fortschreitende Einzug von KI in Unternehmen und der daraus resultierende Anstieg der CO2 Verbräuche hat eine Bewegung hervorgerufen, die unter dem Schlagwort “Green AI” eine effizientere und ökologisch bewusste Gestaltung von Künstlicher Intelligenz in Forschung und Unternehmen bringen möchte.

 

Whitepaper: Best Practices für nachhaltige Künstliche Intelligenz in Unternehmen


Wie ist ökologische Nachhaltigkeit von KI messbar?
Welche Maßnahmen stehen Entwicklern zur Verfügung?
Wie können Verantwortliche den Bereich nachhaltiger gestalten?

Steigendes Wachstum von KI Modellen und Anwendungen

Petaflops daysDie Größe der Modelle steigt kontinuierlich.
Die Grundlagen für eine nachhaltige Gestaltung müssen deshalb besser früher als später gelegt werden.

 

Datenhunger vs. Umweltfreundlichkeit

Was bedeutet eine “grüne” Gestaltung von Künstlicher Intelligenz für Unternehmen?

Der Begriff Green AI ist angelehnt an den Themenbereich der Green IT. Green IT beschäftigt sich mit der allgemeinen umwelt- und ressourcenschonenden Gestaltung von Informations- und Kommunikationssystemen über den gesamten Lebenszyklus hinweg. Bei nachhaltiger Künstlicher Intelligenz im ökologischen Sinne - Stichwort “Green AI” - stehen vorrangig die Modellierung und der Modellbetrieb im Vordergrund. Die Berechnung, egal ob im Training oder der Vorhersage, soll so effizient wie möglich gestaltet und der Energieverbrauch minimal gehalten werden. 

Im Gegensatz zur Forschung ist im Unternehmen der Modellbetrieb eine große Stellschraube für mehr ökologische Nachhaltigkeit. Das Erstellen von Prognosen oder Analysen verursacht laut einer Hochrechnung von AWS (Amazon Web Services) ca. 90 % des Energieverbrauchs des Modells. 

Eine umweltfreundlichere Gestaltung von KI Systemen muss nicht zwangsweise auf Kosten der Performance gehen oder mit hohen Investitionen verbunden sein. Schon eine algorithmisch verringerte Ausführungszeit führt zu einem besseren ökologischen Fußabdruck und einem Zeit- sowie Ressourcengewinn. Bei der Optimierung von Modellen profitiert somit oft auch die Performance.

Gründe für die ökologisch verantwortungsbewusste Gestaltung von KI

 Effizienz der Modelle
Optimierte Modelle haben einen geringeren Energieverbrauch. Hierbei werden Kosten für die Berechnung in der Cloud oder Energiekosten im eigenen Rechenzentrum gespart. Oft ist der Energiegewinn auch auf verringerte Laufzeiten im Training und in der Prognose zurückzuführen. Dies sorgt für eine niedrige Latenzzeit für Anwender und weniger Wartezeit für Entwickler.

 Gesetzliche Regelungen
Gesetzliche Vorgaben wie Corporate Sustainability Reporting Directive (CSRD) sorgen dafür, dass Unternehmen gezielt über die Ziele und Maßnahmen berichten müssen, welche sie zur Erfüllung der Nachhaltigkeitsziele vorsehen. Sind Sie Teil eines datengesteuerten Unternehmens bietet Green AI viele spannenden Ansätze für die Nachhaltigkeit Ihrer Analysen.

 Nachhaltigkeit als Entscheidungskriterium für Kunden
Besonders im Endkundenmarkt ist Nachhaltigkeit ein wichtiges Thema. Immer mehr Kunden ist es wichtig zu wissen, wer ihre Produkte herstellt und welche Nachhaltigkeitsprinzipien dahinter stehen. Um der Marktentwicklung zu folgen, sollte eine tiefgreifende Nachhaltigkeitsstrategie entwickelt werden, die auch nicht vor den Analysen mit Künstlicher Intelligenz stoppt.

Bedeutung auf Finanzmärkten
Das Thema Nachhaltigkeit gewinnt auch an den Finanzmärkten an Bedeutung. Künftig werden Nachhaltigkeitsindizes bei der Vergabe von Krediten eine noch größere Rolle spielen. Günstige Konditionen erhält demnach, wer einen Plan und erfolgreiche Maßnahmen für mehr Nachhaltigkeit darlegen kann. Auch wenn der Data Science Bereich in den meisten Unternehmen kein Hauptfaktor für die Emissionen ist, kann digital leichter umgerüstet werden.

Beitrag zur Bekämpfung des Klimawandels
Nicht zuletzt steigt die Bedeutung von Green AI, da wir uns gesellschaftlich an einem Wendepunkt befinden. Zur Begrenzung des Klimawandels müssen Privatpersonen, Politik und wirtschaftliche Akteure gemeinsam Maßnahmen ergreifen, damit unser Planet weiterhin für alle Menschen lebenswert bleibt. Sowohl das Bewusstsein als auch die Tatkraft sollten in jedem Bereich zunehmen.

 Gewinnung neuer Mitarbeitender
Durch den Fachkräftemangel und dessen Verschärfung durch den demografischen Wandel wird die Gewinnung von qualifizierten Mitarbeitenden herausfordernder. Besonders die jüngeren Generationen achten verstärkt auf die Wirkung ihrer Arbeit. Besonderes Engagement und Weiterbildungsangebote im Bereich Nachhaltigkeit können für Entwickelnde letztendlich ausschlaggebende Kriterien sein.

Berührungspunkte im Unternehmen

Hardware

 

Hardware und Infrastruktur

Die ökologisch effiziente Gestaltung fängt bereits bei der Auswahl der Hardware und der Gestaltung der Infrastruktur an. Ist die Effektivität der Energienutzung im eigenen Rechenzentrum gewährleistet? Diese entscheidet, wie viel Energie zusätzlich zu den eigentlichen Berechnungen aufgewendet werden muss. Zudem ist die Bereitstellung von spezialisierter Hardware extra für Machine Learning ein Thema.

 

Code

 

Modellauswahl

Im Modellierungsprozess entscheidet der Entwickler, welche Modelle zum Einsatz kommen. Grundsätzlich gilt: Je komplexer ein Modell ist, umso mehr Daten und auch Trainingszeit werden benötigt. Neben der Beschränkung auf einfache Modelle gibt es zahlreiche Methoden aus der Forschung, die hier zu mehr Nachhaltigkeit führen. Guidelines zur Gestaltung von Deep Learning oder die Auswahl der Programmbibliothek für die Implementierung des Modells sind hier Beispiele für Stellschrauben mit signifikantem Effekt.

 

optimization

 

Modelltraining und Optimierung

Für die Optimierung der Performance eines Modells auf den verfügbaren Daten werden aufwendige Hyperparameteroptimierungen durchgeführt. Das Finetuning der Modelle nimmt nicht selten die Hälfte aller Trainingsläufe in der Modellentwicklung ein. Eine effiziente Gestaltung zur schnelleren Findung des optimalen Modellkandidaten hilft, den Fußabdruck im Training zu verringern. Optimierungsstrategien aus der Forschung und Metafeatures unterstützen dabei.

 

Model training

 

Modellbetrieb

Die produktive Nutzung der Modelle hat im geschäftlichen Kontext große Bedeutung. Hier fallen neben dem (Meta-)Datenmangement und der Bereitstellung auch die Vorhersagen und das Nachtrainieren auf frischen Daten an. Ein hinsichtlich der Ausführung optimiertes Modell kann den Energieverbrauch einer Vorhersage bis zu 83 % verringern. Intelligentes Monitoring der Eingabedaten und der Modellperformance verringern zudem die Häufigkeit des nachträglichen Modelltrainings.

 

Project

 

Organisatorische Rahmensetzung

Nachhaltigkeit ist immer ein Awareness-Thema. Wird die Erfassung des Energieverbrauchs oder des verursachten CO2-Äquivalentes eingeführt, steigt das Bewusstsein für das Thema. Mit organisatorischen Rahmenbedingungen und Standards für den Entwicklungsprozess hängt die Verantwortung nicht mehr individuell bei den Entwickelnden. Maßnahmen werden so einheitlich umgesetzt.

 

 Sie haben Fragen oder benötigen Unterstützung für Ihr nächstes Projekt?

 
Wir stehen Ihnen als erfahrener Projektpartner zur Seite und unterstützen Sie dabei, Datenprobleme – von der Integration bis zum Einsatz von Machine-Learning-Modellen – effektiv zu lösen.

Möchten Sie mehr über Machine Learning erfahren?

In unserem Blog finden Sie weitere interessante Artikel zu diesem Thema

Effizienterer Betrieb mit einem Apache Airflow Managed Service

Jedes datengesteuerte Unternehmen benötigt mindestens einen Orchestrierungsdienst, um...

Effizienterer Betrieb mit einem Apache Airflow Managed Service

Meilenstein erreicht: NextLytics wird Databricks Partner

NextLytics ist seit kurzem offizieller Consulting Partner von Databricks! Wir freuen uns, mit...

Meilenstein erreicht: NextLytics wird Databricks Partner

Databricks und MLflow: Ideales Match für skalierbares Machine Learning

Databricks ist wohl ein idealer Kandidat für die Verwaltung von Daten, die Entwicklung von Modellen...

Databricks und MLflow: Ideales Match für skalierbares Machine Learning
Inhaltsverzeichnis
Gender Hinweis Aufgrund der besseren Lesbarkeit wird im Text das generische Maskulinum verwendet. Gemeint sind jedoch immer alle Menschen.
Whitepaper Weiteres Blogartikel