Das KI-Paradoxon

Innovation und resiliente Infrastruktur (SDG 9)

Grösser ist nicht immer besser, obwohl ohne Grösse auch nichts geht. Unser Augenmerk liegt vor allem auf der Entwicklung und Implementierung von Small Language Models (SLMs). Diese spezialisierten Modelle erreichen bei klar definierten Aufgaben die Leistung von grossen Sprachmodellen, verbrauchen dabei aber nur einen Bruchteil der Ressourcen. Ein entscheidender Hebel ist hierbei die Modell-Optimierung. Durch mathematische Verfahren wie Pruning (das Entfernen unnötiger Verbindungen im neuronalen Netz) und Quantisierung (die Reduzierung der Präzision der Gewichte) senken wir die Modellkomplexität massiv. Studien zeigen, dass bereits eine minimale Reduktion der Genauigkeit um lediglich ein Prozent den Energiebedarf eines Modells um bis zu 77 % senken kann. In der Praxis bedeutet das, dass eine KI-Anwendung schneller reagiert, weniger Hardware benötigt und dennoch präzise Ergebnisse liefert. Indem wir spezialisierte Architekturen schaffen, die auf Standard-Hardware statt auf grossen, energiehungrigen GPU-Clustern laufen, ermöglichen wir den Zugang zu modernster Technologie, ohne in eine exorbitante Infrastruktur investieren zu müssen.

Nachhaltige Produktion durch Fine-Tuning (SDG 12)

So viel KI wie nötig, so wenig Energie wie möglich. Das Rad muss nicht jedes Mal neu erfunden werden. Wir setzen auf die Anpassung bestehender, bewährter Modelle (Fine-Tuning), um energieintensive Neüntwicklungen von Grund auf zu vermeiden. Das initiale Pre-Training eines Modells wie GPT-3 verbraucht etwa 1.300 Megawattstunden Strom – das entspricht dem Jahresbedarf von etwa 400 durchschnittlichen Haushalten. Ein zielgerichtetes Fine-Tuning hingegen benötigt oft nur einen winzigen Bruchteil dieser Energie. Durch optimierte Fine-Tuning-Verfahren können die benötigten Gleitkommaoperationen (FLOPs) um bis zu 64 % reduziert werden. Die Modellpräzision bleibt gewahrt, die bereits vorhandene Intelligenz grosser Modelle wird genutzt und für den spezifischen Anwendungsfall massgeschneidert.

Aktiver Klimaschutz & lokale Souveränität (SDG 13)

In der Softwareentwicklung wird oft vergessen, dass jede Zeile Code einen energetischen Fussabdruck hinterlässt. Wir bei morev•o nehmen die Verantwortung für unsere indirekten Emissionen (Scope 3) ernst. Ein zentraler Punkt ist die Abwägung zwischen Cloud und Lokalität. Wir analysieren für jedes Projekt individüll die ideale Infrastruktur. Cloud-Plattformen können durch Skaleneffekte und den Einsatz erneürbarer Energien bis zu 93 % energieeffizienter sein als klassische Rechenzentren. Doch dort, wo Datenschutz und Datensouveränität an oberster Stelle stehen, bieten lokale On-Premise- und Edge-Lösungen einen grossen Vorteil: Sie reduzieren den CO₂-intensiven Datentransfer über weite Strecken. Eine komplexe, unnotig breit formulierte Anfrage an ein generisches Modell kann bis zu 50-mal mehr CO₂ verursachen als ein optimierter, spezialisierter Prompt an ein effizientes Modell.

Partnerschaften für die Ziele (SDG 17)

Nachhaltigkeit im KI-Sektor ist keine Einzeldisziplin, sondern eine Gemeinschaftsaufgabe. SDG 17 erinnert uns daran, dass wir die globalen Ziele nur durch Kooperation erreichen können. Wir verstehen uns als Partner unserer Kunden und begreifen ökologische Verantwortung und digitale Wettbewerbsfähigkeit nicht als Gegenspieler. Unternehmen, die auf diese Erkenntnis setzen, senken ihre Betriebskosten durch reduzierten Energieverbrauch und steigern gleichzeitig ihre Attraktivität für Investoren und Kunden, die Wert auf ESG-Kriterien (Environmental, Social, Governance) legen. Optimierte KI-Lösungen können eine bis zu 33 % höhere Produktivität ermöglichen, während der Ressourcenverbrauch gleichzeitig sinkt. Für morev•o ist High-End-KI dann am stärksten, wenn sie mit minimalen Ressourcen maximale Wirkung erzielt.

Technische überlegungen

Eine morev•o Fallsimulation: Effizienz im Kundenservice