KI-gestützte Analysen

Es gibt Tool-Anbieter, die mittels KI-Einsatz Abschätzungen vornehmen, die erstaunlich gute Ergebnisse liefern. Der Markt ist gerade sehr in Bewegung – wie bei allen KI-basierten Anwendungen, aktuell konnten fünf gefunden werden.

Grundidee ist es Daten aus dem eigenen System zu ziehen z.B. eine Stückliste des zu untersuchenden Produkts und diese dann in das Tool hochzuladen. Dann werden die Daten analysiert mittels LLM (Large Language Modeling) und mit Hilfe von KI ergänzt durch Zulesen von Datenbanken mit einer Vielzahl von Produktinformationen zu den Bergriffen aus z.B. der Stückliste. Manche Anbieter ziehen auch bereits erstellte LCA zu ähnlichen Produkten hinzu, um mit Vergleichswerten zu arbeiten. Im letzten Schritt werden aus diesen Informationen Ökobilanzen mittels gängiger Datenbanken erstellt. Diese werden dann durch den Benutzer überprüft und verändert z.B. Austausch von der KI angenommener Materialien oder Prozessschritten. So nähert man sich iterativ an eine qualifizierte Sachbilanz an. Die Tools können Hot-Spot Analysen durchführen und Alternativen zur Verbesserung des z.B. CO₂-Abdrucks vorschlagen.

Die Anbieter werben mit der Erstellung von Ökobilanzen in Minuten. Nachdem wir einige Demonstrationen durch die Anbieter angeschaut haben, können wir erstaunlich einfache Handhabung und rasche Ergebnisse bestätigen. Zur Qualität der Ergebnisse haben wir keine Untersuchungen gemacht. Literaturhinweis zu einer Studie aus 2023 zur Qualität von LCA-Abschätzungen durch KI : https://arxiv.org/abs/2308.04241 Alle Anbieter haben einen Fokus auf größere Unternehmen oder Supply Chains, die Kostenstruktur ist entsprechend. Es ist anzunehmen, dass Anbieter von LCA-Software ihre Angebote um KI-Unterstützung erweitern werden. Weitere Anbieter werden gerne in die Listung aufgenommen:

makersite.io , Start-up gegründet 2018

emvide.com , Start-up gegründet 2024

oneclicklca.com etablierte Plattform für das Bauwesen auch mit Deutscher Niederlassung ; Start-ups aus Kalifornien zur Berechnung eines PCF : carbonbright.co und carbontrail.net

Was sich gerade entwickelt in Unternehmen

Amazons „Flamingo“-System – ein Algorithmus wurde entwickelt für maschinelles Lernen, der die CO₂-Bilanz von Produkten im Amazon-Einzelhandel beschleunigt. Flamingo nutzt die Verarbeitung natürlicher Sprache (NLP), um Produkte anhand von Textbeschreibungen automatisch den richtigen Umweltfaktoren zuzuordnen. Durch die Nutzung eines Zero-Shot-NLP-Modells kann Flamingo geeignete Emissionsfaktoren vorschlagen, selbst wenn keine genauen Übereinstimmungen in der Datenbank vorhanden sind. In Versuchen reduzierte dieser KI-Ansatz die Zeit für die Zuordnung von Amazon-Produkten zu Ökobilanzdaten von etwa einem Monat manueller Arbeit auf wenige Stunden..¹

Microsoft hat sich mit Makersite zusammengeschlossen, um ein KI-gestütztes LCA-Framework für alle seine Hardwareprodukte zu implementieren. Diese Initiative mit dem Namen „LCA 2.0“ integrierte die KI von Makersite in die internen Produktdatensysteme von Microsoft, um die Lebenszyklusmodellierung für Geräte wie Surface und Xbox zu automatisieren. Das System ruft die Stückliste jedes Produkts ab und verknüpft jede Komponente und jeden Herstellungsprozess mit Umweltdatensätzen, wodurch ein detaillierter, lieferkettenspezifischer Fußabdruck entsteht. Die Umstellung auf diesen KI-gestützten Ansatz verbesserte die Granularität und Genauigkeit der Bewertungen von Microsoft und deckte Umwelt-Hotspots tief in der Lieferkette auf, die bei früheren manuellen Analysen möglicherweise übersehen wurden.²

BASFs KI für Ökodesign – Der Chemiekonzern BASF hat berichtet, dass er generative KI erforscht, um die Umweltauswirkungen neuer Produktformulierungen während der Forschung und Entwicklung vorherzusagen, bevor physische Prototypen existieren. Durch das Training von KI-Modellen anhand vorhandener Ökobilanzdaten für Chemikalien und Materialien kann BASF den CO₂-Fußabdruck oder die Toxizität einer vorgeschlagenen neuen Produktrezeptur abschätzen. So können die Chemiker Inhaltsstoffe oder Prozesse frühzeitig optimieren, um ein umweltschonenderes Design zu erreichen. Im Wesentlichen wird KI als „virtueller Nachhaltigkeitsexperte“ im Labor eingesetzt, wodurch kostspieliges Ausprobieren vermieden wird, indem umweltfreundlichere Alternativen im Vorfeld aufgezeigt werden.³

Siemens Building Footprint Pilot – Siemens hat ein generatives KI-Tool getestet, um den CO₂-Fußabdruck von Gebäuden während ihres gesamten Lebenszyklus (Bau, Betrieb und Entsorgung) zu berechnen. Das KI-Modell berücksichtigt Gebäudeplanungsdaten (Materialien, Energiesysteme usw.) und kann die gesamten CO₂-Emissionen über die gesamte Lebensdauer des Gebäudes schnell abschätzen. Beispielsweise kann die KI Tausende von Materialkombinationen oder HLK-Systemen analysieren und Optionen identifizieren, die die Emissionen deutlich senken. Durch sofortiges Feedback zu den Ergebnissen des CO₂-Fußabdrucks können die Beteiligten datenbasierte Entscheidungen treffen, um die Umweltbelastung vor dem Bau eines Gebäudes zu minimieren.⁴

Was sich gerade entwickelt in der Forschung

AutoPCF: Effiziente Produkt-CO₂-Bilanzierung mit großen Sprachmodellen
11. Aug 2023, https://arxiv.org/abs/2308.04241
Die Ergebnisse der Schätzung des CO₂-Fußabdrucks (cradel-to-gate = Produktherstellung) für drei Fallstudienprodukte (warmgewalzter Rundstahl, bedruckter und gefärbter Stoff und Lithium-Eisenphosphat-Batterie) mithilfe eines AutoPCF-Frameworks zeigen (Getestet mit: GPT-3, GPT-4, GLM-130B, ChatGLM-6B3, Tongyi Qianwen3) dessen Potenzial für die automatische Modellierung und Schätzung des PCF bei einer deutlichen Verkürzung der Modellierungszeit von Tagen auf Minuten. Die Ergebnisse wurden mit Expertenschätzungen verglichen und wiesen überraschend gute Schätzungen auf. Bild: In Anlehnung der Studienautoren.

„Eine Überprüfung der Anwendungen des maschinellen Lernens in Ökobilanzstudien.“ Sci. Total Environ. Ausgabe 912 (2024) Link hierzu . Übersetztes Abstract:
In dieser Studie wurden 40 Publikationen zum Thema maschinellen Lernens in Ökobilanzen systematisch untersucht. „Die Ökobilanz (LCA) ist eine grundlegende Methode zur quantitativen Bewertung von Nachhaltigkeit. Die zunehmende Datenverfügbarkeit und die rasante Entwicklung von Machine-Learning-Ansätzen (ML) bieten neue Möglichkeiten zur Weiterentwicklung der Ökobilanz. Hier untersuchen wir aktuelle Fortschritte und Wissenslücken bei der Anwendung von ML-Techniken zur Unterstützung der Ökobilanz und identifizieren zukünftige Forschungsrichtungen für Ökobilanzen, um das Potenzial von ML besser zu nutzen. …
… zeigten, dass ML-Ansätze helfen, die Vorhersagegenauigkeit, Mustererkennung und Rechenleistung zu verbessern, besteht in mehreren Bereichen weiterer Forschungsbedarf.
1. ist eine kontinuierliche Datenerfassung und -zusammenstellung erforderlich, um zuverlässigere ML- und LCA-Modellierung zu unterstützen.
2. sollten zukünftige Studien ausreichende Details zu den Auswahlkriterien für ML-Modelle enthalten und eine Analyse der Modellunsicherheit präsentieren.
3. verspricht die Einbeziehung von Deep-Learning-Modellen in LCA eine weitere Verbesserung der Lebenszyklusinventur und der Folgenabschätzung.
4. Schließlich erfordert die Komplexität der aktuellen Umweltherausforderungen interdisziplinäre, kollaborative Forschung, um eine tiefe Integration von ML in LCA zu erreichen.

Große Sprachmodelle (LLMs) als LCA-Assistenten – Forschungsergebnisse deuten darauf hin, dass LLMs wie GPT-4 LCA durch die Übernahme textlastiger Aufgaben und Wissensintegration viel rationalisieren können. Drei Beispiele:

Eine Fallstudie „Was steht in diesem LCA-Bericht?“ untersuchte die Verwendung von ChatGPT, um Designern dabei zu helfen, wichtige Erkenntnisse aus umfangreichen LCA-Berichten zu gewinnen. ⁵ Sie entwickelten dabei einen Rahmen, der den LLM bei der Extraktion designrelevanter Informationen (Materialien mit den höchsten Auswirkungen, Empfehlungen usw.) aus einem 100-seitigen technischen Bericht über die Ökobilanz einer elektrischen Zahnbürste unterstützt.⁶ Bild in Anlehnung der Studienautoren:

„LCA-Co-Pilot“-LLMs, ist ein Tool, das eine Bibliothek von LCA-Studien und deren Annahmen nutzt. Durch die Verwendung von Retrieval-Augmented-Generating (die den LLM mit relevanten Auszügen versorgt) würde das Tool Nutzern den Vergleich der Ergebnisse verschiedener LCA-Studien trotz unterschiedlicher Umfangs- und Annahmeverhältnisse ermöglichen.⁷
Beim Klima-Workshop von NeurIPS 2023 schlug ein Team ein LLM-basiertes System vor, um Annahmen in landwirtschaftlichen Ökobilanzstudien (Fallstudie zum Güllemanagement) zu katalogisieren und es als Leitfaden für standardisierte zukünftige Analysen zu verwenden.