htw saar Piktogramm QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
Lernziele hervorheben XML-Code

Künstlichen Intelligenz und Nachhaltigkeit

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
Künstlichen Intelligenz und Nachhaltigkeit
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Kommunikationsinformatik, Bachelor, ASPO 01.10.2021
Code: KIB-KIN
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
2V+2PA (4 Semesterwochenstunden)
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
5
Studiensemester: 5
Pflichtfach: nein
Arbeitssprache:
Deutsch
Prüfungsart:
Projektarbeit

[letzte Änderung 25.09.2025]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

KIB-KIN Kommunikationsinformatik, Bachelor, ASPO 01.10.2021 , 5. Semester, Wahlpflichtfach
PIB-KIN Praktische Informatik, Bachelor, ASPO 01.10.2022 , 5. Semester, Wahlpflichtfach
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Christoph Tholen
Dozent/innen: Prof. Dr. Christoph Tholen

[letzte Änderung 25.09.2025]
Lernziele:
Die Studierenden verstehen das Konzept der nachhaltigen Entwicklung (die ökologischen, sozialen und ökonomischen Dimensionen) und deren Bezug zum Bereich der Künstlichen Intelligenz (KI). Sie kennen die gängigsten Ansätze zur Bewertung der Nachhaltigkeit von Produkten und Dienstleistungen (z. B. Lebenszyklusanalyse, LCA) sowie zur Modellierung von Wechselwirkungen zwischen verschiedenen Nachhaltigkeitssektoren (z. B. Wasser-Energie-Nahrungsmittel-Ökosystem-Nexus).
Die Studierenden haben einen Überblick über aktuelle Anwendungsfelder von KI zur Unterstützung nachhaltiger Entwicklung erworben und verfügen über ein vertieftes Verständnis in mindestens einem ausgewählten Thema, das sie im Rahmen einer Gruppenarbeit eingehend analysiert haben. Sie verstehen, welche Rolle KI bei der Erreichung der Nachhaltigkeitsziele (SDGs) spielen kann und welche Herausforderungen damit verbunden sind.
Die Studierenden verstehen die unterschiedlichen Nachhaltigkeitsdimensionen der Entwicklung, Implementierung und Nutzung von KI selbst. Sie sind mit aktuellen Herausforderungen und Ansätzen zur Messung der Nachhaltigkeit verschiedener Arten von KI-Systemen (z. B. deren CO₂-Fußabdruck) vertraut. Ebenso kennen sie aktuelle Methoden und Strategien zum Management der ökologischen Auswirkungen von Entwicklung, Implementierung und Nutzung von KI.


[letzte Änderung 25.09.2025]
Inhalt:
Dieses Modul nähert sich dem Thema KI und Nachhaltigkeit aus zwei unterschiedlichen, aber miteinander verknüpften Perspektiven:
1.        KI für Nachhaltigkeit und
2.        Nachhaltigkeit der KI.
KI für Nachhaltigkeit behandelt ausgewählte Ansätze und Anwendungen von KI zur Unterstützung einer nachhaltigen Entwicklung (z. B. Biodiversitätsmonitoring, nachhaltiges Management natürlicher Ressourcen, Bildung für Nachhaltigkeit).
Nachhaltigkeit der KI beleuchtet die ökologischen und gesellschaftlichen Auswirkungen der Entwicklung, Implementierung und Nutzung von KI.
Das Modul behandelt die folgenden Themen:
Einführung in Nachhaltigkeit
•        Nachhaltigkeitsdefinitionen & Herausforderungen
•        Nachhaltigkeitsziele (Sustainable Development Goals)
•        Partizipative Ansätze für Nachhaltigkeit (z. B. Einbindung von Stakeholdern und Konsument:innen)
KI-Anwendungen für Nachhaltigkeit
•        KI für Klima (z. B. Energieeffizienz)
•        KI für Biodiversität
•        KI in der Fernerkundung für Umweltmonitoring
•        KI für Bildung im Bereich nachhaltige Entwicklung
•        spezifische Fokusthemen werden mit den Studierenden nach deren Interessen ausgewählt
Nachhaltige KI
•        CO₂-Fußabdruck von KI
•        Energie und Wasserverbrauch durch KI
•        Gesellschaftliche Risiken von KI
•        Nachhaltiges Design und nachhaltige Nutzung von KI: Herausforderungen und Ansätze
•        spezifische Fokusthemen werden mit den Studierenden nach deren Interessen ausgewählt


[letzte Änderung 25.09.2025]
Weitere Lehrmethoden und Medien:
Folien, Gruppenarbeit zu ausgewählten Themenbereichen, Arbeit mit wissenschaftlicher Literatur

[letzte Änderung 25.09.2025]
Literatur:
Ertel, W.: Grundkurs Künstliche Intelligenz: Eine praxisorientierte Einführung. Springer Fachmedien, Wiesbaden (2021). https://doi.org/10.1007/978-3-658-32075-1
Mensah, J.: Sustainable development: meaning, history, principles, pillars, and implications for human action: literature review. Cogent. Soc. Sci. 5(1), 1653531 (2019). https://doi.org/10.1080/23311886.2019.1653531
van Wynsberghe, A. Sustainable AI: AI for sustainability and the sustainability of AI. AI Ethics (2021). https://doi.org/10.1007/s43681-021-00043-6
Vinuesa, R., Azizpour, H., Leite, I. et al. The role of artificial intelligence in achieving the Sustainable Development Goals. Nat Commun 11, 233 (2020). https://doi.org/10.1038/s41467-019-14108-y
Rohde, F., Wagner, J., Meyer, A., Reinhard, P., Voss, M., Petschow, U., Mollen, A.: Broadening the perspective for sustainable artificial intelligence: sustainability criteria and indicators for Artificial Intelligence systems. Current Opinion in Environmental Sustainability. 66, 101411 (2024). https://doi.org/10.1016/j.cosust.2023.101411.
Anthony LFW, Kanding B, Selvan R.: Carbontracker: Tracking and Predicting the Carbon Footprint of Training Deep Learning Models. ArXiv:2007.03051 (2020).
Henderson P., Hu, J., Romoff J., Brunskill, E., Jurafsky, D., Pineau, J.: Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning. ArXiv:2002.05651 (2020).
Brum, D., Teylo, L., Silva, F.P. da, Vasconcellos, F.C., Breder, G.B., Azevedo, L. de, Bezerra, E., Porto, F., Ferro, M.: Towards Sustainable Nowcasting: Assessing the Environmental Costs of AI-Driven Extreme Rainfall Prediction, https://www.researchsquare.com/article/rs-6751218/v1, (2025). https://doi.org/10.21203/rs.3.rs-6751218/v1.
Tholen, C., Leluschko, C., Nolle, L., Stahl, F.: Measuring and Comparison of the Energy Consumption of different Machine Learning Methods, (2025).


[letzte Änderung 25.09.2025]
 
[Sun Oct 26 17:11:00 CET 2025, CKEY=pkiun, BKEY=ki2, CID=KIB-KIN, LANGUAGE=de, DATE=26.10.2025]