Page History

Projekttitel: Support Artificial Intelligence for the circular economy based on Life cycle assessment data standardization. 

Ideengeber*in:

Potenzielle Projektpartner*innen

Abstract

Life Cycle Assessment (LCA) stellt die wissenschaftliche Methode für die Kreislaufwirtschaft (DPP) bereit und bewertet die Umweltauswirkungen von Produkten, Dienstleistungen oder Technologien. Die hohe Komplexität zeitaufwändiger Aufgaben, der Dokumentation, der Berichterstellung für erforderliche Daten und der Modellierung während des gesamten Lebenszyklus von der Rohstoffgewinnung über die Produktion und Nutzung bis hin zur Entsorgung oder dem Recycling stellt jedoch immer noch eine Herausforderung dar.

Künstliche Intelligenz kann die LCA im Unternehmen neu gestalten, indem sie die Automatisierung von Aufgaben ermöglicht und die Verwaltung von Daten, einschließlich Qualität, Zugänglichkeit und Sicherheit, verbessert, was die digitale Transformation branchenübergreifend beschleunigen kann.

Um LCA für KI-Anwendungen und Modellarchitekturen zugänglich und nutzbar zu machen, ist grundsätzlich eine Untersuchung der multivariaten Natur von LCA-Daten erforderlich. Ziel ist es, die LCA-Daten zu verbinden und zu kuratieren und die Formatierung über LCI hinweg konsistent zu machen, sodass verschiedene Datentypen miteinander kompatibel und für die Intelligenzmodellierung nützlich sind.

Wir entdecken und identifizieren unterschiedliche Datenanforderungen für die gesamte Ökobilanz und konzentrieren uns auf die meisten KI-Anwendungen, die Modelle als geeignete Eingabedaten für Anwendungen der künstlichen Intelligenz ermöglichen. Insbesondere werden wir Dateneigenschaften schätzen und die Art der Datenstruktur und Datenquelle insbesondere für die Kreislaufwirtschaft untersuchen. Auf diese Weise kann die Lebenszyklusinventur dazu beitragen, die Daten zu standardisieren, um sie einfacher mit strukturierten Daten vergleichen zu können, um Trends und Muster für die Speicherung von Informationen und Bewertungen zu erkennen. Diese Bewertung berücksichtigt einen Leitfaden, der die geeigneten Ansätze und Methoden zur Förderung der digitalen Transformation der Kreislaufwirtschaft auf der Grundlage moderner Datenstrukturen und Analysen bereitstellt.

Wir glauben, dass diese Bewertung und Richtlinie zu einem Eckpfeiler der zukünftigen Datenverarbeitung, Datenverwaltung und Modellierung werden wird, indem sie die Herausforderungen von Umweltdaten bei der Datenmodernisierungsübersetzung und die Richtung einer zukünftigen nachhaltigen und zirkulären Wirtschaft auf der Grundlage automatisierter, schnellerer, einfacherer und einfacherer Technologien erörtert kostengünstige Prozesse.

Innovationsgrad

KI und datengesteuertes maschinelles Lernen (ML) haben das Potenzial, ein vielversprechender Ansatz für die Erstellung genauer und robuster statistischer Modelle aus LCA-Daten zu sein, die in riesigen Mengen als Nebenprodukte und Industriesysteme gesammelt werden. Vorhandene Ökobilanzdaten werden nicht primär für KI und ML übernommen. Ohne Zugang zu geeigneten und ausreichenden Daten werden KI und ML jedoch daran gehindert, ihr volles Potenzial auszuschöpfen und letztendlich den digitalen Wandel und eine nachhaltige und zirkuläre Welt zu vollziehen. Dieses Projekt betrachtet Schlüsselfaktoren, die zu diesem Problem beitragen, untersucht, wie KI eine Lösung für die Zukunft der digitalen CE bieten kann, und beleuchtet die Datenherausforderungen und Überlegungen, die angegangen werden müssen. Das Projekt ist hochinnovativ und die Anwendung künstlicher Intelligenz und Datenaufbereitung für die Digitalisierung in den Bereichen LCA, Nachhaltigkeit und Kreislaufwirtschaft ist recht neu.

Welche Situation liegt aktuell wie vor?

Die Ökobilanz (LCA), auch Umwelt-LCA genannt, ist ein systematischer, standardisierter Ansatz zur Quantifizierung der potenziellen Umweltauswirkungen eines Produkts oder Prozesses, die von der Rohstoffgewinnung bis zum Ende der Lebensdauer auftreten. Die Methoden für die Ökobilanz werden von der International Organization for Standardization (ISO) in der Reihe 14.040 (ISO 2006a; ISO 2006b) definiert.
LCA-Ergebnisse können dabei helfen, Verbesserungsbereiche in Produktionsprozessen zu ermitteln, die strategische Planung und die Kreislaufwirtschaft oder den digitalen Produktpass (DPP) zu unterstützen.
Die Ökobilanz (LCA) ist ein datenintensiver Ansatz zur Quantifizierung der ökologischen Nachhaltigkeit, der eine Kreislaufwirtschaft und innovative Prozesse ermöglicht. Wachsende Bereiche der Datenwissenschaft wie maschinelles Lernen (ML) und künstliche Intelligenz können genutzt werden, um die Komplexität des LCA-Prozesses zu beschleunigen, Datenlücken zu schließen und sogar innovative Lösungen für Umweltauswirkungen und ein neues Kreislaufwirtschaftsdesign zu entwickeln.

Trotz dieser Vorteile steht die Quantifizierung und Verbesserung von Daten mittels LCA im Allgemeinen kritisch gegenüber linearen Kausalannahmen und konstanten Entitätsbeziehungen (International Standardization Organization, 2006a). Derzeit besteht kein Konsens darüber, ob LCA eine angemessene Quantifizierung für die weitere Digitalisierung und Anwendung von KI oder Big Data ermöglichen kann, was bedeutet, dass LCA-Daten im Allgemeinen isoliert von anderen Dimensionen durchgeführt werden, ohne die breitere Dynamik voneinander abhängiger Multidimensionen abzudecken.
Der Erfolg von KI-Systemen, gemessen in mehreren Dimensionen (z. B. Generalisierungsfähigkeit, Genauigkeit, Umfangsrelevanz), hängt entscheidend von der Qualität der Daten ab, nicht nur von ihrer Größe. Die Aufbereitung von Daten für KI- und maschinelle Lernprojekte ist ein entscheidender erster Schritt.

Datenmodernisierung und KI in der Wirtschaft geben weiterhin Anlass zur Sorge. Die potenziellen Anwendungen von KI in der Ökobilanz für CE sind zahlreich, aber welche Algorithmen nützlich sind, hängt vom Ziel, der Art der Daten und der Größe des Datensatzes ab. Für die Anwendung von KI und die weitere Weiterentwicklung der Digitalisierung ist die Übernahme bestehender Daten notwendig.

Eine neue LCA-Datenstandardisierung ermöglicht es Markt- und Branchenteilnehmern, genaue, zeitnahe und umfassende Informationen für datengesteuerte Entscheidungen zu nutzen.

Welche Bedarfe und Lösungen (aktueller Stand der Wissenschaft und Technik) liegen bei welchen Marktteilnehmern*innen vor?

Das Lebenszyklusmanagement bietet einen Rahmen für einen Systemansatz, der Unternehmen beim Übergang zu einem regenerativen Modell unterstützen kann, indem es die Materialflüsse und Auswirkungen über den gesamten Lebenszyklus eines Produkts oder einer Dienstleistung versteht und verwaltet.

Derzeit führen Lebenszyklusdaten, -prozesse und -methoden herkömmliche Datentypen und einzelne Komponenten in unterschiedlichen Strukturen von verschiedenen Herstellern aus.

Eine der größten Herausforderungen bei der Ökobilanzbewertung besteht darin, zuverlässige und repräsentative Daten für das Inventar und die Einflussfaktoren zu erhalten. Datenqualität und -verfügbarkeit hängen von vielen Faktoren ab, beispielsweise vom Umfang, den Systemgrenzen, den Datenquellen, den Datenerfassungsmethoden und den Datenvalidierungsverfahren.

Das bedeutet einen Mangel an automatisierten Systemen, Digitalisierung und Integration.

Zukünftig wird die LCA durch die Einführung von KI die Möglichkeit einer innovativen Digitalisierung haben, um die Kreislaufwirtschaft und Nachhaltigkeit zu beschleunigen. Auch hier fehlen Kenntnisse über das Datenmanagementsystem, die eine Automatisierung der Daten und Prozesse ermöglichen würden.

Weshalb sind diese vorhandenen Lösungen nicht hinreichend genug?

Den meisten KMUs und Branchen ist bekannt, dass sie sich jemals durch die Komplexität der Datenanalyse und der Bestandsaufnahme oder Bewertung von Lebenszyklusdaten behindert fühlen.

Die Sammlung zuverlässiger Daten ist ein wichtiger und zeitaufwändiger Teil der Phase der Lebenszyklusinventur (LCI). Die Automatisierung einzelner Schritte kann dazu beitragen, eine größere Menge an oder realistischerer Daten und bessere Analysen zu erhalten.

Aktuelle Ansätze zielen meist darauf ab, die Visualisierung der LCA-Ergebnisse zu automatisieren, gelten jedoch noch immer nicht als Datenmanagement- oder Datenmodernisierungsansatz.

Darüber hinaus basieren aktuelle Datenstrukturen für Ökobilanzen auf einzelnen Funktionen oder Systemen und können nicht auf KI-Technologien angewendet werden.

Was ist der Fortschritt Ihrer Idee gegenüber dem Stand von Wissenschaft und Technik?

Obwohl die Potenziale der KI vielversprechend sind und die erforderliche Technologie vorhanden ist, könnte die praktische Anwendung der KI-Digitalisierung bisher noch nicht in vollem Maße erfolgt sein. Dies könnte aufgrund verschiedener Hindernisse wie fehlender Standardisierung, begrenzter Datenverfügbarkeit, technologischer Herausforderungen und finanzieller Aufwendungen noch nicht weit verbreitet sein.

Stellen Sie sich vor, Sie könnten mühelos auf Erkenntnisse für die Kreislaufwirtschaft zugreifen, diese analysieren und extrahieren und eine Ökobilanz aus Daten durchführen, ohne auf technische IT-Experten oder Anbieter angewiesen zu sein. Was wäre, wenn es eine Möglichkeit gäbe, Ihren Wissensbedarf mit genauen Daten schnell in umsetzbares Wissen umzuwandeln und gleichzeitig die Entscheidungsfindung zu beschleunigen?

Die Datenmodernisierung und der Einsatz von KI in der Ökobilanzierung stellen eine Abkehr von herkömmlichen Methoden des Datenzugriffs und der Datennutzung dar. Es ermöglicht jedem Unternehmen, unabhängig auf komplexe Datensätze zuzugreifen, diese zu bearbeiten und Erkenntnisse daraus zu extrahieren. oder um Modelle und Algorithmen zu verpacken, bereitzustellen und zu verwenden, die für die Kreislaufwirtschaftsziele der gesamten Organisation erstellt wurden.

Welche themenverwandten Standards, technische Regeln, Normenausschüsse, Gremien, Foren und Konsortien sind Ihnen bekannt bzw. existieren bereits?

SO/IEC TS 4213:2022-Information technology — Artificial intelligence — Assessment of machine learning classification performance

ISO/IEC DIS 5259-1-Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 1: Overview, terminology, and examples

ISO/IEC DIS 5259-2-Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 2: Data quality measures

ISO/IEC DIS 5259-3-Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 3: Data quality management requirements and guidelines

ISO/IEC DIS 5259-4-Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 4: Data quality process framework

ISO/IEC CD 5259-5-Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 5: Data quality governance

ISO/IEC CD TR 5259-6-Artificial intelligence — Data quality for analytics and machine learning (ML) — Part 6: Visualization framework for data quality        

 ISO/IEC FDIS 5338-Information technology — Artificial intelligence — AI system life cycle processes

ISO/IEC FDIS 5339-Information technology — Artificial intelligence — Guidance for AI applications

ISO/IEC DIS 5392-Information technology — Artificial intelligence — Reference architecture of knowledge engineering

ISO/IEC CD TS 6254-Information technology — Artificial intelligence — Objectives and approaches for explainability of ML models and AI systems

ISO/IEC 8183:2023-Information technology — Artificial intelligence — Data life cycle framework

ISO/IEC CD TS 8200-Information technology — Artificial intelligence — Controllability of automated artificial intelligence systems      

 ISO/IEC AWI TR 20226-Information technology — Artificial intelligence — Environmental sustainability aspects of AI systems

ISO/IEC TR 20547-1:2020-Information technology — Big data reference architecture — Part 1: Framework and application process

ISO/IEC TR 20547-2:2018-Information technology — Big data reference architecture — Part 2: Use cases and derived requirements

ISO/IEC 20547-3:2020-Information technology — Big data reference architecture — Part 3: Reference architecture

ISO/IEC TR 20547-5:2018-Information technology — Big data reference architecture — Part 5: Standards roadmap

ISO/IEC 23053:2022-Framework for Artificial Intelligence (AI) Systems Using Machine Learning (ML)

ISO/IEC 23894:2023-Information technology — Artificial intelligence — Guidance on risk management

ISO/IEC TR 24027:2021-Information technology — Artificial intelligence (AI) — Bias in AI systems and AI aided decision making

ISO/IEC 24668:2022-Information technology — Artificial intelligence — Process management framework for big data analytics

Beschreibung der Vorarbeiten: Welche Vorarbeiten sind vor einer möglichen Standardisierung Ihrer Idee noch zu leisten und mit welchem zeitlichen Faktor rechnen Sie hierbei?

Welchen Zusammenhang gibt es zwischen Ihrer Idee und dem DIN-Connect Themenschwerpunkt?

Nutzen und Ziele

Welches Ziel verfolgen Sie mit Ihrer Idee?

Welchen Nutzen generiert Ihre Innovation für welche Zielgruppen?

Wer profitiert von Ihrer Idee und dem daraus entwickeltem Standard?

Wie werden die Ergebnisse nach Projektabschluss verwertet?

Skizzieren Sie bitte die europäische/internationale Bedeutung

Skizzieren Sie bitte die Markt- und gesellschaftliche Relevanz

Kompetenzen und Ressourcen

Standardisierungsscope/Anwendungsbereich