Der Demonstrator simuliert einen mit zwei Fenstern ausgestatteten Raum und liefert lüftungsbezogene Umweltdaten über ein Sensorarray als Zeitreiheninformationen. Die Erfassung und Steuerung übernimmt ein ESP Mikrocontroller, der mit zwei Gassensoren ausgestattet ist. Die Sensoren ermöglichen die Messung der Luftfeuchte, des Luftdrucks, der Temperatur, der flüchtigen organischen Verbindungen (VOCs), sowie des CO2 Gehalts. Der Demonstrator liefert Daten aus denen der aktuelle Lüftungsstatus mit verschiedenen KI-Algorithmen vorhergesagt werden kann. Ziel ist es, den Zustand der Fenster zu erkennen und festzustellen, ob gelüftet wird, um entsprechende Lüftungsempfehlungen zu geben.
Siehe [CBG+24] für weitere Informatiuonen zum Lüftungsdemonstrator.
In einem Fallbeispiel zur Bilderkennung liefert eine einfache Webcam Bilder von einem Durchlaufregal mit einer unterschiedlichen Anzahl von Behältern in jeder Bahn. Da sich die Behälter nach dem Einsetzen in eine Bahn vorwärts bewegen, kann die Anzahl der Behälter auf der Rückseite des Regals bestimmt werden. Um unterschiedliche Bahngrößen und Kamerawinkel zu analysieren wurden die Bilder des gesamten Regals in kleinere Ausschnitte unterteilt, die nur eine einzelne Bahn zeigen. Mittels verschiedener KI-Systeme kann die Anzahl der Behälter in jeder Bahn ermittelt werden.
In einem weiteren Anwendungsfall wurden die Energieeffizienz von Natural Language Processing (NLP)-Modellen anhand eines BERT-Modells für Sentimentanalyse untersucht. Ziel war es, herauszufinden, wie sich verschiedene Batch-Größen und Datenmengen auf den Energieverbrauch und die Modellleistung auswirken. Hierfür haben wir das Stanford IMDB Large Movie Review Dataset mit 50.000 Texten verwendet und das BERT-Modell für die Sentimentanalyse eingesetzt.
Ergebnisse beider Demonstratoren wurden in im Beitrag [BCG+25] veröffentlicht.
Ein Demonstrator zur Erzeugung und Analyse von akustischen Signalen genutzt werden. Ziel ist es den Füllstand eines Behälters durch akustische Schallwellen zu bestimmen. Die zentrale Einheit, die am Deckel montiert wird, beherbergt einen Mikrocontroller, der mit einem Summer akustische Signale erzeugen und die reflektierten Schallwellen mit einem Mikrofon aufzeichnen kann. Die Aufzeichnung beginnt, bevor über den Summer ein moduliertes, akustisches Sinussignal ausgegeben wird. Dadurch können auch Umgebungsgeräusche für die Geräuschreduzierung erfasst werden. Das Verfahren ermöglicht die Berechnung der Impulsantwort des Raums. Zur Datenverarbeitung wird ein Raspberry Pi eingesetzt.
Eine detailliertere Beschreibung ist auf der Seite des Demonstrators oder der zugehörigen Publikation [CBU+24] zu finden.
Der Aufbau besteht aus einem Deep Learning Server (AMD Ryzen Threadripper PRO 7965WX, 4 NVIDIA RTX 6000 ”Ada”, mit je 48 GB GRAM, 2000 W 80+ Platinum Netzteil), einem modularen Leistungsmessgerät (Janitza UMG 800 mit CT8LP), sowie einem Utility Server, der beispielsweise Agentensysteme, Umgebungssimulationen, Datenbanken zur Aufzeichnung der Messwerte, Performanz und Logdateien, sowie Tools wie "Langfuse" bereitstellt. Dadurch wird eine End-to-End-Trace-Erfassung von Inferenzanforderungen, gestreamten Antworten, Fehlerereignissen, Latenzausfällen und dem Verbrauch auf Token-Ebene für detaillierte Performanz- und Verbrauchsanalysen ermöglicht.
Der Aufbau wurde beispielsweise zur Bewertung des Trade-offs von Energieeffizienz und Leistungs quantisierter LLM-Agenten, sowie zur Ableitung und Evaluation von neuen Metriken eingesetzt. Die Ergebnisse sind im Beitrag [WGB+25] veröffentlicht. Darüber hinaus wurde und wird der Server zur Messung der Energieverbräuche von Modellen zur Text-, Bild- und Videogenerierung genutzt.
Dieser Anwendungsfall konzentriert sich auf die Entwicklung einer energieeffizienten Datenanalyse-Pipeline für temperaturmodulierte Metalloxid-Sensoren (MOX-Sensoren), die zur Klassifizierung von Gasgemischen aus Wasser, Alkohol und Essigsäure verwendet werden. Das primäre Ziel besteht darin, eine zuverlässige Klassifizierungsleistung zu erzielen und gleichzeitig die Rechenkomplexität und den Energieverbrauch zu minimieren, sodass die Lösung für den Einsatz auf kostengünstigen und ressourcenbeschränkten Geräten geeignet ist. Dynamische Sensorwiderstandssignale werden durch Anlegen zyklischer Temperaturprofile an den MOX-Sensor erzeugt. Diese Zeitreihendaten werden mit einer Reihe von mathematischen und maschinellen Lernverfahren verarbeitet, darunter statistische Methoden, signalverarbeitungsbasierte Transformationen und neuronale Netze. Der Ansatz bewertet systematisch, wie verschiedene Strategien zur Merkmalsextraktion und -transformation die Klassifizierungsqualität und den Rechenaufwand beeinflussen. Ein wichtiger Aspekt dieses Anwendungsfalls ist die explizite Messung und der Vergleich von Laufzeit und Energieverbrauch neben der Vorhersagegenauigkeit. Dies ermöglicht eine transparente Bewertung der Kompromisse zwischen Modellleistung und Ressourcennutzung. Die Ergebnisse zeigen, dass sorgfältig ausgewählte leichtgewichtige Methoden eine vergleichbare Klassifizierungsgenauigkeit bei deutlich geringerem Energiebedarf erzielen können, was praktische Anwendungen in der IoT-basierten Gasmessung, in tragbaren Überwachungssystemen und in energiebewussten Sensornetzwerken unterstützt.
Die Demonstratoren und Fallbeispiele sind im Green Software Engineering-, bzw. im KI-Labor an der Hochschule, sowie beim Kooperationspartner BITO-Campus aufgebaut.
Sie verlassen die offizielle Website der Hochschule Trier
