الذكاء الاصطناعي الغوص العميق: كيف تغير الذكاء الاصطناعي ، وماذا يعني ذلك بالنسبة لقطاع المياه؟

هذه المقالة مأخوذة من ورقة “الذكاء الاصطناعي وإدارة المياه – ما هي المرافق التي تحتاج إلى معرفتها الآن”. ستجد الورقة الكاملة هنا.

إذا كنت ترغب في فهم الفرص والحواجز التي تحول دون استخدام صناعة المياه الذكاء الاصطناعي ، فمن المفيد أن تفهم كيف يعمل الذكاء الاصطناعي ، وكيف تغير مؤخرا ، وأين نحن الآن مع التكنولوجيا (ولماذا هذا مهم).

أولا ، “الذكاء الاصطناعي (الذكاء الاصطناعي)” هو مصطلح واسع يشمل مجالات وتطبيقات مختلفة. يعرف البعض الذكاء الاصطناعي على نطاق واسع على أنه قدرة الكمبيوتر على تقليد التعلم البشري وحل المشكلات. يعتقد آخرون أن الذكاء الاصطناعي فرع من فروع العلوم عند تقاطع علوم الكمبيوتر وعلم الأعصاب ، لأنك تحتاج إلى فهم كيف يفكر البشر في أن يكون الكمبيوتر يحاكي عملية التفكير البشري.

اليوم ، معظم الذكاء الاصطناعي هو الذكاء الاصطناعي الضيق (ANI) ، ويسمى أيضا “الذكاء الاصطناعي الضيق” ، لأنه يركز فقط على حل مهمة أو مشكلة معينة. على سبيل المثال ، في قطاع المياه ، نستخدم رؤية الكمبيوتر ، وهو مجال الذكاء الاصطناعي يحلل الصور والفيديو ، مما يسرع بشكل كبير عملية قائمة حيث يقوم الأشخاص بفحص لقطات من كاميرات الدوائر التلفزيونية المغلقة (CCTV) لتحديد العيوب في الأنابيب. يمكن اعتبار رؤية الكمبيوتر لهذا الغرض الذكاء الاصطناعي ضيقة لأنها تحتاج فقط إلى أن تكون قادرة على معرفة الفرق بين الأنبوب النظيف أو الأنبوب به عيب أو شيء ما في الأنبوب ، مثل قطعة قماش أو. لا يجب أن تكون ذكية جدا. إنه ذكاء ضيق نسبيا. وهذا إلى حد ما حيث كنا حتى اليوم مع الذكاء الاصطناعي – معظم تطبيقات الذكاء الاصطناعي تستخدم الذكاء الاصطناعي الضيق.

صورة CCTV تظهر الراكون في الأنابيب

نحن ندخل ببطء في ما يسمى الذكاء الاصطناعي العام (AGI) ، والذي يشار إليه أحيانا باسم “الذكاء الاصطناعي العام”. يشير AGI إلى أنظمة الذكاء الاصطناعي القادرة على أداء مجموعة واسعة من المهام الفكرية التي ترتبط عادة بالذكاء البشري ، مثل التفكير وحل المشكلات والتعلم والإدراك.

على الرغم من إحراز تقدم كبير في تطوير أنظمة الذكاء الاصطناعي في السنوات الأخيرة ، إلا أننا بدأنا للتو في تحقيق AGI الحقيقي. يجادل البعض بأن روبوتات المحادثة والمركبات ذاتية القيادة هي AGIs لأنها مبرمجة للاستجابة للمحفزات ، على عكس الذكاء الاصطناعي الضيقة ، التي يتعين عليها فقط الإبلاغ عن شيء لا يتناسب مع نمط وتنبيه الإنسان للتدخل.

إذا رأت مركبة ذاتية القيادة ذاتية القيادة ، على سبيل المثال ، شخصا مصابا في منتصف الطريق ، فعليها أن تقرر القيام بشيء ما ، وقرارها حاسم المهمة. في حين أن القيادة حول الشخص المصاب قد تكون حلا ، إلا أنها ليست الأفضل. في الوقت نفسه ، لن يكون AGI AGI AGI إذا كان كل ما يعرفه هو تنبيه شخص ما ويسأل ، ماذا أفعل الآن؟ يجب أن تدرك المشكلة وتتعامل معها على الفور عن طريق التوقف أو الانحراف عن الطريق أو بعض الاستجابة الأخرى. إنه أمر حيوي لعمل السيارة بنجاح ، وإذا فشلت الذكاء الاصطناعي ، فإنها تؤثر سلبا على المجتمع.

الذكاء الاصطناعي الفائق (ASI) ، الذي يشار إليه أيضا باسم “Super الذكاء الاصطناعي” ، يأتي بعد AGI. هذا هو نوع الذكاء الاصطناعي التي قد تختار أن تقلق بشأنها ، لكن لا داعي للقلق بشأنها الآن ، لأننا لسنا قريبين من هذا النوع من الذكاء الاصطناعي. Super الذكاء الاصطناعي هو إلى حد كبير شكل مستقبلي افتراضي للذكاء الاصطناعي المتسامي. إنه يفوق الذكاء البشري ، إنه مدرك لذاته ، ويمكنه التفكير بمفرده. لا يوجد مثال واقعي على الذكاء الاصطناعي الفائقة ، ولكن يمكنك النظر إلى Skynet من امتياز Terminator المحبوب إذا كنت تريد التفكير في القوة والمخاطر المحتملة ل ASI الخيالي. مرة أخرى ، نحن لسنا قريبين من هذا النوع من الذكاء الاصطناعي ، وقد لا نحققه (أو نريد القيام بذلك).

كيف يتعلم الذكاء الاصطناعي ، وكيف يختلف الذكاء الاصطناعي اليوم عن الماضي؟

لا يمكننا التحدث عن تقدم الذكاء الاصطناعي في صناعة المياه ، أو بشكل عام ، دون الحديث عن التعلم الآلي. يتعلم الذكاء الاصطناعي من خلال التعلم الآلي. هناك العديد من أنواع التعلم الآلي ، ولكن اليوم الأكثر شيوعا هي الشبكات العصبية الاصطناعية (ANN) ، وهي عملية تحاول تقليد الطريقة التي يتعلم بها البشر. ANN هي طبقات من عقد المعالجة المرتبطة التي تحاكي الطريقة التي يعمل بها الدماغ البشري. تتطلب شبكة ANN الأساسية بضع طبقات فقط من عقد المعالجة (ANN الصغيرة). يعتبر هذا النوع من الذكاء الاصطناعي “غير عميق” وهو محدود لأنه يتطلب تدخلا بشريا للتعلم من أخطائه.

التعلم الآلي (ML) مقابل التعلم العميق (DL)

على سبيل المثال ، في قطاع المياه ، نستخدم رؤية الكمبيوتر لتسريع عملية قائمة بشكل كبير حيث يقوم الأشخاص بفحص لقطات الدوائر التلفزيونية المغلقة من أنابيب الصرف الصحي لتحديد عيوب الأنابيب. الآن ، لنفترض أن الذكاء الاصطناعي يعتمد على نموذج ANN الأساسي “قيد التدريب” لتحديد العيوب في الأنابيب. يمكن تحسين هذا الذكاء الاصطناعي “غير العميق” من خلال مطالبة مشرفه البشري بتصنيف اللقطات التي لا يمكنه تصنيفها ، مثل كيس بلاستيكي في أنبوب. قد يرى كيسا بلاستيكيا ، على سبيل المثال ، وسوف يسأل مشرفه البشري ، ما هذا؟ ثم يقوم الإنسان بترميز الشيء على أنه “حطام قابل للطفو”. كما يتعلم الذكاء الاصطناعي ، قد يستمر في مطالبة مشرفه البشري بالرموز عندما يرى مواد عائمة مختلفة. ولكن في نهاية المطاف، سيرى الذكاء الاصطناعي ما يكفي من المواد العائمة التي تتوقف عن طلب الدعم، لأنها تعلمت كيفية التعرف على كيس بلاستيكي دون مزيد من التدخل البشري.

ومع ذلك ، في هذه الأيام ، لدينا الذكاء الاصطناعي تستخدم شبكة ANN أكثر تقدما. هذا نوع متقدم من التعلم الآلي يسمى التعلم العميق. وعلى عكس التعلم الآلي الكلاسيكي ، لا يتطلب التعلم العميق تدخلا بشريا للتعلم. لديها القدرة على تحسين نفسها من خلال التعلم من أخطائها. ولكن هذا هو الشيء: يتطلب التعلم العميق كميات هائلة من بيانات التدريب وقوة المعالجة والوقت للتعلم من أجل تحقيق نتائج دقيقة. تستخدم النماذج الأحدث من الذكاء الاصطناعي الصرف الصحي التعلم العميق.

النقطة المهمة هي أن الذكاء الاصطناعي يجب أن يتعلم أولا باستخدام التعلم الآلي ، سواء كان الذكاء الاصطناعي يعتمد على نموذج ANN أساسي أو نموذج تعلم عميق. وبينما تتعلم ، سوف ترتكب أخطاء ، وتتعلم من أخطائها ، بتدخل بشري أو بدون الاعتماد على نوع التعلم الآلي الذي يستخدمه الذكاء الاصطناعي.

ولكن على عكس البشر ، عندما يرتكب الذكاء الاصطناعي خطأ ويتم تصحيح هذا الخطأ ، يجب ألا يرتكب نفس الخطأ مرة أخرى. وهذا أمر مهم عند النظر في الفرص التي يواجهها قطاع المياه في تطوير واعتماد حلول الذكاء الاصطناعي.

لأن البشر يتعبون. يمرضون. ينسون. يتقاعدون ويأخذون خبرتهم التي اكتسبوها بشق الأنفس معهم. لا يمتلك البشر القدرة على نقل التجربة إلى “الإصدار” التالي من المشغل ، بينما يقوم الذكاء الاصطناعي بذلك افتراضيا.

سيستمر المشغلون الجدد في ارتكاب الأخطاء في كل جيل حتى يكتسب كل جيل الخبرة ، لكن الذكاء الاصطناعي لن يفعل ذلك بعد أن يتعلم من أخطائه. وهذا يمثل فرصة في قطاع المياه لأنه إذا سمحنا لهذه الحلول الذكاء الاصطناعي بالتعلم من أخطائها والتحسن بشكل متزايد ، فإن المعرفة المحسنة من خلال التعاون مع البشر يمكن أن تتوسع لتشمل جميع الذكاء الاصطناعي في صناعة المياه وخارجها.

العوائق التي تحول دون تبني الذكاء الاصطناعي في قطاع المياه

على الرغم من أن أجهزة الكمبيوتر أصبحت الآن سريعة بما فيه الكفاية وهناك المزيد والمزيد من البيانات لتوظيف الذكاء الاصطناعي التعلم العميق في قطاع المياه والتي ستغير بشكل جذري كيفية عمل الصناعة ، إلا أن الصناعة تواجه حواجز فريدة أمام تبني التكنولوجيا الجديدة. أولا ، صناعة المياه مدفوعة بقوة بالتنظيم بدلا من الربح. ثانيا ، يتعامل القطاع مع مورد يحافظ على حياة الإنسان وصحته ولهذا السبب فهو يتجنب المخاطرة. وسيتعين التغلب على هاتين الخاصيتين لتيسير اعتماد الذكاء الاصطناعي في قطاع المياه.

أولا، للضغوط التنظيمية تأثير قوي على التكنولوجيا التي يتبناها قطاعنا. على سبيل المثال ، كانت النماذج الهيدروليكية هيكلية للغاية ، ولكن عندما فرضت وكالة حماية البيئة الأمريكية (EPA) على المرافق مراقبة بقايا الكلور في الأنظمة ، وأعطت المرافق خيار استبدال نتائج النموذج بالملاحظات الميدانية ، فجأة ، انفجرت تقنية نمذجة جميع الأنابيب ، والتي أصبحت مفيدة أيضا بطرق أخرى.

لا نعرف ما هي اللوائح التي ستظهر والتي قد تدفع القطاع نحو تبني حلول أكثر الذكاء الاصطناعي. على سبيل المثال ، قد تكون هناك متطلبات للمرافق لتحسين تكاليف الطاقة الهائلة. تقدر وكالة حماية البيئة أن أنظمة مياه الشرب ومياه الصرف الصحي تستخدم اثنين في المائة من إجمالي استخدام الطاقة في الولايات المتحدة ، مما يولد 45 مليون طن من غازات الدفيئة سنويا. قد تدفع اللوائح التي تتطلب من المرافق تحسين استخدامها للطاقة القطاع إلى تبني تقنيات الذكاء الاصطناعي بشكل أسرع ، لأن هذه التقنيات الذكاء الاصطناعي يمكن أن تساعد في حل تحديات استخدام الطاقة.

ثانيا، يمكن الذكاء الاصطناعي أن ترتكب أخطاء، وسوف ترتكب أخطاء، وهذه الحقيقة تصطدم بنفور قطاع مرافق المياه من المخاطرة. وهذا يعني أنه بدلا من أن يسمح قطاع المياه الذكاء الاصطناعي بالقفز واتخاذ القرارات بالسرعة التي رأيناها مع السيارات ذاتية القيادة ، على سبيل المثال ، من المرجح أن يتخذ القطاع نهجا أبطأ. من المحتمل أن يكون الأمر أشبه بالتعاون بين الذكاء الاصطناعي والبشر في قطاع المياه ، بدءا من الذكاء الاصطناعي تقديم الاقتراحات وتقديم دعم القرار.

بدلا من السيارات ذاتية القيادة بالكامل ، ستوفر Water الذكاء الاصطناعي تحكما سلسا في التطواف سيوفر أيضا اقتراحات للمشغلين يمكنها تحسين عملية صنع القرار.

وهنا يأتي دور “التوائم الرقمية”. في صناعة المياه ، التوأم الرقمي هو نسخة رقمية طبق الأصل من أصول المرافق والأداء ، مثل شبكة نظام المياه. يمكن للتوأم الرقمي استخدام تطبيقات التعلم الآلي ، بحيث يمكن للمهندسين والمشغلين اختبار نتائج القرارات قبل اتخاذ تلك القرارات في العالم الحقيقي.

في النهاية ، سيشعر قطاعنا بالراحة مع الذكاء الاصطناعي الاقتراحات للسماح له باتخاذ قرارات أكثر تأثيرا. لدينا بالفعل أجهزة استشعار تعمل على تشغيل وإيقاف المضخات ، على سبيل المثال. مع الذكاء الاصطناعي ، يمكننا أن نكون أكثر ذكاء عند استخدام طاقة المضخة. وهذا لا يعني بالضرورة أن وظائف المرافق ستختفي. بدلا من ذلك ، سيقوم مشغلو المرافق الذين يفتقرون إلى الوقت والموارد بتسليم المهام الشاقة إلى الذكاء الاصطناعي يثقون به ، حتى يتمكنوا من التركيز بشكل أفضل على الجوانب الأخرى من أعباء العمل الثقيلة التي تتطلب ذكاء بشريا.

#QatiumExperts

يتم إنشاء Qatium بالاشتراك مع خبراء وقادة الفكر من صناعة المياه. نقوم بإنشاء محتوى لمساعدة المرافق من جميع الأحجام لمواجهة التحديات الحالية والمستقبلية.

ساشا توميتش ، قائد المياه الرقمية في Burns and McDonnell ، هو مستشار Qatium.