Skip to main content

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

لقد حان الوقت لقرع الجرس وحشد صناعة المياه حول نماذج وأدوات الذكاء الاصطناعي التي تغير قواعد اللعبة ، أو المخاطرة بالتخلف عن الركب. أحدث تكرار لنموذج اللغة الكبيرة (LLM) GPT-4 (المحول التوليدي المدرب مسبقا 4) ، الذي تم إصداره مؤخرا بعد GPT-3 ، قد بشر ب ثورة الذكاء الاصطناعي التوليدية. GPT-4 متعدد الوسائط لأنه يمكنه تلقي مطالبات نصية وصور كإدخال (إصدار محدود فقط). بالنسبة لمدخلات الصورة ، سيحاول GPT-4 فهم محتويات الصورة. من الغريب أن نرى قوة هذا LLM متعدد الوسائط. غالبا ما يكون عدد المعلمات في LLM مقياسا لحجمها وتعقيدها. يستخدم LLM ، وتلك المماثلة له ، مئات المليارات إلى تريليونات من المعلمات. كما يستخدم مزيجا من تقنيات التدريب التي يشرف عليها الإنسان وغير الخاضعة للإشراف للحصول باستمرار على أفضل وأكثر دقة.

تختلف هذه LLM عن القدرات اللغوية القياسية التي اعتدت الحصول عليها من شيء مثل Alexa أو Siri. قدرتها المتقدمة على العمل مع اللغة الطبيعية والصور تجعلها مرنة للغاية وقابلة للتكيف. لا يمكن فقط حثهم بلغة واضحة على إنتاج نص مكتوب يشبه الإنسان ، بل يمكن لهذه النماذج أيضا تعلم سلوكيات جديدة ببساطة عن طريق تغذيتها ببيانات تدريب جديدة والبناء عليها لتطبيقات جديدة. يشار إلى هذا أحيانا باسم تدريب بيانات الميل الأخير للنموذج لعمودي معين ، متبوعا بتدريب من نوع الضبط الدقيق.

بينما يمكن ل ChatGPT ، وهو روبوت محادثة ، إنشاء نص يشبه الإنسان من مطالبات اللغة الطبيعية والصور ، يستخدم DALL-E-2 نفس نموذج لغة GPT-4 لإنشاء صور من مطالبات اللغة الطبيعية. DALL-E-2 هو نموذج الذكاء الاصطناعي قائم على الشبكة العصبية تم تطويره بواسطة OpenAI قادر على توليد صور عالية الجودة من الأوصاف النصية. على عكس نماذج توليد الصور التقليدية التي تعتمد على مجموعة بيانات موجودة مسبقا من الصور ، يستخدم DALL-E-2 مزيجا من تقنيات التعلم العميق ومعالجة اللغة الطبيعية (NLP) لإنشاء صور أصلية من المدخلات النصية.

ولدت DALL-E-2 هذه الصورة الأصلية في بضع ثوان من موجه بسيط بلغة بسيطة "شبكة أنابيب ثلاثية الأبعاد على شكل روبوت".

هذه ليست سوى البداية. في حين أن هذه النماذج قادرة على الكثير من التعقيد في الوقت الحالي ، سيتم إصدار تكرارات مستقبلية أكثر قوة وتطورا في النهاية. يعتمد نموذج GPT-3 على 175 مليار معلمة ، على سبيل المثال ، وعلى الرغم من أنه ليس من الواضح في وقت النشر عدد المعلمات التي يمتلكها GPT-4 ، يتوقع البعض أن تستخدم LLMs الأخرى ما يصل إلى تريليون من المعلمات. لذا ، في حين أن نماذج اللغة هذه قوية الآن ، إلا أنها ستتحسن فقط ، مما يجعل المرء يتساءل ، ماذا يمكنهم أن يفعلوا أيضا؟

ولهذا السبب يجب أن تقفز صناعة المياه الآن ، لأن الذكاء الاصطناعي الأدوات سيكون لها تأثيرات مختلفة اعتمادا على المجال الذي تم تطويرها من أجله والبيانات التي يتم تدريبها عليها. من أجل أن يكون لهذه النماذج تطبيق عميق وحقيقي في صناعة المياه ، فإنها تحتاج إلى بيانات وذكاء خاص بالصناعة.

نحن بحاجة إلى البدء في النظر إلى ما يمكن أن نسميه “الميل الأخير من البيانات” في صناعة المياه. إنه المكان الذي نحصل فيه على بيانات ومفاهيم محددة للغاية في صناعتنا ، حتى نتمكن من البدء في تدريب هذه النماذج ، والأشخاص الذين يستخدمونها ، للمساعدة في مواجهة التحديات الفريدة لقطاع المياه. تعد البيانات الكبيرة والمتنوعة والتمثيلية التي تعكس بدقة صناعة المياه أمرا أساسيا لهذه الذكاء الاصطناعي لتكون مفيدة للصناعة. نحن بحاجة إلى تعليم هذه النماذج المفردات المتخصصة والمصطلحات والبيانات ذات الصلة والمفاهيم الفريدة لقطاع المياه.

لأنه كما نوقش
هنا
، فإن أحد التحديات المتعلقة بدقة هذه LLMs الأحدث هو أنها تتأثر ببياناتها وتحيزاتها التدريبية. نموذج GPT-4 ، على سبيل المثال ، يتعلم من كل من البيانات النصية والتعزيز من البشر ، باستخدام تقنية تسمى التعلم المعزز من ردود الفعل البشرية

(FLHF). تعمل هذه التقنية على ضبط نموذج خط الأساس باستخدام التغذية الراجعة البشرية لتوجيه عملية تعلم الذكاء الاصطناعي. ومع ذلك ، قد لا تكون البيانات والأشخاص المشاركين في تدريب النموذج ممثلين للمستخدمين النهائيين المحتملين ، ويمكن أن يؤثر ذلك على أنواع النتائج التي تنتجها هذه النماذج.

هناك مشاكل أخرى مع هذه النماذج. على سبيل المثال ، يمكن لنموذج ChatGPT هلوسة، مما يمنحك إجابات خاطئة تبدو سليمة منطقيا. كما أنها ليست كذلك الذكاء الاصطناعي قابلة للتفسير، مما يجعله شيئا من الصندوق الأسود حيث لا نفهم كيف يتعلق الأمر بإجاباته. نحن بحاجة إلى أشخاص لديهم معرفة بالصناعة لاختبار هذه النماذج للتأكد من دقتها والإشراف عليها لضمان توافق النماذج مع قطاعنا.

تخيل ما يمكن أن يحدث إذا قامت المرافق في جميع أنحاء العالم بتجميع بيانات عداداتها بالساعة مجهولة المصدر للمساعدة في تدريب هذه النماذج الذكاء الاصطناعي الجديدة والاستفادة منها لقطاعنا. مع مجموعة بيانات عدادات عالمية هائلة ، على سبيل المثال ، قد يكون من الممكن توفير مفهوم العدادات الافتراضية للمرافق التي قد لا تملك الموارد اللازمة لتثبيت ونشر عدادات AMI. يمكن أن تكون العدادات الافتراضية بمثابة مدخلات بيانات قوية لجميع أنواع التحليلات التشغيلية ، بما في ذلك التوائم الرقمية. من خلال التعاون في بيانات الميل الأخير لقطاع المياه ، يمكن للمرافق استخدام قوة الذكاء الاصطناعي لخلق فهم أكثر شمولا لاستخدام المياه وأنماطها ، والتي يمكن أن تفيد استراتيجيات إدارة المياه الأكثر فعالية وتؤدي إلى نتائج أفضل للعملاء والبيئة.

هذه فرصة للجميع في قطاع المياه ، من شركات المياه المبتكرة إلى مشغلي المرافق الذين لديهم عقود من المعرفة الضمنية (بما في ذلك بعض الذين هم على وشك التقاعد وأخذ هذه المعرفة معهم) ، للتعاون معا على مستوى العالم وإدخال سياق صناعة المياه والإشراف والبيانات إلى هذه النماذج ، حتى يتمكن المبتكرون في قطاعنا من تطوير ودمج حلول الذكاء الاصطناعي مخصصة للمعرفة والأهداف المحددة لصناعة المياه لصالح جميع المرافق ، الكبيرة والصغيرة.

إضفاء الطابع الديمقراطي على الفرص الذكاء الاصطناعي للمرافق من جميع الأحجام ؛ ليس بديلا عن العمل

بالنسبة للمرافق الأصغر ، أو المرافق ذات الموارد المحدودة ، قد تبدو هذه التطورات الجديدة في الذكاء الاصطناعي شاقة أو بعيدة المنال. لكن في الواقع ، تعمل نماذج اللغة الجديدة هذه على إضفاء الطابع الديمقراطي على التكنولوجيا الذكاء الاصطناعي لأن الناس لا يضطرون إلى تغيير عاداتهم بشكل كبير أو التدريب على برنامج جديد تماما لمعرفة الفوائد. إنها تسمح للناس بالوصول إلى قوة الذكاء الاصطناعي دون الحاجة إلى المعرفة والمهارات المتخصصة – كل ما تحتاجه هو لغة واضحة وقليل من الإبداع للحصول على الذكاء الاصطناعي لإنتاج ما تحتاجه (يمكن أن تكون الهندسة السريعة محورا مثيرا للاهتمام لقطاع المياه).

فرص التلخيص مع هذه الأدوات وحدها تحمل تطبيقات مفيدة في العمل اليومي. تخيل تغذية جميع أنواع بيانات المرافق في مساعد الذكاء الاصطناعي مفيد يمكنه بعد ذلك إعطائك رؤى بلغة بسيطة حول البيانات في ثوان. حتى قبل تحليل البيانات ، يمكن أن تساعد هذه النماذج غير الخبراء في كتابة عينة جيدة من التعليمات البرمجية لاستخراج المعلومات ذات الصلة ، مثل متوسط استهلاك المياه ، أو أنواع مختلفة من قراءات الضغط ، أو بيانات جودة المياه. قد يكون قادرا على مساعدة قطاعنا في معالجة البيانات التي لم يتم تنظيفها بعد ، أو حتى إخبارنا بما يجب أن يحدث من أجل معالجة البيانات مسبقا.

 

يمكن أن تكون مشغلا في أداة صغيرة جدا لديها الكثير من الخبرة وتعلم أن لديك تسربا لأنك سمعته ولكنك بحاجة إلى مزيد من المعلومات حوله. تفتح نماذج اللغة الجديدة هذه الباب أمام مشغلي المرافق الذين يستخدمون اللغة الطبيعية للتواصل مع نموذج الذكاء الاصطناعي وتجربة أنواع الأفكار التي يمكن أن يقدمها لك. ربما يمكن أن يقترح البيانات التي تحتاجها لفهم المشكلة بشكل أفضل ، مثل وجود مساعد بيانات. وبهذا المعنى ، فإن نماذج الذكاء الاصطناعي هذه ليست بديلا عن العمل ولكنها شراكة مع الذكاء الاصطناعي لأنها ببساطة لا تملك الخبرة الواقعية والخبرة الضمنية التي يمتلكها البشر في قطاع المياه.

في حين أن هناك الكثير من البيانات بالفعل للبدء في تجربة وتدريب هذه النماذج لقطاع المياه ، هناك أيضا “البيانات كخدمة” (DAAS – انظر منتدى SWAN

لمزيد من المعلومات حول هذا الموضوع) بدأت النماذج في الظهور لسد الفجوة بالنسبة للمرافق الصغيرة التي قد تفتقر إلى البيانات والموارد والقدرات والخبرة لجمع البيانات التي تحتاجها للحصول على إجابات عالية الجودة من الذكاء الاصطناعي. تتحمل نماذج الأعمال الجديدة هذه مسؤولية الحصول على أجهزة الاستشعار المناسبة للمشاكل والمواقع الصحيحة بالإضافة إلى إعداد اتصالات البيانات وتنظيف البيانات والتحليلات حتى تتمكن الأداة من التركيز على الاستفادة من البيانات. يمكن لهذا المزيج من البرامج والخدمات أن يجلب أي أداة صغيرة على متن الطائرة مع فوائد هذه التقنيات بسرعة كبيرة.

لا ينبغي أن يخاف قطاع المياه من الاختبار واللعب وتجربة أدوات الذكاء الاصطناعي الجديدة هذه لمعرفة كيف يمكن أن تعمل من أجلهم. من المدن الصغيرة إلى المدن الكبرى ، ومن الموظفين الميدانيين إلى المديرين التنفيذيين ، يمكن للمرافق القفز والبدء في اللعب والابتكار والتعلم ، حتى مع الحد الأدنى من البيانات ، كيف يمكن الذكاء الاصطناعي أن تجعل وظائفهم أسهل.

أخيرا ، هذه دعوة لجميع مصادر الخبرة والمعرفة العميقة في صناعة المياه – مشغلي المرافق والمديرين والمهندسين والعلماء والأكاديميين – للمساهمة بمعرفتهم المتخصصة في التعلم الآلي من أجل تطوير نتائجها الذكية واستكشاف كيف يمكن لهذه LLMs اتخاذ القرارات في قطاع المياه بشكل أفضل.

#QatiumExperts

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

جيجي كرموس إدواردز، خبيرة التوأم الرقمي لقطاع المياه ومستشارة في شركة كرموس إدواردز للاستشارات ذ.م.م، هي عضو في مجتمع القطيوم.