Dragan Savic
هذه المقالة مأخوذة من ورقة “الذكاء الاصطناعي وإدارة المياه – ما هي المرافق التي تحتاج إلى معرفتها الآن”. ستجد الورقة الكاملة هنا.
مستقبل روبوتات المحادثة: تخيل واجهة خدمة عملاء أكثر ذكاء لعملاء المياه
يمكنك أن ترى كيف يمكن أن يكون ل ChatGPT ، بغض النظر عن القيود ، تطبيقات مفيدة عندما يتعلق الأمر بروبوتات محادثة أكثر ذكاء لخدمة العملاء في قطاع المياه. تبدأ معظم روبوتات الدردشة لخدمة العملاء اليوم بردود تم إنشاؤها بواسطة الكمبيوتر على أسئلة العملاء. عندما يتعذر على الكمبيوتر الإجابة على سؤال العميل بالاعتماد على قاعدة بياناته المتاحة للأسئلة والأجوبة المحددة مسبقا ، فإنه سينقل العميل إلى إنسان. لكن هذه الأنواع من روبوتات المحادثة غالبا ما تشعر وكأنك تتحدث إلى جهاز كمبيوتر ، وغالبا ما تكون غير مفيدة للغاية.
ومع ذلك ، إذا كان لدى شيء مثل ChatGPT إمكانية الوصول إلى معلومات من منظمة معينة مثل شركة مياه ، فيمكنه إنتاج إجابات أكثر صلة بأسئلة العملاء من خلال الاعتماد على بيانات الفواتير وبيانات العملاء وحتى بيانات نظام المياه.
قد يكون الذكاء الاصطناعي قادرا على الحصول على مزيد من الإجابة على المخاوف والأسئلة مثل “الماء يتدفق من صنبوري” أو “الماء بني” أو “لماذا فاتورتي مرتفعة جدا؟” قبل تمرير العميل إلى الإنسان.
تخيل ، على سبيل المثال ، أن أحد العملاء يشكو إلى محادثة بمساعدة الذكاء الاصطناعي مع إمكانات قوية مثل ChatGPT أن مياهه تخرج ببطء من الصنبور (بسبب الضغط المنخفض). إذا كان لديها إمكانية الوصول إلى البيانات الصحيحة ، فيمكنها إجراء تحليل المشاعر لمعرفة ما إذا كانت هناك تقارير أخرى عن مشاكل في نفس المنطقة. ثم يمكنه تنبيه الطواقم وصياغة استجابة مفيدة ، مثل ، “نعم ، يبدو أن لدينا مشكلة في تلك المنطقة ، ولدينا طاقم يتجه إلى هناك. يجب أن يتم ذلك في غضون ساعتين وسيتم استعادة خدمتك “.
هذا هو نوع التأثير الذي يمكن أن تحدثه الذكاء الاصطناعي مثل ChatGPT على تحسين روبوتات الدردشة لخدمة العملاء في قطاع المياه ، إذا كان لديها إمكانية الوصول إلى بيانات المنظمة وقيودها الأخرى ، التي أدرجناها في القسم الأول من هذه الورقة ، تم حلها.
مثال على محادثة لعميل الأداة المساعدة باستخدام روبوت محادثة متقدم
الحساب التطوري لحل مشاكل تصميم نظام توزيع المياه المعقدة (في نصف الوقت)
أحد مجالات الذكاء الاصطناعي الواعدة في قطاع المياه هو الحساب التطوري لاكتشاف التصاميم المثلى لأنظمة توزيع المياه. وسيكون هذا مهما بشكل خاص لمبادرات التخطيط في أنظمة توزيع المياه متوسطة الحجم، مثل المدن التي يتراوح عدد سكانها بين 50,000 و100,000 شخص. يمكن استخدامه ، على سبيل المثال ، لمبادرات التخطيط الرئيسي طويلة الأجل لتحسين تكاليف التوسع والصيانة والإصلاح في المستقبل.
الحساب التطوري هو حقل فرعي من الذكاء الاصطناعي يحل مشاكل معقدة للغاية مع الكثير من المتغيرات للخوارزميات التقليدية. كما يوحي الاسم ، فإن المجال مستوحى من أساسيات التطور الطبيعي. يستخدم الحساب التطوري خوارزميات جينية تعتمد على مبادئ مثل الوراثة والانتقاء الطبيعي – المعيار الذي ستنشر فيه الكائنات الحية الأكثر ملاءمة لبيئتها موادها الوراثية وتتكاثر لتصبح أكثر عددا في بيئتها.
في قطاع المياه ، يحل الحساب التطوري مشكلة اختبار الاحتمالات اللانهائية تقريبا المتاحة لتحقيق التصميم الأمثل لنظام المياه. حتى مع وجود 100000 قدم من الأنابيب ، على سبيل المثال ، إذا كان عليك تغيير كل أنبوب بدوره للعثور على التصميم الأمثل من حيث الكفاءة والتكلفة ، فلا يوجد وقت حوسبة في العالم متاح للقيام بذلك. بالتأكيد لا يمكن أن يقوم به الإنسان. سيكون لدى معظم المهندسين الوقت الكافي للنظر في عدد قليل من حلول التصميم للمشروع.
الفكرة هي أن الذكاء الاصطناعي يمكنه اختبار التغييرات الصغيرة باستمرار عبر الأنظمة المعقدة الكبيرة ، واعتماد الحلول القوية وتغيير الحلول الضعيفة ، حتى يصل النظام إلى ما يسمى “الحل شبه الأمثل”.
في الواقع ، تم العثور على الحوسبة التطورية لتوفير أكثر من نصف تكلفة ، وإنتاج حلول أفضل من التصاميم المنتجة يدويا. يمكن الذكاء الاصطناعي المستندة إلى الخوارزميات الجينية أن تجلب لنا حلولا لمشاكل تصميم نظام توزيع المياه التي لم يكن قطاعنا ليعالجها في الماضي بدون الذكاء الاصطناعي.
الذكاء الاصطناعي للعمليات اليومية: التعلم الآلي لاكتشاف الأعطال ورؤية الكمبيوتر
كشف الخطأ والشذوذ
أحد أكثر تطبيقات الذكاء الاصطناعي ذات الصلة في العمليات اليومية للأداة هو اكتشاف الأخطاء. سيكون هذا نظاما الذكاء الاصطناعي يستخدم التعلم الآلي لاكتشاف الأعطال في نظام المياه قبل أن يتسبب في مشكلة للعميل. الطريقة التي يعمل بها هي الذكاء الاصطناعي يتعلم ما هو طبيعي بناء على الأداء التاريخي للنظام. يتعرف على الأنماط الطبيعية بناء على الوقت من اليوم ودرجة الحرارة والموسم والمتغيرات الأخرى ، ثم يتنبأ بما سيحدث بعد ذلك. إذا كان التنبؤ ذا قيمة مساوية أو مشابهة لما يتوقعه ، فلا توجد مشكلة. ولكن إذا كان هناك تباين كبير ، فيمكنه تنبيه المشغلين.
على سبيل المثال ، تخيل انفجار أنبوب في مكان ما في نظام التوزيع الخاص بك في منتصف الليل ، واكتشف نظام الذكاء الاصطناعي الخاص بك مشكلة. يمكنه بعد ذلك تنبيه الطاقم للذهاب وإصلاحه قبل أن يسبب مشاكل للعميل. في الصباح ، يقوم العميل بتشغيل الحمام دون أن يعرف حتى أن هناك مشكلة.
الجمع بين هذا النوع من التحليل القائم على الذكاء الاصطناعي ونظام التنبيه مع نموذج اللغة الطبيعية التوليدية مثل ChatGPT ، والمرافق ذات الموارد المحدودة ، وخاصة المرافق الأصغر التي قد لا يكون لديها قسم التحليلات الداخلي الذي غالبا ما يكون لدى الأداة الأكبر ، يمكن أن ترى فائدة كبيرة.
نرى هذا النوع من التعلم الآلي وقدرات معالجة اللغة الطبيعية الناشئة في صناعة إدارة المياه باستخدام أدوات مثل القطيوم ، على سبيل المثال ، التي تحتوي على مساعد رقمي “Q” يوفر تنبيهات للحالات الشاذة مثل مناطق الضغط غير الطبيعية ومستويات الخزان والتدفقات وغيرها من العمليات اليومية المهمة.
الرؤية الحاسوبية
كما نوقش سابقا ، فإن تطبيق التعلم العميق الذكاء الاصطناعي الذي نراه بشكل متزايد في قطاع المياه اليوم هو رؤية الكمبيوتر. تستخدم رؤية الكمبيوتر التعلم العميق لتحليل الفيديو والصور الفوتوغرافية لاكتشاف الحالات الشاذة والتسريبات والأعطال بشكل أسرع وبدقة أكبر من التحليل التقليدي الذي يديره الإنسان.
الذكاء الاصطناعي التعلم العميق جيد للغاية وسريع في تعلم الخصائص المرئية للأنابيب. يمكن أن يميز العيوب بطريقة منهجية لا يملك البشر ببساطة النطاق الترددي للقيام بها. يمكن أن يعتمد التعلم العميق القائم على الصور على مجموعة البيانات الهائلة الخاصة به ليتمكن من تحديد ما إذا كانت اللقطات ، على سبيل المثال ، تظهر تراكما للحطام أو ما إذا كان في الواقع كسرا أو انزلاقا في اتصال الأنابيب. حتى لو لم يرتكب البشر أخطاء ، بعد ساعتين أو ثلاث ساعات من النظر إلى هذا النوع من اللقطات ، فإنه يفقد كل معنى. لكن التعلم الآلي العميق لا يواجه هذه المشكلة ، مما يجعله تطبيقا جيدا جدا لبيانات الدوائر التلفزيونية المغلقة (CCTV). حتى أن هناك تطبيقات حديثة تستخدم فيها نماذج التعلم العميق القائمة على الصور لقطات الدوائر التلفزيونية المغلقة لتحليل كثافة قطرات المطر للتعرف على شدة هطول الأمطار ، والتي لها آثار مهمة على استجابات إدارة الفيضانات السريعة.
ما هي الخطوة التالية لتطبيقات الذكاء الاصطناعي في قطاع المياه؟
الروبوتات لها مستقبل واضح في صناعة إدارة المياه. تتعامل صناعتنا مع البنية التحتية التي يصعب وأحيانا تكون خطيرة للمراقبة والوصول والتفتيش والفهم بحكم دفنها تحت الأرض. وبينما تلعب الروبوتات دورا رئيسيا في الصناعات الأخرى حيث يكون السفر لجمع البيانات صعبا أو خطيرا أو مزعجا للغاية بالنسبة للبشر ، فإن قطاع المياه لم ينجح في الاستفادة الكاملة من الروبوتات حتى الآن.
ومع ذلك ، فقد رأينا بعض التحركات نحو الروبوتات في صناعة المياه. على سبيل المثال ، تم تطوير أجهزة يسقطها الأشخاص في الأنابيب لجمع البيانات للكشف عن التسرب. الأجهزة لا تبقى في الأنابيب. يتم إسقاطها في مكان ما ثم التقاطها في موقع آخر ، بحيث يمكن حصاد البيانات وتحليلها.
ولكن في المستقبل ، يجب أن نرى المزيد من الروبوتات المستقلة التي تبقى في نظام المياه إلى أجل غير مسمى ، وتزحف عبر شبكة الأنابيب وتجمع باستمرار وترسل البيانات ليتم تحليلها باستخدام تحليلات الذكاء الاصطناعي للحصول على معلومات على الشبكة.
كما ذكرنا سابقا ، فإن التقدم في قطاع المياه الذكاء الاصطناعي مقيد لأننا ، أولا ، لسنا صناعة عالية الربح ، وثانيا ، نحن نتجنب المخاطرة لأن أنظمة المياه لدينا ضرورية لصحة الإنسان. لذلك على الرغم من أن الروبوتات الذكاء الاصطناعي هي مستقبل منطقي لحلول إدارة المياه ، فإن تقدمنا في هذا الاتجاه أبطأ مما هو عليه في الصناعات الأخرى. ومع ذلك ، يجب أن نكون متفائلين بشأن التطبيقات المحتملة المثيرة لحلول الذكاء الاصطناعي المستقبلية في قطاعنا.
#QatiumExperts
يتم إنشاء Qatium بالاشتراك مع خبراء وقادة الفكر من صناعة المياه. نقوم بإنشاء محتوى لمساعدة المرافق من جميع الأحجام لمواجهة التحديات الحالية والمستقبلية.
دراغان سافيتش ، الرئيس التنفيذي لمعهد أبحاث المياه KWR ، هو مستشار القطيوم.
