AI Deep Dive: Wie hat sich KI verändert und was bedeutet das für den Wassersektor?

Dieser Artikel stammt aus dem Artikel “KI & Wassermanagement – Was Versorgungsunternehmen jetzt wissen müssen”. Das vollständige Paper finden Sie hier.

Wenn Sie die Chancen und Hindernisse für den Einsatz von KI in der Wasserwirtschaft verstehen möchten, ist es hilfreich zu verstehen, wie KI funktioniert, wie sie sich in letzter Zeit verändert hat und wo wir jetzt mit der Technologie stehen (und warum das wichtig ist).

Erstens ist “Künstliche Intelligenz (KI)” ein weit gefasster Begriff, der verschiedene Bereiche und Anwendungen umfasst. Einige definieren KI allgemein als die Fähigkeit eines Computers, menschliches Lernen und Problemlösen nachzuahmen. Andere betrachten KI als einen Wissenschaftszweig an der Schnittstelle von Informatik und Neurologie, weil man verstehen muss, wie Menschen denken, damit ein Computer den menschlichen Denkprozess nachahmt.

Heute sind die meisten KIs Artificial Narrow Intelligence (ANI), auch “Narrow AI” genannt, weil sie sich ausschließlich auf die Lösung einer bestimmten Aufgabe oder eines bestimmten Problems konzentrieren. Im Wassersektor verwenden wir beispielsweise Computer Vision, ein Bereich der KI, der Bilder und Videos analysiert und damit einen bestehenden Prozess drastisch beschleunigt, bei dem Menschen Aufnahmen von CCTV-Kameras (Close-Circuit Television) in der Kanalisation inspizieren, um Defekte in Rohren zu identifizieren. Computer Vision könnte zu diesem Zweck als enge KI betrachtet werden, da sie nur in der Lage sein muss, den Unterschied zwischen einem sauberen Rohr, einem Rohr mit einem Defekt oder etwas in einem Rohr, wie einem Lappen oder einem Tier, zu erkennen. Es muss nicht zu schlau sein; Seine Intelligenz ist relativ begrenzt. Und das ist mehr oder weniger der Punkt, an dem wir uns bis heute mit KI befanden – die meisten KI-Anwendungen verwenden künstliche, schmale Intelligenz.

CCTV-Bild zeigt Waschbär im Rohr

Wir kommen langsam in die sogenannte Artificial General Intelligence (AGI), manchmal auch als “General AI” bezeichnet. AGI bezieht sich auf KI-Systeme, die in der Lage sind, eine Vielzahl von intellektuellen Aufgaben auszuführen, die typischerweise mit menschlicher Intelligenz verbunden sind, wie z. B. logisches Denken, Problemlösen, Lernen und Wahrnehmung.

Während es in den letzten Jahren erhebliche Fortschritte bei der Entwicklung von KI-Systemen gegeben hat, stehen wir erst am Anfang einer echten AGI. Einige argumentieren, dass Chatbots und selbstfahrende autonome Fahrzeuge AGIs sind, weil sie so programmiert sind, dass sie auf Reize reagieren, im Gegensatz zu einer engen KI, die nur etwas markieren muss, das nicht in ein Muster passt, und einen Menschen zum Eingreifen auffordern muss.

Wenn ein autonomes selbstfahrendes Fahrzeug beispielsweise eine verletzte Person mitten auf der Straße sieht, muss es sich entscheiden, etwas zu tun, und seine Entscheidung ist geschäftskritisch. Das Herumfahren um die verwundete Person kann zwar eine Lösung sein, ist aber nicht die beste. Gleichzeitig wäre die AGI keine AGI, wenn sie nur wüsste, jemanden zu alarmieren und zu fragen: Was mache ich jetzt? Er muss das Problem sofort erkennen und beheben, indem er anhält, ausweicht oder auf andere Weise reagiert. Es ist entscheidend für das erfolgreiche Funktionieren des Fahrzeugs, und wenn die KI versagt, wirkt sich dies negativ auf die Gesellschaft aus.

Künstliche Superintelligenz (ASI), auch “Super-KI” genannt, kommt nach AGI. Dies ist die Art von KI, über die Sie sich vielleicht Sorgen machen, aber Sie müssen sich jetzt keine Sorgen machen, denn wir sind nicht in der Nähe dieser Art von künstlicher Intelligenz. Super-KI ist weitgehend eine hypothetische zukünftige Form der künstlichen Intelligenz, die transzendental ist. Er übertrifft die menschliche Intelligenz, ist sich seiner selbst bewusst und kann selbstständig denken. Es gibt kein reales Beispiel für Super-KI, aber Sie können sich Skynet aus dem beliebten Terminator-Franchise ansehen, wenn Sie die potenzielle Macht und die Risiken einer fiktiven ASI-Franchise in Betracht ziehen möchten. Auch hier sind wir bei weitem nicht in der Nähe dieser Art von KI, und wir werden sie möglicherweise nicht erreichen (oder wollen).

Wie lernt KI und wie unterscheidet sich KI heute von früher?

Wir können nicht über die Fortschritte der KI in der Wasserindustrie oder im Allgemeinen sprechen, ohne über maschinelles Lernen zu sprechen. KI lernt durch maschinelles Lernen. Es gibt viele Arten des maschinellen Lernens, aber heute sind künstliche neuronale Netze (KNN) die beliebteste, ein Verfahren, das versucht, die Art und Weise, wie Menschen lernen, zu imitieren. KNN sind Schichten von verknüpften Verarbeitungsknoten, die die Funktionsweise des menschlichen Gehirns simulieren. Das einfachste KNN erfordert nur wenige Schichten von Verarbeitungsknoten (kleine ANN). Diese Art von KI gilt als “nicht tiefgreifend” und ist begrenzt, da sie menschliches Eingreifen erfordert, um aus ihren Fehlern zu lernen.

Maschinelles Lernen (ML) im Vergleich zu Deep Learning (DL)

Im Wassersektor verwenden wir beispielsweise Computer Vision, um einen bestehenden Prozess drastisch zu beschleunigen, bei dem Menschen CCTV-Aufnahmen von Abwasserrohren inspizieren, um Rohrdefekte zu identifizieren. Nehmen wir nun an, eine KI, die auf einem grundlegenden ANN-Modell basiert, befindet sich “im Training”, um Defekte in Rohren zu identifizieren. Diese “nicht-tiefe” KI kann sich verbessern, indem sie ihren menschlichen Vorgesetzten bittet, Filmmaterial zu kategorisieren, das sie nicht kategorisieren kann, z. B. eine Plastiktüte in einem Rohr. Es könnte zum Beispiel eine Plastiktüte sehen und seinen menschlichen Vorgesetzten fragen: Was ist das? Der Mensch kodiert das Ding dann als “schwimmfähige Trümmer”. Wenn die KI lernt, kann sie ihren menschlichen Vorgesetzten weiterhin nach Codes fragen, wenn sie verschiedene Schwimmkörper sieht. Aber irgendwann wird die KI genug Floatables sehen, dass sie aufhört, um Unterstützung zu bitten, weil sie gelernt hat, eine Plastiktüte ohne weiteres menschliches Eingreifen zu erkennen.

Heutzutage haben wir jedoch zunehmend KI, die fortschrittlichere KNN verwendet. Dabei handelt es sich um eine fortgeschrittene Art des maschinellen Lernens, die als Deep Learning bezeichnet wird. Und im Gegensatz zum klassischen maschinellen Lernen erfordert Deep Learning kein menschliches Eingreifen, um zu lernen. Es hat die Fähigkeit, sich selbst zu verbessern, indem es aus seinen eigenen Fehlern lernt. Aber hier ist die Sache: Deep Learning erfordert riesige Mengen an Trainingsdaten, Rechenleistung und Lernzeit, um genaue Ergebnisse zu erzielen. Neuere Modelle der Kanal-KI verwenden Deep Learning.

Der Punkt ist, dass künstliche Intelligenz zunächst durch maschinelles Lernen lernen muss, unabhängig davon, ob die KI auf einem grundlegenden ANN-Modell oder einem Deep-Learning-Modell basiert. Und während sie lernt, wird sie Fehler machen und aus ihren Fehlern lernen, mit menschlichem Eingreifen oder ohne, abhängig von der Art des maschinellen Lernens, die die KI einsetzt.

Aber im Gegensatz zu Menschen sollte eine KI, wenn sie einen Fehler macht und dieser Fehler korrigiert wird, nie wieder denselben Fehler machen. Und das ist wichtig, wenn man die Chancen bedenkt, die der Wassersektor mit der Entwicklung und Einführung von KI-Lösungen hat.

Weil der Mensch müde wird. Sie werden krank. Sie vergessen. Sie gehen in Rente und nehmen ihre hart erarbeitete Erfahrung mit. Menschen haben nicht die Möglichkeit, das Erlebnis auf die nächste “Version” des Bedieners zu übertragen, während eine KI dies standardmäßig tut.

Neue Bediener werden in jeder Generation weiterhin Fehler machen, bis jede Generation die Erfahrung gesammelt hat, aber die KI wird dies nicht tun, nachdem sie aus ihren Fehlern gelernt hat. Und das stellt eine Chance im Wassersektor dar, denn wenn wir zulassen, dass diese KI-Lösungen aus ihren Fehlern lernen und zunehmend besser werden, kann sich dieses verbesserte Wissen durch die Zusammenarbeit mit Menschen auf die gesamte KI in der Wasserwirtschaft und darüber hinaus ausweiten.

Hindernisse für die Einführung von KI im Wassersektor

Auch wenn Computer heute schnell genug sind und es immer mehr Daten gibt, um Deep-Learning-KI im Wassersektor einzusetzen, was die Arbeitsweise der Branche drastisch verändern wird, steht die Branche vor einzigartigen Hindernissen bei der Einführung neuer Technologien. Erstens ist die Wasserwirtschaft stark regulatorisch und nicht profitorientiert. Zweitens handelt es sich der Sektor um eine Ressource, die das Leben und die Gesundheit der Menschen erhält, und ist aus diesem Grund risikoscheu. Diese beiden Merkmale müssen überwunden werden, um die Einführung von KI im Wassersektor zu erleichtern.

Erstens hat der regulatorische Druck einen starken Einfluss auf die Technologie, die unser Sektor einsetzt. Zum Beispiel waren hydraulische Modelle früher sehr skelettiert, aber als die US-Umweltschutzbehörde (EPA) vorschrieb, dass Versorgungsunternehmen Chlorrückstände in Systemen überwachen müssen, und Versorgungsunternehmen die Möglichkeit gab, Modellergebnisse durch Feldbeobachtungen zu ersetzen, explodierte plötzlich die All-Pipe-Modellierungstechnologie, die dann auch auf andere Weise von Vorteil war.

Wir wissen nicht, welche Vorschriften entstehen werden, die den Sektor dazu bringen könnten, mehr KI-Lösungen einzuführen. Zum Beispiel könnte es Anforderungen an Versorgungsunternehmen geben, ihre massiven Energiekosten zu optimieren. Die EPA schätzt, dass die Trinkwasser- und Abwassersysteme in den USA zwei Prozent des gesamten Energieverbrauchs verbrauchen und jährlich 45 Millionen Tonnen Treibhausgase erzeugen. Vorschriften, die Versorgungsunternehmen dazu verpflichten, ihren Energieverbrauch zu optimieren, könnten den Sektor dazu bringen, KI-Technologien schneller einzuführen, da diese KI-Technologien zur Lösung von Herausforderungen bei der Energienutzung beitragen können.

Zweitens kann und wird KI Fehler machen, und diese Tatsache stößt auf die Risikoaversion des Wasserversorgungssektors. Das bedeutet, dass der Wassersektor es der KI nicht ermöglicht, in die Geschwindigkeit einzuspringen und Entscheidungen zu treffen, wie wir es beispielsweise bei selbstfahrenden Autos gesehen haben, sondern dass der Sektor wahrscheinlich einen langsameren Ansatz verfolgen wird. Es wird wahrscheinlich eher eine Zusammenarbeit zwischen KI und Menschen im Wassersektor sein, beginnend damit, dass KI Vorschläge macht und Entscheidungshilfen bereitstellt.

Anstelle von vollständig selbstfahrenden Autos wird die Wasser-KI einen reibungslosen Tempomat bieten, der den Betreibern auch Vorschläge unterbreitet, die die Entscheidungsfindung optimieren könnten.

Hier kommen die “digitalen Zwillinge” ins Spiel. In der Wasserwirtschaft ist ein digitaler Zwilling eine digitale Nachbildung von Versorgungsanlagen und -leistungen, wie z. B. ein Wassersystemnetz. Ein digitaler Zwilling kann Anwendungen des maschinellen Lernens einsetzen, sodass Ingenieure und Bediener das Ergebnis von Entscheidungen testen können, bevor sie diese Entscheidungen in der realen Welt treffen.

Irgendwann wird sich unsere Branche jedoch an KI-Vorschläge gewöhnen, damit sie immer wirkungsvollere Entscheidungen treffen kann. Wir haben zum Beispiel bereits Sensoren, die Pumpen ein- und ausschalten. Mit KI können wir intelligenter sein, wenn Pumpenenergie genutzt wird. Und das bedeutet nicht unbedingt, dass Arbeitsplätze in der Versorgungsbranche verschwinden werden. Stattdessen übergeben Versorgungsunternehmen, denen es an Zeit und Ressourcen mangelt, mühsame Aufgaben an eine KI, der sie vertrauen, damit sie sich besser auf andere Aspekte ihrer hohen Arbeitsbelastung konzentrieren können, die menschliche Intelligenz erfordern.

#QatiumExperts

Qatium wird gemeinsam mit Experten und Vordenkern aus der Wasserbranche entwickelt. Wir erstellen Inhalte, die Versorgungsunternehmen aller Größen dabei helfen, aktuelle und zukünftige Herausforderungen zu meistern.

Saša Tomić, Digital Water Lead bei Burns & McDonnell, ist Berater bei Qatium.