زنگ بزن: وقت آن رسیده که بخش آب روی هوش مصنوعی همگرا شود

این مقاله از مقاله “AI & Water management — What utilities need to know now” گرفته شده است. تو کاغذ کامل رو اينجا پيدا ميکني

آن زمان به زنگ زنگ و تجمع صنعت آب در اطراف بازی در حال تغییر مدل های هوش مصنوعی و ابزار، و یا خطر پشت سر گذاشته شده است. جدیدترین آنراسیون مدل زبان بزرگ OpenAI (LLM) GPT-4 (Generative Pre-trained Transformer 4) که به تازگی پس از GPT-3 منتشر شده است، در یک انقلاب هوش مصنوعی مولد. GPT-4 چند وجهی است زیرا می تواند هر دو متن و تصویر را به عنوان ورودی دریافت کند (فقط انتشار محدود). برای ورودی های تصویر، GPT-4 سعی خواهد کرد محتویات تصویر را درک کند. دیدن قدرت این LLM چند وجهی غیر عادی است. تعداد پارامترها در یک LLM اغلب اندازه گیری اندازه و پیچیدگی آن است. این LLM، و آنهایی که آن را دوست دارند، از صدها میلیارد تا تریلیون پارامتر استفاده می کند. همچنین از ترکیبی از تکنیک های آموزشی تحت نظارت انسان و بدون نظارت برای بهتر شدن مداوم و دقیق تر شدن استفاده می کند.

این LLM متفاوت از توانایی های زبان استاندارد شما استفاده می شود برای گرفتن از چیزی مانند الکسا یا سیری. توانایی پیشرفته آن ها در کار با زبان و تصاویر طبیعی، آن ها را به شدت انعطاف پذیر و سازگار می کند. نه تنها می توان آنها را به زبان ساده برای تولید متن نوشته شده شبیه به انسان برانگیخت، این مدل ها همچنین می توانند رفتارهای جدید را به سادگی با تغذیه داده های آموزشی جدید و با ساخت بر روی آنها برای برنامه های کاربردی جدید یاد بگیرند. این گاهی اوقات به عنوان آموزش داده های آخرین مایل از مدل برای عمودی خاص، و به دنبال آن آموزش نوع تنظیم ریز گفته می شود.

در حالی که ChatGPT، یک چت بوت، می تواند متنی شبیه انسان را از زبان طبیعی و اعلان های تصویر تولید کند، DALL-E-2 از همان مدل زبان GPT-4 برای تولید تصاویر از اعلان های زبان طبیعی استفاده می کند. DALL-E-2 یک مدل هوش مصنوعی مبتنی بر شبکه عصبی است که توسط OpenAI توسعه یافته است که قادر به تولید تصاویر با کیفیت بالا از توصیفات متنی است. بر خلاف مدل های سنتی تولید تصویر که به یک مجموعه داده از پیش موجود از تصاویر تکیه می کنند، DALL-E-2 از ترکیبی از تکنیک های یادگیری عمیق و پردازش زبان طبیعی (NLP) برای تولید تصاویر اصلی از ورودی های متنی استفاده می کند.

این تازه آغاز است. در حالی که این مدل ها در حال حاضر تنها قادر به پیچیدگی بسیار هستند، در نهایت آینده، قدرتمندتر، دنباله دارتر منتشر خواهد شد. مدل GPT-3 بر اساس ۱۷۵ میلیارد پارامتر است، به عنوان مثال، و در حالی که در زمان انتشار مشخص نیست که GPT-4 چند پارامتر دارد، برخی پیش بینی می کنند که LLMs های دیگر می توانند تا یک تریلیون پارامترها. بنابراین در حالی که این مدل های زبانی در حال حاضر قدرتمند هستند، آنها فقط بهتر خواهند شد، که باعث تعجب می شود، چه کار دیگری می توانستند انجام دهند؟

ما باید شروع به نگاه کردن به آنچه که ما ممکن است به نام “آخرین مایل از داده ها” در صنعت آب. این جایی است که ما در مورد داده ها و مفاهیم در صنعت خود بسیار خاص می شود، بنابراین ما می توانیم شروع به آموزش این مدل ها کنیم، و افرادی که از آنها استفاده می کنند، برای کمک به پرداختن به چالش های منحصر به فرد بخش آب. داده های بزرگ، متنوع، نماینده ای که صنعت آب را به دقت منعکس می کند، کلیدی برای این هوش مصنوعی است تا برای این صنعت مفید باشد. ما باید واژگان تخصصی، جارگون، داده های مربوطه و مفاهیمی را که منحصر به بخش آب هستند، به این مدل ها آموزش دهیم.

چون همونطور که اينجا بحث شد

، یکی از چالش ها با دقت این LLMs جدیدتر این است که آنها تحت تاثیر داده ها و سوگیری های آموزشی خود هستند. به عنوان مثال مدل GPT-4 از هر دو داده متنی یاد می گیرد و تقویت از انسان، با استفاده از تکنیکی به نام یادگیری تقویت از بازخورد انسان

(FLHF). تکنیک ریز آهنگ مدل پایه با استفاده از بازخورد انسان برای هدایت فرایند یادگیری هوش مصنوعی. با این حال، داده ها و افرادی که در آموزش مدل شرکت می کنند، ممکن است نماینده کاربران نهایی بالقوه ن باشند، و این می تواند بر انواع نتایجی که این مدل ها تولید می کنند تأثیر بگذارد.

مشکلات دیگری نیز در این مدل ها وجود دارد. به عنوان مثال مدل ChatGPT می تواند توهم، دادن پاسخ های اشتباه به شما که منطقی به نظر می رسد صدا. اون هم نيست هوش مصنوعی قابل توضیح، ساخت آن چیزی از یک جعبه سیاه و سفید که در آن ما نمی فهمیم که چگونه آن را به پاسخ های آن می آید. ما به افرادی با دانش صنعت نیاز داریم تا این مدل ها را برای دقت آزمایش کنند و بر آنها نظارت کنند تا اطمینان حاصل کنند که مدل ها به بخش ما تنظیم شده اند.

تصور کنید چه اتفاقی می افتد اگر تاسیسات در سراسر جهان جمع آوری داده های متر ساعتی anonymized خود را برای کمک به آموزش و اهرم این مدل های هوش مصنوعی جدید برای بخش ما. با مجموعه داده های عظیم جهانی متر، به عنوان مثال، ممکن است ممکن است برای ارائه مفهوم برای متر مجازی به تاسیسات است که ممکن است منابع برای نصب و استقرار متر AMI ندارد. متر مجازی می تواند به عنوان ورودی داده های قدرتمند برای تمام انواع تجزیه و تحلیل عملیاتی خدمت می کنند، از جمله دوقلوهای دیجیتال. با همکاری بر روی داده های آخرین مایل بخش آب، تاسیسات می توانستند از قدرت هوش مصنوعی برای ایجاد درک جامع تری از استفاده و الگوهای آب استفاده کنند که می تواند استراتژی های موثرتر مدیریت آب را آگاه کند و منجر به نتایج بهتری برای مشتریان و محیط زیست شود.

برای تاسیسات کوچکتر، و یا تاسیسات با منابع محدود، این تحولات جدید در هوش مصنوعی ممکن است احساس دلهره آور و یا دور از دسترس است. اما در واقع، این مدل های زبان جدید تکنولوژی هوش مصنوعی را دموکراتیزه می کنند زیرا مردم مجبور نیستند عادات خود را به طور قابل توجهی تغییر دهند یا در یک برنامه کاملا جدید آموزش ببینند. آنها اجازه می دهد مردم دسترسی به قدرت هوش مصنوعی بدون نیاز به دانش تخصصی و مهارت های همه شما نیاز به زبان ساده و کمی از خلاقیت برای گرفتن هوش مصنوعی برای تولید آنچه شما نیاز دارید (مهندسی سریع می تواند تمرکز جالب برای بخش آب).

فرصت های خلاصه سازی با این ابزارها به تنهایی برنامه های کاربردی مفیدی را در کار روز به روز نگه می دارند. تصور کنید تغذیه تمام انواع داده های ابزار را به یک دستیار هوش مصنوعی مفید است که پس از آن می تواند به شما بینش ساده زبان در مورد داده ها در ثانیه. حتی قبل از تجزیه و تحلیل داده ها، این مدل ها می توانند به غیر کارشناسان کمک کنند تا نمونه خوبی از کد را برای استخراج اطلاعات مربوطه، مانند مصرف متوسط آب، انواع مختلف خوانش های فشار، یا داده های کیفیت آب بنویسند. ممکن است بتواند به داده های پیش فرایند بخش ما که هنوز پاک نشده است کمک کند، یا حتی به ما بگوید که چه اتفاقی باید بیفتد تا داده های پیش از فرایند اتفاق بیفتد.

شما می توانید یک اپراتور در یک ابزار بسیار کوچک است که بسیاری از تخصص و شما می دانید که شما نشت به دلیل شما آن را شنیده اما شما نیاز به اطلاعات بیشتر در مورد آن. این مدل های زبان جدید باز کردن درب به اپراتورهای ابزار با استفاده از زبان طبیعی برای برقراری ارتباط با مدل هوش مصنوعی و آزمایش با انواع بینش آن را می تواند به شما بدهد. شاید این می تواند داده های شما نیاز دارید به منظور درک مشکل بهتر نشان می دهد, تقریبا مانند داشتن یک دستیار داده. و به این معنا، این مدل های هوش مصنوعی جایگزین کار نیستند بلکه مشارکت با هوش مصنوعی هستند زیرا آنها به سادگی تجربه دنیای واقعی و تخصص ضمنی که انسان ها در بخش آب دارند را ندارد.

در حالی که بسیاری از داده ها در حال حاضر با آزمایش و آموزش این مدل ها برای بخش آب آغاز شده وجود دارد ، همچنین وجود دارد “داده ها به عنوان یک سرویس” (DAAS — نگاه کنید به انجمن SWAN

برای اطلاعات بیشتر در مورد آن موضوع) مدل شروع به ظهور به پل شکاف برای تاسیسات کوچک که ممکن است فاقد داده ها، منابع، ظرفیت، و تخصص برای جمع آوری داده های آنها نیاز به دریافت پاسخ با کیفیت از هوش مصنوعی. این مدل های کسب و کار جدید مسئولیت به دست آوردن سنسورهای مناسب برای مشکلات و مکان های مناسب و همچنین راه اندازی ارتباطات داده ها، پاکسازی داده ها، و تجزیه و تحلیل را به عهده می گیرند تا ابزار بتواند بر بهره مندی از داده ها تمرکز کند. این ترکیب از نرم افزار و خدمات می تواند هر ابزار کوچک در هیئت مدیره با مزایای این فن آوری های بسیار سریع به ارمغان بیاورد.

در نهایت ، این تماس به تمام منابع تخصص عمیق و دانش در صنعت آب — اپراتورها و مدیران سودمند ، مهندسان ، دانشمندان ، دانشگاهیان — برای کمک به دانش تخصصی خود را به یادگیری ماشین به منظور تکامل نتیجه هوشمند خود و کشف چگونه این LLMs می تواند تصمیم گیری در بخش آب بهتر است.

قتیوم با کارشناسان و رهبران فکر صنعت آب همکاری دارد. We create content to help utilities of all sizes to face current & future challenges.

Gigi Karmous-Edwards, Water Sector Digital Twin Expert & Advisor at Karmous Edwards Consulting LLC, is a member of Qatium’s community.