Saša Tomić
Cet article est tiré de l’article « AI & Water management – What utilities need to know now » (IA et gestion de l’eau – Ce que les services publics doivent savoir maintenant). Vous trouverez l’article complet ici.
Si vous voulez comprendre les opportunités et les obstacles à l’utilisation de l’IA par l’industrie de l’eau, il est utile de comprendre comment l’IA fonctionne, comment elle a récemment changé et où nous en sommes maintenant avec la technologie (et pourquoi cela est important).
Tout d’abord, « intelligence artificielle (IA) » est un terme général qui englobe différents domaines et applications. Certains définissent largement l’IA comme la capacité d’un ordinateur à imiter l’apprentissage humain et la résolution de problèmes. D’autres pensent que l’IA est une branche de la science à l’intersection de l’informatique et de la neurologie, car vous devez comprendre comment les humains pensent pour qu’un ordinateur imite le processus de pensée humain.
Aujourd’hui, la plupart des IA sont des IA artificielles étroites (ANI), également appelées « IA étroites », car elles se concentrent uniquement sur la résolution d’une tâche ou d’un problème spécifique. Par exemple, dans le secteur de l’eau, nous utilisons la vision par ordinateur, un domaine de l’IA qui analyse les images et les vidéos, accélérant considérablement un processus existant où les gens inspectent les images des caméras de télévision en circuit fermé (CCTV) des égouts pour identifier les défauts dans les tuyaux. La vision par ordinateur à cette fin pourrait être considérée comme une IA étroite, car elle doit simplement être capable de faire la différence entre un tuyau propre, un tuyau défectueux ou quelque chose dans un tuyau, comme un chiffon ou un animal. Il n’a pas besoin d’être trop intelligent; Son intelligence est relativement étroite. Et c’est plus ou moins là où nous en étions jusqu’à aujourd’hui avec l’IA – la plupart des applications d’IA utilisent l’intelligence artificielle étroite.
Image de vidéosurveillance montrant un raton laveur dans un tuyau
Nous entrons lentement dans ce qu’on appelle l’intelligence artificielle générale (IAG), parfois appelée « IA générale ». AGI fait référence aux systèmes d’IA capables d’effectuer un large éventail de tâches intellectuelles généralement associées à l’intelligence humaine, telles que le raisonnement, la résolution de problèmes, l’apprentissage et la perception.
Bien qu’il y ait eu des progrès significatifs dans le développement de systèmes d’IA au cours des dernières années, nous commençons seulement à atteindre une véritable AGI. Certains soutiennent que les chatbots et les véhicules autonomes autonomes sont des IAG parce qu’ils sont programmés pour répondre à des stimuli, contrairement à l’IA étroite, qui n’a qu’à signaler quelque chose qui ne correspond pas à un modèle et alerter un humain pour intervenir.
Si un véhicule autonome autonome, par exemple, voit une personne blessée au milieu de la route, il doit décider de faire quelque chose, et sa décision est critique. Bien que conduire autour de la personne blessée puisse être une solution, ce n’est pas la meilleure. En même temps, l’AGI ne serait pas une AGI si tout ce qu’elle savait faire était d’alerter quelqu’un et de demander, que dois-je faire maintenant? Il doit reconnaître et traiter le problème immédiatement en s’arrêtant, en déviant ou en intervenant autrement. C’est vital pour que le véhicule fonctionne correctement, et si l’IA échoue, cela affecte négativement la société.
La super intelligence artificielle (ASI), également appelée « Super IA », vient après l’AGI. C’est le genre d’IA dont vous pouvez choisir de vous inquiéter, mais vous n’avez pas à vous en soucier maintenant, car nous ne sommes pas proches de ce type d’intelligence artificielle. La super IA est en grande partie une forme future hypothétique d’intelligence artificielle transcendantale. Il dépasse l’intelligence humaine, il est conscient de lui-même et il peut penser par lui-même. Il n’y a pas d’exemple réel de super IA, mais vous pouvez vous tourner vers Skynet de la franchise bien-aimée Terminator si vous voulez considérer le pouvoir potentiel et les risques d’une ASI fictive. Encore une fois, nous sommes loin de ce type d’IA, et nous ne l’atteindrons peut-être pas (ou ne voudrons pas le faire).
Comment l’IA apprend-elle et en quoi l’IA d’aujourd’hui est-elle différente du passé ?
Nous ne pouvons pas parler des progrès de l’IA dans l’industrie de l’eau, ou en général, sans parler de l’apprentissage automatique. L’IA apprend grâce à l’apprentissage automatique. Il existe de nombreux types d’apprentissage automatique, mais aujourd’hui, le plus populaire est les réseaux de neurones artificiels (ANN), un processus qui tente d’imiter la façon dont les humains apprennent. Les ANN sont des couches de nœuds de traitement liés qui simulent le fonctionnement du cerveau humain. L’ANN le plus basique ne nécessite que quelques couches de nœuds de traitement (petit ANN). Ce type d’IA est considéré comme « non profond » et il est limité car il nécessite une intervention humaine pour apprendre de ses erreurs.
Machine Learning (ML) versus Deep Learning (DL)
Par exemple, dans le secteur de l’eau, nous utilisons la vision par ordinateur pour accélérer considérablement un processus existant où les gens inspectent les images de vidéosurveillance des tuyaux d’égout pour identifier les défauts des tuyaux. Maintenant, disons qu’une IA basée sur un modèle ANN de base est « en formation » pour identifier les défauts dans les tuyaux. Cette IA « non profonde » peut s’améliorer en demandant à son superviseur humain de catégoriser les séquences qu’elle ne peut pas catégoriser, comme un sac en plastique dans un tuyau. Il pourrait voir un sac en plastique, par exemple, et il demandera à son superviseur humain, qu’est-ce que c’est? L’humain codera alors la chose comme un « débris flottant ». Au fur et à mesure que l’IA apprend, elle peut continuer à demander des codes à son superviseur humain lorsqu’elle voit différents éléments flottants. Mais finalement, l’IA verra suffisamment de flottables pour cesser de demander de l’aide, car elle a appris à reconnaître un sac en plastique sans autre intervention humaine.
De nos jours, cependant, nous avons de plus en plus d’IA qui utilise des ANN plus avancés. Il s’agit d’un type avancé d’apprentissage automatique appelé apprentissage profond. Et contrairement à l’apprentissage automatique classique, l’apprentissage profond ne nécessite pas d’intervention humaine pour apprendre. Il a la capacité de s’améliorer en apprenant de ses propres erreurs. Mais voici le problème: l’apprentissage profond nécessite de grandes quantités de données d’entraînement, de puissance de traitement et de temps d’apprentissage afin de produire des résultats précis. Les nouveaux modèles d’IA des égouts utilisent l’apprentissage profond.
Le fait est que l’intelligence artificielle doit d’abord apprendre en utilisant l’apprentissage automatique, que l’IA soit basée sur un modèle ANN de base ou un modèle d’apprentissage profond. Et au fur et à mesure qu’elle apprend, elle fera des erreurs, et apprendra de ses erreurs, avec ou sans intervention humaine, selon le type d’apprentissage automatique utilisé par l’IA.
Mais contrairement aux humains, lorsqu’une IA fait une erreur et que cette erreur est corrigée, elle ne devrait plus jamais faire la même erreur. Et c’est important lorsque l’on considère les opportunités auxquelles le secteur de l’eau est confronté avec le développement et l’adoption de solutions d’IA.
Parce que les humains se fatiguent. Ils tombent malades. Ils oublient. Ils prennent leur retraite et emportent avec eux leur expérience durement gagnée. Les humains n’ont pas la possibilité de transférer l’expérience à la prochaine « version » de l’opérateur, alors qu’une IA le fait par défaut.
Les nouveaux opérateurs continueront à faire des erreurs à chaque génération jusqu’à ce que chaque génération acquière de l’expérience, mais l’IA ne le fera pas après avoir appris de ses erreurs. Et cela représente une opportunité dans le secteur de l’eau, car si nous permettons à ces solutions d’IA d’apprendre de leurs erreurs et de s’améliorer de plus en plus, ces connaissances améliorées grâce à la collaboration avec les humains peuvent s’étendre à toute l’IA dans l’industrie de l’eau et au-delà.
Obstacles à l’adoption de l’IA dans le secteur de l’eau
Même si les ordinateurs sont maintenant assez rapides et qu’il y a de plus en plus de données pour utiliser l’IA d’apprentissage profond dans le secteur de l’eau, ce qui changera radicalement le fonctionnement de l’industrie, l’industrie fait face à des obstacles uniques à l’adoption de nouvelles technologies. Premièrement, l’industrie de l’eau est fortement axée sur la réglementation plutôt que sur le profit. Deuxièmement, le secteur traite d’une ressource qui soutient la vie et la santé humaines et, pour cette raison, il est peu enclin à prendre des risques. Ces deux caractéristiques devront être surmontées pour faciliter l’adoption de l’IA dans le secteur de l’eau.
Premièrement, les pressions réglementaires ont un impact important sur la technologie adoptée par notre secteur. Par exemple, les modèles hydrauliques étaient très squelettés, mais lorsque l’Environmental Protection Agency (EPA) des États-Unis a exigé que les services publics surveillent les résidus de chlore dans les systèmes et leur a donné la possibilité de substituer les résultats des modèles aux observations sur le terrain, soudainement, la technologie de modélisation de tous les tuyaux a explosé, ce qui est également devenu bénéfique à d’autres égards.
Nous ne savons pas quelles réglementations émergeront qui pourraient pousser le secteur à adopter davantage de solutions d’IA. Par exemple, les services publics pourraient être tenus d’optimiser leurs coûts énergétiques massifs. L’EPA estime que les systèmes d’eau potable et d’eaux usées utilisent deux pour cent de la consommation totale d’énergie aux États-Unis, générant 45 millions de tonnes de gaz à effet de serre par an. Les réglementations obligeant les services publics à optimiser leur consommation d’énergie peuvent inciter le secteur à adopter les technologies d’IA plus rapidement, car ces technologies d’IA peuvent aider à résoudre les problèmes de consommation d’énergie.
Deuxièmement, l’IA peut et va faire des erreurs, et ce fait se heurte à l’aversion du secteur des services publics d’eau pour le risque. Cela signifie qu’au lieu que le secteur de l’eau permette à l’IA d’intervenir et de prendre des décisions à la vitesse que nous avons vue avec les voitures autonomes, par exemple, le secteur adoptera probablement une approche plus lente. Il s’agira probablement davantage d’une collaboration entre l’IA et les humains dans le secteur de l’eau, en commençant par l’IA faisant des suggestions et fournissant une aide à la décision.
Au lieu de voitures entièrement autonomes, Water AI fournira un régulateur de vitesse fluide qui fournira également des suggestions aux opérateurs qui pourraient optimiser la prise de décision.
C’est là que les « jumeaux numériques » entrent en jeu. Dans l’industrie de l’eau, un jumeau numérique est une réplique numérique des actifs et des performances des services publics, comme un réseau de système d’eau. Un jumeau numérique peut utiliser des applications d’apprentissage automatique, de sorte que les ingénieurs et les opérateurs peuvent tester le résultat des décisions avant de prendre ces décisions dans le monde réel.
Finalement, notre secteur se familiarisera avec les suggestions de l’IA pour lui permettre de prendre des décisions de plus en plus percutantes. Nous avons déjà des capteurs qui allument et éteignent les pompes, par exemple. Avec l’IA, nous pouvons être plus intelligents lorsque l’énergie de la pompe est utilisée. Et cela ne signifie pas nécessairement que les emplois dans les services publics disparaîtront. Au lieu de cela, les opérateurs de services publics qui manquent de temps et de ressources transmettront les tâches fastidieuses à une IA en qui ils ont confiance, afin qu’ils puissent mieux se concentrer sur d’autres aspects de leurs lourdes charges de travail qui nécessitent une intelligence humaine.
#QatiumExperts
Qatium est co-créé avec des experts et des leaders d’opinion de l’industrie de l’eau. Nous créons du contenu pour aider les services publics de toutes tailles à faire face aux défis actuels et futurs.
Saša Tomić, responsable de l’eau numérique chez Burns & McDonnell, est conseiller chez Qatium.
