AI Deep Dive: Come è cambiata l’IA e cosa significa per il settore idrico?

Questo articolo è stato tratto dal documento “AI & Water management – What utilities need to know now”. L’articolo completo è disponibile qui.

Se vuoi capire le opportunità e gli ostacoli all’uso dell’IA da parte del settore idrico, è utile capire come funziona l’IA, come è cambiata di recente e dove siamo ora con la tecnologia (e perché è importante).

In primo luogo, “Intelligenza artificiale (AI)” è un termine ampio che comprende diversi campi e applicazioni. Alcuni definiscono in generale l’IA come la capacità di un computer di imitare l’apprendimento umano e la risoluzione dei problemi. Altri pensano all’IA come a una branca della scienza all’intersezione tra informatica e neurologia, perché è necessario capire come gli umani pensano di avere un computer che imita il processo di pensiero umano.

Oggi, la maggior parte delle IA sono Artificial Narrow Intelligence (ANI), chiamata anche “Narrow AI”, perché si concentrano esclusivamente sulla risoluzione di un compito o di un problema specifico. Ad esempio, nel settore idrico utilizziamo la visione artificiale, un campo dell’IA che analizza immagini e video, accelerando notevolmente un processo esistente in cui le persone ispezionano i filmati delle telecamere di televisione a circuito chiuso (CCTV) per identificare i difetti nelle tubature. La visione artificiale per questo scopo potrebbe essere considerata un’intelligenza artificiale ristretta perché deve solo essere in grado di distinguere tra un tubo pulito, un tubo con un difetto o qualcosa in un tubo, come uno straccio o un animale. Non deve essere troppo intelligente; La sua intelligenza è relativamente limitata. E questo è più o meno dove eravamo fino ad oggi con l’IA: la maggior parte delle applicazioni AI utilizza l’intelligenza artificiale ristretta.

Immagine CCTV che mostra il procione nel tubo

Stiamo lentamente entrando in quella che viene chiamata Intelligenza Generale Artificiale (AGI), a volte indicata come “IA generale”. AGI si riferisce a sistemi di intelligenza artificiale in grado di eseguire una vasta gamma di compiti intellettuali tipicamente associati all’intelligenza umana, come il ragionamento, la risoluzione dei problemi, l’apprendimento e la percezione.

Mentre ci sono stati progressi significativi nello sviluppo dei sistemi di intelligenza artificiale negli ultimi anni, stiamo solo iniziando a raggiungere una vera AGI. Alcuni sostengono che i chatbot e i veicoli autonomi a guida autonoma sono AGI perché sono programmati per rispondere agli stimoli, in contrasto con l’IA ristretta, che deve solo segnalare qualcosa che non si adatta a uno schema e avvisare un essere umano di intervenire.

Se un veicolo autonomo a guida autonoma, ad esempio, vede una persona ferita in mezzo alla strada, deve decidere di fare qualcosa e la sua decisione è mission-critical. Mentre guidare intorno alla persona ferita può essere una soluzione, non è la migliore. Allo stesso tempo, l’AGI non sarebbe un’AGI se tutto ciò che sapesse fare fosse avvisare qualcuno e chiedere, cosa devo fare ora? Deve riconoscere e affrontare immediatamente il problema fermandosi, sterzando o qualche altra risposta. È vitale per il funzionamento del veicolo e, se l’IA fallisce, influisce negativamente sulla società.

La Super Intelligenza Artificiale (ASI), nota anche come “Super AI”, viene dopo AGI. Questo è il tipo di intelligenza artificiale di cui puoi scegliere di preoccuparti, ma non devi preoccuparti ora, perché non siamo vicini a quel tipo di intelligenza artificiale. La super intelligenza artificiale è in gran parte un’ipotetica forma futura di intelligenza artificiale che è trascendentale. Supera l’intelligenza umana, è consapevole di sé e può pensare da solo. Non esiste un esempio reale di super IA, ma puoi guardare Skynet dell’amato franchise di Terminator se vuoi considerare il potenziale potere e i rischi di un ASI immaginario. Ancora una volta, non siamo neanche lontanamente vicini a questo tipo di IA e potremmo non raggiungerlo (o volerlo fare).

In che modo l’IA impara e in che modo l’IA oggi è diversa dal passato?

Non possiamo parlare dei progressi dell’IA nel settore idrico, o in generale, senza parlare di apprendimento automatico. L’intelligenza artificiale apprende attraverso l’apprendimento automatico. Esistono molti tipi di apprendimento automatico, ma oggi il più popolare è le reti neurali artificiali (ANN), un processo che cerca di imitare il modo in cui gli esseri umani imparano. Le ANN sono strati di nodi di elaborazione collegati che simulano il modo in cui funziona il cervello umano. La ANN di base richiede solo pochi livelli di nodi di elaborazione (ANN piccola). Questo tipo di IA è considerata “non profonda” ed è limitata perché richiede l’intervento umano per imparare dai suoi errori.

Machine Learning (ML) e Deep Learning (DL) a confronto

Ad esempio, nel settore idrico utilizziamo la visione artificiale per accelerare drasticamente un processo esistente in cui le persone ispezionano i filmati CCTV dalle tubazioni fognarie per identificare i difetti delle tubature. Ora, supponiamo che un’intelligenza artificiale basata su un modello ANN di base sia “in addestramento” per identificare i difetti nei tubi. Questa IA “non profonda” può migliorare chiedendo al suo supervisore umano di classificare filmati che non può categorizzare, come un sacchetto di plastica in un tubo. Potrebbe vedere un sacchetto di plastica, per esempio, e chiederà al suo supervisore umano, che cos’è questo? L’uomo quindi codificherà la cosa come “detriti galleggiabili”. Man mano che l’IA apprende, potrebbe continuare a chiedere al suo supervisore umano i codici quando vede diversi galleggianti. Ma alla fine, l’IA vedrà abbastanza galleggianti che smetterà di chiedere supporto, perché ha imparato a riconoscere un sacchetto di plastica senza ulteriore intervento umano.

In questi giorni, tuttavia, abbiamo sempre più intelligenza artificiale che utilizza ANN più avanzate. Questo è un tipo avanzato di apprendimento automatico chiamato deep learning. E a differenza del classico apprendimento automatico, il deep learning non richiede l’intervento umano per imparare. Ha la capacità di migliorare se stesso imparando dai propri errori. Ma ecco il punto: il deep learning richiede grandi quantità di dati di addestramento, potenza di elaborazione e tempo per imparare per produrre risultati accurati. I modelli più recenti di intelligenza artificiale per le fognature utilizzano il deep learning.

Il punto è che l’intelligenza artificiale deve prima imparare utilizzando l’apprendimento automatico, indipendentemente dal fatto che l’IA sia basata su un modello ANN di base o su un modello di deep learning. E man mano che impara, commetterà errori e imparerà dai propri errori, con l’intervento umano o senza dipendere dal tipo di apprendimento automatico impiegato dall’IA.

Ma a differenza degli esseri umani, quando un’IA commette un errore e quell’errore viene corretto, non dovrebbe mai più commettere lo stesso errore. E questo è importante quando si considerano le opportunità che il settore idrico deve affrontare con lo sviluppo e l’adozione di soluzioni di intelligenza artificiale.

Perché gli esseri umani si stancano. Si ammalano. Dimenticano. Si ritirano e portano con sé la loro esperienza duramente guadagnata. Gli esseri umani non hanno la possibilità di trasferire l’esperienza alla successiva “versione” dell’operatore, mentre un’IA lo fa per impostazione predefinita.

I nuovi operatori continueranno a commettere errori in ogni generazione fino a quando ogni generazione non acquisirà l’esperienza, ma l’IA non lo farà dopo aver imparato dai suoi errori. E questo rappresenta un’opportunità nel settore idrico perché se permettiamo a queste soluzioni di intelligenza artificiale di imparare dai loro errori e migliorare sempre più, quella migliore conoscenza attraverso la collaborazione con gli esseri umani può espandersi a tutta l’intelligenza artificiale nel settore idrico e oltre.

Ostacoli all’adozione dell’IA nel settore idrico

Anche se i computer sono ora abbastanza veloci e ci sono sempre più dati per impiegare l’intelligenza artificiale di deep learning nel settore idrico che cambierà drasticamente il modo in cui opera l’industria, l’industria deve affrontare ostacoli unici all’adozione di nuove tecnologie. In primo luogo, l’industria dell’acqua è fortemente guidata dalla regolamentazione anziché dal profitto. In secondo luogo, il settore si occupa di una risorsa che sostiene la vita e la salute umana e per questo motivo è avverso al rischio. Queste due caratteristiche dovranno essere superate per facilitare l’adozione dell’IA nel settore idrico.

In primo luogo, le pressioni normative hanno un forte impatto sulla tecnologia adottata dal nostro settore. Ad esempio, i modelli idraulici erano molto scheletrati, ma quando l’Environmental Protection Agency (EPA) degli Stati Uniti ha imposto alle utility di monitorare i residui di cloro nei sistemi e ha dato alle utility la possibilità di sostituire i risultati del modello per le osservazioni sul campo, improvvisamente, la tecnologia di modellazione di tutti i tubi è esplosa, che poi è diventata vantaggiosa anche in altri modi.

Non sappiamo quali normative emergeranno che potrebbero spingere il settore verso l’adozione di più soluzioni di intelligenza artificiale. Ad esempio, potrebbero esserci requisiti per le utility per ottimizzare i loro enormi costi energetici. L’EPA stima che l’acqua potabile e i sistemi di acque reflue utilizzino il due percento del consumo complessivo di energia negli Stati Uniti, generando 45 milioni di tonnellate di gas serra all’anno. Le normative che richiedono alle utility di ottimizzare il loro consumo di energia possono spingere il settore ad adottare tecnologie AI più velocemente, perché quelle tecnologie AI possono aiutare a risolvere le sfide dell’uso dell’energia.

In secondo luogo, l’IA può e commetterà errori, e questo fatto si scontra con l’avversione al rischio del settore dei servizi idrici. Ciò significa che invece del settore idrico che consente all’IA di entrare e prendere decisioni alla velocità che abbiamo visto con le auto a guida autonoma, ad esempio, il settore probabilmente adotterà un approccio più lento. Probabilmente sarà più simile a una collaborazione tra l’IA e gli esseri umani nel settore idrico, a partire dall’IA che fornisce suggerimenti e fornisce supporto decisionale.

Invece di auto completamente autonome, l’IA dell’acqua fornirà un controllo di crociera fluido che fornirà anche suggerimenti agli operatori che potrebbero ottimizzare il processo decisionale.

È qui che entrano in gioco i “gemelli digitali”. Nel settore idrico, un gemello digitale è una replica digitale delle risorse e delle prestazioni delle utility, come una rete di sistemi idrici. Un gemello digitale può impiegare applicazioni di apprendimento automatico, in modo che ingegneri e operatori possano testare l’esito delle decisioni prima di prendere tali decisioni nel mondo reale.

Alla fine, però, il nostro settore si sentirà a suo agio con i suggerimenti dell’IA per consentirgli di prendere decisioni sempre più incisive. Abbiamo già sensori che accendono e spengono le pompe, ad esempio. Con l’intelligenza artificiale, possiamo essere più intelligenti quando viene utilizzata l’energia della pompa. E questo non significa necessariamente che i lavori di utilità scompariranno. Invece gli operatori di utility che non hanno tempo e risorse affideranno compiti noiosi a un’intelligenza artificiale di cui si fidano, in modo che possano concentrarsi meglio su altri aspetti dei loro carichi di lavoro pesanti che richiedono intelligenza umana.

#QatiumExperts

Qatium è co-creato con esperti e leader di pensiero del settore idrico. Creiamo contenuti per aiutare le utility di tutte le dimensioni ad affrontare le sfide attuali e future.

Saša Tomić, Digital Water Lead di Burns & McDonnell, è un consulente di Qatium.