Gigi Karmous-Edwards
Questo articolo è stato tratto dal documento “AI & Water management – What utilities need to know now”. L’articolo completo è disponibile qui.
È tempo di suonare il campanello e radunare l’industria idrica attorno a modelli e strumenti di intelligenza artificiale rivoluzionari, o rischiare di rimanere indietro. L’ultima iterazione del Large Language Model (LLM) GPT-4 (Generative Pre-trained Transformer 4) di OpenAI, recentemente rilasciata dopo GPT-3, ha inaugurato una rivoluzione dell’IA generativa. GPT-4 è multimodale perché può ricevere richieste di testo e immagini come input (solo rilascio limitato). Per gli input di immagini, GPT-4 cercherà di capire il contenuto dell’immagine. È inquietante vedere la potenza di questo LLM multimodale. Il numero di parametri in un LLM è spesso una misura della sua dimensione e complessità. Questo LLM, e altri simili, utilizzano da centinaia di miliardi a trilioni di parametri. Utilizza anche una combinazione di tecniche di allenamento supervisionate e non supervisionate per ottenere continuamente migliori e più accurate.
Questi LLM sono diversi dalle abilità linguistiche standard che sei abituato a ottenere da qualcosa come Alexa o Siri. La loro capacità avanzata di lavorare con il linguaggio naturale e le immagini li rende estremamente flessibili e adattabili. Non solo possono essere spinti in un linguaggio semplice a produrre testo scritto simile a quello umano, ma questi modelli possono anche apprendere nuovi comportamenti semplicemente fornendo loro nuovi dati di addestramento e costruendo su di essi per nuove applicazioni. Questo viene talvolta definito addestramento dei dati dell’ultimo miglio del modello per uno specifico verticale, seguito dall’addestramento del tipo di messa a punto.
Mentre ChatGPT, un chatbot, può generare testo simile a quello umano da prompt di linguaggio naturale e immagini, DALL-E-2 utilizza lo stesso modello di linguaggio GPT-4 per generare immagini da prompt in linguaggio naturale. DALL-E-2 è un modello di intelligenza artificiale basato su reti neurali sviluppato da OpenAI in grado di generare immagini di alta qualità da descrizioni testuali. A differenza dei tradizionali modelli di generazione di immagini che si basano su un set di dati preesistente di immagini, DALL-E-2 utilizza una combinazione di tecniche di deep learning e elaborazione del linguaggio naturale (NLP) per generare immagini originali da input testuali.
DALL-E-2 ha generato questa immagine originale in pochi secondi dal semplice prompt in linguaggio semplice “una rete di tubi 3D a forma di robot”.
Questo è solo l’inizio. Mentre questi modelli sono in grado di offrire solo tanta complessità al momento, alla fine verranno rilasciate iterazioni future, più potenti e sofisticate. Il modello di GPT-3 si basa su 175 miliardi di parametri, ad esempio, e sebbene non sia chiaro al momento della pubblicazione quanti parametri abbia GPT-4, alcuni prevedono che altri LLM potrebbero utilizzare fino a un trilione di parametri. Quindi, anche se questi modelli linguistici sono potenti ora, non potranno che migliorare, il che fa pensare: cos’altro potrebbero fare?
Ed è per questo che l’industria idrica dovrebbe intervenire ora, perché gli strumenti di intelligenza artificiale avranno impatti diversi a seconda del dominio per cui sono sviluppati e dei dati su cui sono addestrati. Affinché questi modelli abbiano un’applicazione profonda e reale nel settore idrico, hanno bisogno di dati e intelligence specifici del settore.
Guidare l’ultimo miglio di dati nel settore idrico
Dobbiamo iniziare a guardare a quello che potremmo chiamare “l’ultimo miglio dei dati” nel settore idrico. È qui che diventiamo molto specifici sui dati e sui concetti nel nostro settore, in modo da poter iniziare a formare questi modelli e le persone che li utilizzano, per aiutare ad affrontare le sfide uniche del settore idrico. Dati ampi, diversificati e rappresentativi che riflettano accuratamente il settore idrico sono fondamentali affinché queste IA siano utili al settore. Dobbiamo insegnare a questi modelli il vocabolario specializzato, il gergo, i dati rilevanti e i concetti che sono unici per il settore idrico.
Perché, come discusso qui, una delle sfide con l’accuratezza di questi nuovi LLM è che sono influenzati dai loro dati e dai pregiudizi di addestramento. Il modello GPT-4, ad esempio, apprende sia dai dati testuali che dal rinforzo dagli esseri umani, utilizzando una tecnica chiamata apprendimento per rinforzo dal feedback umano (FLHF). La tecnica mette a punto il modello di base utilizzando il feedback umano per guidare il processo di apprendimento dell’IA. Tuttavia, i dati e le persone che partecipano alla formazione del modello potrebbero non essere rappresentativi dei potenziali utenti finali e ciò può influire sui tipi di risultati prodotti da questi modelli.
Ci sono altri problemi con questi modelli. Ad esempio, il modello di ChatGPT può avere allucinazioni, dandoti risposte sbagliate che sembrano logicamente valide. Inoltre, non è un’intelligenza artificiale spiegabile, il che la rende una sorta di scatola nera in cui non capiamo come arrivi alle sue risposte. Abbiamo bisogno di persone con conoscenze del settore per testare l’accuratezza di questi modelli e supervisionarli per garantire che i modelli siano in sintonia con il nostro settore.
Immagina cosa potrebbe accadere se le utility di tutto il mondo mettessero insieme i loro dati anonimi dei contatori orari per aiutare a formare e sfruttare questi nuovi modelli di intelligenza artificiale per il nostro settore. Con un enorme set di dati di contatori globali, ad esempio, potrebbe essere possibile fornire il concetto di contatori virtuali alle utility che potrebbero non disporre delle risorse per installare e distribuire contatori AMI. I contatori virtuali potrebbero fungere da potente input di dati per tutti i tipi di analisi operative, compresi i gemelli digitali. Collaborando sui dati dell’ultimo miglio del settore idrico, le utility potrebbero utilizzare la potenza dell’intelligenza artificiale per creare una comprensione più completa dell’utilizzo e dei modelli dell’acqua, che potrebbe informare strategie di gestione dell’acqua più efficaci e portare a risultati migliori per i clienti e l’ambiente.
Questa è un’opportunità per tutti nel settore idrico, dalle imprese idriche innovative agli operatori di servizi pubblici con decenni di conoscenza tacita (compresi alcuni che stanno per andare in pensione e portare con sé tale conoscenza), per collaborare insieme a livello globale e introdurre il contesto, la supervisione e i dati del settore idrico a questi modelli, in modo che gli innovatori nel nostro settore possano sviluppare e combinare soluzioni di intelligenza artificiale personalizzate in base alle conoscenze e agli obiettivi specifici del settore idrico a beneficio di tutte le utility, grandi e piccoli.
Democratizzare le opportunità di IA per le utility di tutte le dimensioni; non una sostituzione del lavoro
Per le utility più piccole o con risorse limitate, questi nuovi sviluppi nell’IA possono sembrare scoraggianti o fuori portata. Ma in realtà, questi nuovi modelli linguistici democratizzano la tecnologia AI perché le persone non devono cambiare le loro abitudini in modo significativo o allenarsi su un programma completamente nuovo per vedere benefici. Consentono alle persone di accedere alla potenza dell’IA senza la necessità di conoscenze e competenze specializzate: tutto ciò di cui hai bisogno è un linguaggio semplice e un po ‘di creatività per far sì che l’IA produca ciò di cui hai bisogno (l’ingegneria rapida potrebbe essere un obiettivo interessante per il settore idrico).
Le opportunità di riepilogo con questi strumenti da sole contengono applicazioni utili nel lavoro quotidiano. Immagina di inserire tutti i tipi di dati di utilità in un utile assistente AI che potrebbe quindi fornirti informazioni in linguaggio semplice sui dati in pochi secondi. Anche prima di analizzare i dati, questi modelli possono aiutare i non esperti a scrivere un buon campione di codice per estrarre informazioni rilevanti, come il consumo medio di acqua, diversi tipi di letture della pressione o dati sulla qualità dell’acqua. Potrebbe essere in grado di aiutare il nostro settore a pre-elaborare i dati che non sono ancora stati puliti, o persino dirci cosa deve accadere per pre-elaborare i dati.
Potresti essere un operatore in una utility molto piccola che ha molta esperienza e sai di avere una perdita perché l’hai sentita ma hai bisogno di maggiori informazioni a riguardo. Questi nuovi modelli linguistici aprono la porta agli operatori di utility che utilizzano il linguaggio naturale per comunicare con il modello di intelligenza artificiale e sperimentare il tipo di informazioni che può darti. Forse potrebbe suggerire i dati necessari per comprendere meglio il problema, quasi come avere un assistente dati. E in questo senso, questi modelli di intelligenza artificiale non sono una sostituzione del lavoro, ma una partnership con l’intelligenza artificiale perché semplicemente non hanno l’esperienza del mondo reale e le competenze tacite che hanno gli esseri umani nel settore idrico.
Mentre ci sono già molti dati per iniziare a sperimentare e addestrare questi modelli per il settore idrico, c’è anche il “data as a service” (DAAS – vedi Forum del CIGNO per ulteriori informazioni su questo argomento) iniziano a emergere modelli per colmare il divario per le piccole utility che potrebbero non avere dati, risorse, capacità e competenze per raccogliere i dati di cui hanno bisogno per ottenere risposte di qualità dall’IA. Questi nuovi modelli di business si assumono la responsabilità di acquisire i sensori giusti per i problemi e le posizioni giuste, nonché di impostare le comunicazioni dei dati, la pulizia dei dati e l’analisi in modo che l’utility possa concentrarsi sul trarre vantaggio dai dati. Questa combinazione di software e servizi può portare a bordo qualsiasi piccola utility con i vantaggi di queste tecnologie molto rapidamente.
Il settore idrico non dovrebbe aver paura di testare, giocare e sperimentare con questi nuovi strumenti di intelligenza artificiale per vedere come possono funzionare per loro. Dalle piccole città alle megalopoli, dal personale sul campo ai dirigenti, le utility possono entrare e iniziare a giocare, innovare e imparare, anche con dati minimi, come l’IA può semplificare il loro lavoro.
Infine, questo è un invito a tutte le fonti di profonda esperienza e conoscenza nel settore idrico – operatori e gestori di servizi pubblici, ingegneri, scienziati, accademici – a contribuire con le loro conoscenze specialistiche all’apprendimento automatico al fine di evolvere il suo risultato intelligente ed esplorare come questi LLM possono migliorare il processo decisionale nel settore idrico.
#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.
Gigi Karmous-Edwards, esperto di digital twin del settore idrico e consulente presso Karmous Edwards Consulting LLC, è un membro della comunità di Qatium.
