AIディープダイブ:AIはどのように変化し、それは水セクターにとって何を意味しますか?

この記事は、論文「AI & Water management — What utilities need to know now」からの抜粋です。論文全文はこちらからご覧いただけます。

水道業界によるAIの使用に対する機会と障壁を理解したい場合は、AIがどのように機能するか、最近どのように変更されたか、そしてテクノロジーの現在の場所(およびそれが重要な理由)を理解することが役立ちます。

まず、「人工知能(AI)」は、さまざまな分野やアプリケーションを含む広義の用語です。 AIを、人間の学習と問題解決を模倣するコンピューターの能力として広く定義する人もいます。他の人は、コンピュータが人間の思考プロセスを模倣するために人間がどのように考えるかを理解する必要があるため、AIをコンピュータサイエンスと神経学の交差点にある科学の一分野と考えています。

今日、ほとんどのAIは、特定のタスクや問題の解決にのみ焦点を当てているため、「ナローAI」とも呼ばれる人工知能(ANI)です。たとえば、水道部門では、画像やビデオを分析するAIの分野であるコンピュータービジョンを使用して、下水道のCCTV(カメラ)からの映像を検査してパイプの欠陥を特定する既存のプロセスを劇的に高速化します。この目的のためのコンピュータービジョンは、きれいなパイプ、欠陥のあるパイプ、またはぼろきれや動物などのパイプ内の何かの違いを区別できる必要があるため、狭いAIと見なすことができます。スマートすぎる必要はありません。知性は比較的狭いです。そして、それは多かれ少なかれ私たちが今日までAIにいた場所であり、ほとんどのAIアプリケーションは人工知能を採用しています。

パイプ内のアライグマを示すCCTV画像

私たちは徐々に「汎用AI」と呼ばれる人工知能(AGI)に参入しています。 AGIとは、推論、問題解決、学習、知覚など、通常は人間の知能に関連する幅広い知的タスクを実行できるAIシステムを指します。

近年、AIシステムの開発は大きく進んでいますが、真の汎用人工知能の実現はまだ始まったばかりです。チャットボットや自動運転車は、パターンに合わないものにフラグを立てて人間に介入を促すだけの狭いAIとは対照的に、刺激に反応するようにプログラムされているため、AGIであると主張する人もいます。

たとえば、自動運転車が道路の真ん中で負傷者を見つけた場合、何かをすることを決定する必要があり、その決定はミッションクリティカルです。負傷者の周りを運転することは解決策かもしれませんが、それは最良のものではありません。同時に、AGIが方法を知っていれば、AGIはAGIではなく、誰かに警告して、今何をすればよいのかを尋ねることだけを知っていました。停止したり、邪魔にならないように曲がったり、その他の対応をしたりして、問題をすぐに認識して対処する必要があります。これは車両が正常に機能するために不可欠であり、AIが故障すると社会に悪影響を及ぼします。

「スーパーAI」とも呼ばれる人工知能(ASI)は、AGIの後に登場します。これはあなたが心配することを選ぶかもしれない種類のAIですが、私たちはそのような人工知能の近くにいないので、今それについて心配する必要はありません。スーパーAIは、主に超越的な人工知能の架空の未来形態です。それは人間の知性を凌駕し、自己認識しており、自分で考えることができます。スーパーAIの実際の例はありませんが、架空のASIの潜在的な力とリスクを検討したい場合は、最愛のターミネーターフランチャイズからスカイネットに目を向けることができます。繰り返しになりますが、私たちはこの種のAIにはほど遠いので、達成できない(または達成したい)可能性があります。

AIはどのように学習し、今日のAIは過去とどのように異なりますか?

水産業におけるAIの進歩について、あるいは機械学習について語らずに語ることはできません。 AIは機械学習を通じて学習します。機械学習には多くの種類がありますが、今日最も人気があるのは、人間の学習方法を模倣しようとするプロセスである人工ニューラルネットワーク(ANN)です。 ANNは、人間の脳の働きをシミュレートするリンクされた処理ノードのレイヤーです。最も基本的なANNは、数層の処理ノード(小さなANN)のみを必要とします。この種のAIは「深くない」と見なされ、その過ちから学ぶために人間の介入が必要なため、制限されています。

機械学習 (ML) とディープラーニング (DL) の比較

一例として、水道部門では、コンピュータービジョンを使用して、人々が下水道管からのCCTV映像を検査してパイプの欠陥を特定する既存のプロセスを大幅に高速化します。ここで、基本的なANNモデルに基づくAIが、パイプの欠陥を特定するために「トレーニング中」であるとしましょう。この「深くない」AIは、パイプ内のビニール袋など、分類できない映像を人間の上司に分類するように依頼することで改善できます。たとえば、ビニール袋を見て、人間の上司に「これは何ですか?」と尋ねるかもしれません。その後、人間は物を「浮遊可能な破片」としてコード化します。 AIが学習するにつれて、さまざまなフロータブルを見つけたときに、人間のスーパーバイザーにコードを求め続ける可能性があります。しかし、最終的には、AIは十分な浮き物を見て、人間の介入なしにビニール袋を認識する方法を学習したため、サポートを求めるのをやめます。

しかし、最近では、より高度なANNを使用するAIが増えています。これは、ディープラーニングと呼ばれる高度なタイプの機械学習です。また、従来の機械学習とは異なり、ディープラーニングは学習に人間の介入を必要としません。それはそれ自身の過ちから学ぶことによってそれ自身を改善する能力を持っています。しかし、ディープラーニングは、正確な結果を生成するために、膨大な量のトレーニングデータ、処理能力、および学習時間を必要とします。下水道AIの新しいモデルはディープラーニングを使用しています。

重要なのは、AIが基本的なANNモデルに基づいているか、ディープラーニングモデルに基づいているかにかかわらず、人工知能は最初に機械学習を使用して学習する必要があるということです。そして、AIが学習するにつれて、AIが採用する機械学習の種類に応じて、人間の介入の有無にかかわらず、間違いを犯し、間違いから学習します。

しかし、人間とは異なり、AIが間違いを犯し、その間違いが修正された場合、AIは同じ間違いを二度と犯すべきではありません。これは、水セクターがAIソリューションの開発と採用で直面する機会を検討する上で重要です。

人間は疲れるからです。彼らは病気になります。彼らは忘れます。彼らは引退し、苦労して得た経験を彼らと一緒に持っていきます。人間はエクスペリエンスをオペレーターの次の「バージョン」に転送することはできませんが、AIはデフォルトでこれを行います。

新しいオペレーターは、各世代が経験を積むまで各世代で間違いを犯し続けますが、AIはその間違いから学んだ後は間違いを犯しません。なぜなら、これらのAIソリューションが過ちから学び、ますます良くなれば、人間とのコラボレーションによる知識の向上が、水業界のすべてのAIに拡大できるからです。

水セクターにおけるAI導入の障壁

現在、コンピューターは十分に高速であり、水セクターでディープラーニングAIを採用するためのデータがますます増えており、業界の運営方法を大幅に変えますが、業界は新しいテクノロジーを採用する上で独自の障壁に直面しています。第一に、水産業は利益主導ではなく、規制主導型です。第二に、このセクターは人間の生命と健康を維持する資源を扱っており、このためリスク回避的です。水セクターでのAIの採用を促進するには、これら2つの特性を克服する必要があります。

第一に、規制圧力は、私たちのセクターが採用するテクノロジーに強い影響を及ぼします。たとえば、水理モデルは非常にスケルトン化されていましたが、米国環境保護庁(EPA)がユーティリティにシステム内の塩素残留物を監視することを義務付け、ユーティリティにフィールド観測のモデル結果を置き換えるオプションを与えたとき、突然、全パイプモデリング技術が爆発し、他の方法でも有益になりました。

このセクターがより多くのAIソリューションを採用するように促す可能性のある規制が出現するかどうかはわかりません。たとえば、公益事業が莫大なエネルギーコストを最適化するための要件が存在する可能性があります。 EPAは、飲料水および廃水システムが米国の総エネルギー使用量の2%を使用し、年間 4,500万トンの温室効果ガスを生成すると推定しています。電力会社にエネルギー使用の最適化を要求する規制により、AIテクノロジーはエネルギー使用の課題の解決に役立つため、AIテクノロジーをより迅速に採用する可能性があります。

第二に、AIは間違いを犯す可能性があり、その事実は水道事業部門のリスク回避にぶつかります。つまり、たとえば、水道セクターがAIに飛び込んで、自動運転車で見られた速度で意思決定を行うことを可能にする代わりに、セクターはおそらくより遅いアプローチを取るでしょう。おそらく、AIが提案を行い、意思決定を支援することから始めて、水セクターにおけるAIと人間のコラボレーションのようなものになるでしょう。

完全な自動運転車の代わりに、ウォーターAIはスムーズなクルーズコントロールを提供し、意思決定を最適化できる提案をオペレーターに提供します。

そこで登場するのが「デジタルツイン」です。水道業界では、デジタルツインは、水道システムネットワークのように、ユーティリティ資産とパフォーマンスのデジタルレプリカです。デジタルツインは機械学習アプリケーションを採用できるため、エンジニアやオペレーターは、現実の世界で意思決定を行う前に、意思決定の結果をテストできます。

しかし、最終的には、私たちのセクターはAIの提案に慣れ、ますます影響力のある決定を下せるようになります。たとえば、ポンプのオンとオフを切り替えるセンサーはすでにあります。 AIを使用すると、ポンプエネルギーを使用するときによりスマートになります。そして、それは必ずしもユーティリティの仕事がなくなることを意味するわけではありません。代わりに、時間とリソースが不足している公益事業者は、面倒なタスクを信頼できるAIに任せるため、人間の知性を必要とする重いワークロードの他の側面に集中できます。