종을 울리십시오 : 물 부문이 AI에 수렴 할 때입니다.

이 기사는 “AI & Water management — What utilities need to know now” 논문에서 발췌한 것입니다. 전체 논문은 여기에서 확인할 수 있습니다.

종을 울리고 판도를 바꾸는 AI 모델과 도구를 중심으로 물 산업을 결집하거나 뒤처질 위험을 감수해야 할 때입니다. 최근 GPT-3 이후 출시된 OpenAI의 대규모 언어 모델(LLM) GPT-4(Generative Pre-trained Transformer 4)의 최신 버전은 생성형 AI 혁명을 이끌었습니다. GPT-4는 텍스트 및 이미지 프롬프트를 모두 입력으로 수신할 수 있기 때문에 다중 모드입니다(제한된 릴리스만 해당). 이미지 입력의 경우 GPT-4는 이미지의 내용을 이해하려고 시도합니다. 이 다중 모드 LLM의 힘을 보는 것은 기괴합니다. LLM의 매개 변수 수는 종종 크기와 복잡성의 척도입니다. 이 LLM과 이와 유사한 LLM은 수천억에서 수조 개의 매개 변수를 사용합니다. 또한 인간 감독 및 비감독 훈련 기술의 조합을 사용하여 지속적으로 더 좋고 정확해집니다.

이 LLM은 Alexa 또는 Siri와 같은 것에서 얻는 데 익숙한 표준 언어 능력과는 다릅니다. 자연어 및 이미지로 작업하는 고급 기능은 매우 유연하고 적응력이 뛰어납니다. 이러한 모델은 인간과 같은 서면 텍스트를 생성하도록 일반 언어로 프롬프트 될 수있을뿐만 아니라 새로운 학습 데이터를 제공하고 새로운 응용 프로그램을 위해 구축함으로써 새로운 행동을 학습 할 수도 있습니다. 이를 특정 업종에 대한 모델의 라스트 마일 데이터 훈련이라고도 하며, 그 다음에는 미세 조정 유형 훈련이라고 합니다.

챗봇인 ChatGPT는 자연어 및 이미지 프롬프트에서 사람과 유사한 텍스트를 생성할 수 있지만 DALL-E-2는 동일한 GPT-4 언어 모델을 사용하여 자연어 프롬프트에서 이미지를 생성합니다. DALL-E-2는 텍스트 설명에서 고품질 이미지를 생성할 수 있는 OpenAI가 개발한 신경망 기반 AI 모델입니다. 기존 이미지 데이터 세트에 의존하는 기존 이미지 생성 모델과 달리 DALL-E-2는 딥 러닝 기술과 자연어 처리(NLP)의 조합을 사용하여 텍스트 입력에서 원본 이미지를 생성합니다.

DALL-E-2는 간단한 일반 언어 프롬프트 “로봇 모양의 3D 파이프 네트워크”에서 몇 초 만에 이 원본 이미지를 생성했습니다.

이것은 시작에 불과합니다. 이러한 모델은 현재로서는 너무 복잡할 수 있지만 앞으로 더 강력하고 정교한 반복이 결국 출시될 것입니다. 예를 들어, GPT-3의 모델은 1,750억 개의 매개변수를 기반으로 하며, 게시 시점에는 GPT-4가 얼마나 많은 매개변수를 가지고 있는지 명확하지 않지만 일부는 다른 LLM이 최대 1조 개의 매개변수를 사용할 수 있다고 예측합니다. 따라서 이러한 언어 모델은 현재 강력하지만 앞으로 더 좋아질 것이므로 다른 무엇을 할 수 있을지 궁금합니다.

이것이 바로 물 산업이 지금 뛰어들어야 하는 이유인데, AI 도구는 개발된 도메인과 훈련된 데이터에 따라 다른 영향을 미치기 때문입니다. 이러한 모델이 물 산업에서 심층적이고 진정한 적용을 위해서는 산업별 데이터와 인텔리전스가 필요합니다.

물 부문에서 데이터의 마지막 마일 추진

우리는 물 산업에서 “데이터의 마지막 마일”이라고 부를 수있는 것을 살펴보기 시작해야합니다. 여기에서 업계의 데이터와 개념에 대해 매우 구체적으로 파악하여 이러한 모델과 이를 사용하는 사람들을 교육하여 물 부문의 고유한 문제를 해결하는 데 도움을 줄 수 있습니다. 물 산업을 정확하게 반영하는 크고 다양하며 대표적인 데이터는 이러한 AI가 산업에 유용하기 위한 핵심입니다. 우리는 이러한 모델에 물 부문에 고유한 전문 어휘, 전문 용어, 관련 데이터 및 개념을 가르쳐야 합니다.

여기서 논의한 바와 같이, 이러한 최신 LLM의 정확성과 관련된 과제 중 하나는 데이터 및 훈련 편향의 영향을 받는다는 것입니다. 예를 들어 GPT-4 모델은 FLHF(Reinforcement Learning from Human Feedback )라는 기술을 사용하여 텍스트 데이터와 인간의 강화를 모두 학습합니다. 이 기술은 AI의 학습 프로세스를 안내하기 위해 사람의 피드백을 사용하여 기준 모델을 미세 조정합니다. 그러나 모델 학습에 참여하는 데이터와 사람은 잠재적인 최종 사용자를 대표하지 않을 수 있으며, 이는 이러한 모델이 생성하는 결과의 종류에 영향을 줄 수 있습니다.

이 모델에는 다른 문제가 있습니다. 예를 들어, ChatGPT의 모델은 환각을 일으켜 논리적으로 타당해 보이는 오답을 줄 수 있습니다. 또한 설명할 수 있는 AI가 아니기 때문에 답이 어떻게 나오는지 이해할 수 없는 블랙박스와 같습니다. 우리는 이러한 모델의 정확성을 테스트하고 모델이 우리 부문에 맞게 조정되도록 감독할 업계 지식이 있는 사람이 필요합니다.

전 세계의 유틸리티가 익명의 시간당 계량기 데이터를 모아 우리 부문에서 이러한 새로운 AI 모델을 훈련하고 활용하는 데 도움을 준다면 어떤 일이 일어날지 상상해 보십시오. 예를 들어 방대한 글로벌 미터 데이터 세트를 사용하면 AMI 미터를 설치하고 배포할 리소스가 없을 수 있는 유틸리티에 가상 미터에 대한 개념을 제공할 수 있습니다. 가상 미터는 디지털 트윈을 포함한 모든 유형의 운영 분석을 위한 강력한 데이터 입력 역할을 할 수 있습니다. 물 부문의 라스트 마일 데이터에 대해 협력함으로써 유틸리티는 AI의 힘을 사용하여 물 사용량 및 패턴에 대한 보다 포괄적인 이해를 생성할 수 있으며, 이를 통해 보다 효과적인 물 관리 전략을 알리고 고객과 환경에 더 나은 결과를 가져올 수 있습니다.

이는 혁신적인 물 사업에서 수십 년의 암묵적 지식을 가진 유틸리티 운영자(은퇴를 앞두고 그 지식을 가져갈 일부 포함)에 이르기까지 물 부문의 모든 사람이 전 세계적으로 협력하고 이러한 모델에 물 산업 컨텍스트, 감독 및 데이터를 도입할 수 있는 기회이므로 우리 부문의 혁신가가 모든 유틸리티의 이익을 위해 물 산업의 특정 지식과 목표에 맞춤화된 AI 솔루션을 개발하고 결합할 수 있습니다. 크고 작은.

모든 규모의 유틸리티에 대한 AI 기회의 민주화; 작업을 대체하지 않음

소규모 유틸리티 또는 리소스가 제한된 유틸리티의 경우 AI의 이러한 새로운 개발이 벅차거나 손이 닿지 않는 것처럼 느껴질 수 있습니다. 그러나 실제로 이러한 새로운 언어 모델은 사람들이 습관을 크게 바꾸거나 완전히 새로운 프로그램을 훈련하여 이점을 볼 필요가 없기 때문에 AI 기술을 민주화합니다. 이를 통해 사람들은 전문 지식과 기술 없이도 AI의 힘에 접근할 수 있으며, AI가 필요한 것을 생산할 수 있도록 하는 데 필요한 것은 평범한 언어와 약간의 창의성뿐입니다(신속한 엔지니어링은 물 부문에서 흥미로운 초점이 될 수 있음).

이러한 도구를 사용한 요약 기회만으로도 일상 업무에 유용한 응용 프로그램을 제공합니다. 모든 유형의 유틸리티 데이터를 유용한 AI 도우미에게 공급하면 몇 초 만에 데이터에 대한 일반 언어 통찰력을 제공할 수 있다고 상상해 보십시오. 데이터를 분석하기 전에도 이러한 모델은 비전문가가 평균 물 소비량, 다양한 유형의 압력 판독값 또는 수질 데이터와 같은 관련 정보를 추출하는 좋은 코드 샘플을 작성하는 데 도움이 될 수 있습니다. 우리 부문이 아직 정리되지 않은 데이터를 사전 처리하는 데 도움이 될 수 있으며 데이터를 사전 처리하기 위해 수행해야 할 작업을 알려줄 수도 있습니다.

당신은 많은 전문 지식을 가진 매우 작은 유틸리티의 운영자가 될 수 있으며 누출을 들었기 때문에 누출이 있다는 것을 알고 있지만 이에 대한 추가 정보가 필요합니다. 이러한 새로운 언어 모델은 자연어를 사용하여 AI 모델과 통신하고 AI 모델이 제공할 수 있는 인사이트를 실험하는 유틸리티 운영자에게 문을 열어줍니다. 어쩌면 데이터 도우미를 사용하는 것처럼 문제를 더 잘 이해하기 위해 필요한 데이터를 제안 할 수 있습니다. 그런 의미에서 이러한 AI 모델은 물 부문의 인간이 가지고 있는 실제 경험과 암묵적인 전문 지식이 없기 때문에 작업을 대체하는 것이 아니라 AI와의 파트너십입니다.

물 부문에 대한 이러한 모델을 실험하고 훈련하기 위한 많은 데이터가 이미 있지만, “서비스로서의 데이터”(DAAS – 참조 스완 포럼 해당 주제에 대한 자세한 내용) AI로부터 양질의 답변을 얻는 데 필요한 데이터를 수집하기 위해 데이터, 리소스, 용량 및 전문 지식이 부족할 수 있는 소규모 유틸리티의 격차를 해소하기 위한 모델이 등장하기 시작했습니다. 이러한 새로운 비즈니스 모델은 올바른 문제와 위치에 적합한 센서를 획득하고 데이터 통신, 데이터 정리 및 분석을 설정하여 유틸리티가 데이터의 이점을 얻는 데 집중할 수 있도록 하는 책임을 맡습니다. 이러한 소프트웨어와 서비스의 조합은 이러한 기술의 이점과 함께 모든 작은 유틸리티를 매우 빠르게 가져올 수 있습니다.

물 부문은 이러한 새로운 AI 도구를 테스트하고 플레이하고 실험하여 어떻게 작동하는지 확인하는 것을 두려워해서는 안 됩니다. 작은 마을에서 대도시에 이르기까지, 현장 직원에서 임원에 이르기까지, 유틸리티 기업은 최소한의 데이터로도 AI가 작업을 더 쉽게 만들 수 있는 방법에 뛰어들어 놀이, 혁신 및 학습을 시작할 수 있습니다.

마지막으로, 이는 유틸리티 운영자 및 관리자, 엔지니어, 과학자, 학자 등 물 산업의 심층적인 전문 지식과 지식을 가진 모든 출처가 기계 학습에 전문 지식을 기여하여 지능적인 결과를 발전시키고 이러한 LLM이 물 부문의 의사 결정을 개선할 수 있는 방법을 탐구하도록 요청하는 것입니다.