AI 심층 분석: AI는 어떻게 변화했으며, 이것이 물 부문에 의미하는 바는 무엇입니까?

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

물 산업의 AI 사용에 대한 기회와 장벽을 이해하려면 AI가 어떻게 작동하는지, 최근에 어떻게 변경되었는지, 현재 기술의 현재 위치(그리고 이것이 중요한 이유)를 이해하는 것이 도움이 됩니다.

첫째, “인공 지능(AI)”은 다양한 분야와 응용 분야를 포괄하는 광범위한 용어입니다. 일부는 AI를 인간의 학습과 문제 해결을 모방하는 컴퓨터의 능력으로 광범위하게 정의합니다. 다른 사람들은 AI를 컴퓨터 과학과 신경학의 교차점에 있는 과학의 한 분야로 생각하는데, 컴퓨터가 인간의 사고 과정을 모방하도록 하려면 인간이 어떻게 생각하는지 이해해야 하기 때문입니다.

오늘날 대부분의 AI는 특정 작업이나 문제를 해결하는 데에만 집중하기 때문에 “Narrow AI”라고도 하는 ANI(Artificial Narrow Intelligence)입니다. 예를 들어, 물 부문에서는 이미지와 비디오를 분석하는 AI 분야인 컴퓨터 비전을 사용하여 사람들이 하수도 폐쇄 회로 텔레비전(CCTV) 카메라의 영상을 검사하여 파이프의 결함을 식별하는 기존 프로세스의 속도를 획기적으로 높입니다. 이 목적을 위한 컴퓨터 비전은 깨끗한 파이프, 결함이 있는 파이프 또는 헝겊이나 동물과 같은 파이프의 무언가를 구별할 수 있어야 하기 때문에 좁은 AI로 간주될 수 있습니다. 너무 똑똑할 필요는 없습니다. 지능이 상대적으로 좁습니다. 그리고 그것은 우리가 오늘날까지 AI와 함께 있었던 곳이며, 대부분의 AI 애플리케이션은 인공 협 지능을 사용합니다.

파이프에 너구리를 담은 CCTV 이미지

우리는 때때로 “일반 AI”라고도 하는 AGI(Artificial General Intelligence)라고 불리는 것에 서서히 들어가고 있습니다. AGI는 추론, 문제 해결, 학습 및 인식과 같이 일반적으로 인간 지능과 관련된 광범위한 지적 작업을 수행할 수 있는 AI 시스템을 말합니다.

최근 몇 년 동안 AI 시스템 개발에 상당한 진전이 있었지만 진정한 AGI를 달성하기 시작했습니다. 어떤 사람들은 챗봇과 자율 주행 자율 주행 차량이 패턴에 맞지 않는 것에 플래그를 지정하고 인간이 개입하도록 경고하기만 하면 되는 좁은 AI와 달리 자극에 반응하도록 프로그래밍되어 있기 때문에 AGI라고 주장합니다.

예를 들어, 자율 주행 차량이 도로 한복판에서 부상당한 사람을 발견하면 무언가를 하기로 결정해야 하며 그 결정은 미션 크리티컬합니다. 부상당한 사람 주위를 운전하는 것이 해결책이 될 수 있지만 최선의 방법은 아닙니다. 동시에, AGI가 할 줄 아는 모든 것이 누군가에게 경고하고 물어 보는 것뿐이라면 AGI가 아닐 것입니다. 멈추거나, 방향을 바꾸거나, 다른 대응을 통해 문제를 즉시 인식하고 처리해야 합니다. 차량이 성공적으로 작동하는 데 매우 중요하며 AI가 실패하면 사회에 부정적인 영향을 미칩니다.

“슈퍼 AI”라고도 하는 ASI(Artificial Super Intelligence)는 AGI 이후에 나옵니다. 이것은 당신이 걱정하기로 선택할 수 있는 종류의 AI이지만, 우리는 그런 종류의 인공 지능에 가깝지 않기 때문에 지금 그것에 대해 걱정할 필요가 없습니다. 슈퍼 AI는 대체로 초월적인 인공 지능의 가상의 미래 형태입니다. 그것은 인간의 지능을 능가하고, 자각하며, 스스로 생각할 수 있습니다. 슈퍼 AI의 실제 사례는 없지만 가상의 ASI의 잠재적인 힘과 위험을 고려하고 싶다면 사랑받는 터미네이터 프랜차이즈의 Skynet을 볼 수 있습니다. 다시 말하지만, 우리는 이런 종류의 AI에 가깝지 않으며 달성하지 못할 수도 있습니다(또는 그렇게 하기를 원할 수도 있습니다).

AI는 어떻게 학습하며, 오늘날의 AI는 과거와 어떻게 다릅니까?

기계 학습에 대해 이야기하지 않고는 물 산업 또는 전반적으로 AI의 발전에 대해 이야기할 수 없습니다. AI는 기계 학습을 통해 학습합니다. 기계 학습에는 여러 유형이 있지만 오늘날 가장 인기 있는 것은 인간이 학습하는 방식을 모방하려는 프로세스인 인공 신경망(ANN)입니다. ANN은 인간의 두뇌가 작동하는 방식을 시뮬레이션하는 연결된 처리 노드의 계층입니다. 가장 기본적인 ANN에는 몇 개의 처리 노드 계층(작은 ANN)만 필요합니다. 이러한 종류의 AI는 “심층적이지 않은” 것으로 간주되며 실수로부터 배우기 위해 인간의 개입이 필요하기 때문에 제한적입니다.

기계 학습(ML)과 딥 러닝(DL) 비교

예를 들어, 물 부문에서는 컴퓨터 비전을 사용하여 사람들이 하수관의 CCTV 영상을 검사하여 파이프 결함을 식별하는 기존 프로세스의 속도를 크게 높입니다. 이제 기본 ANN 모델을 기반으로 하는 AI가 파이프의 결함을 식별하기 위해 “훈련 중”이라고 가정해 보겠습니다. 이 “깊지 않은” AI는 인간 감독자에게 파이프의 비닐 봉지와 같이 분류할 수 없는 영상을 분류하도록 요청하여 개선할 수 있습니다. 예를 들어, 비닐 봉지를 보고 인간 감독관에게 이게 뭐냐고 물어볼 수도 있습니다. 그런 다음 인간은 그 물건을 “떠 다니는 파편”으로 코딩합니다. AI가 학습함에 따라 다른 부유물을 볼 때 인간 감독자에게 코드를 계속 요청할 수 있습니다. 그러나 결국 AI는 더 이상 사람의 개입 없이 비닐 봉지를 인식하는 방법을 배웠기 때문에 지원 요청을 중단할 만큼 충분한 부유물을 보게 될 것입니다.

그러나 요즘에는 고급 ANN을 사용하는 AI가 점점 더 많아지고 있습니다. 이것은 딥 러닝이라고 하는 고급 유형의 기계 학습입니다. 그리고 고전적인 기계 학습과 달리 딥 러닝은 학습하기 위해 사람의 개입이 필요하지 않습니다. 자신의 실수로부터 배움으로써 스스로를 향상시킬 수 있는 능력이 있습니다. 그러나 딥 러닝은 정확한 결과를 얻기 위해 방대한 양의 학습 데이터, 처리 능력 및 학습 시간이 필요합니다. 하수도 AI의 최신 모델은 딥 러닝을 사용합니다.

요점은 인공 지능이 기본 ANN 모델을 기반으로 하든 딥 러닝 모델을 기반으로 하든 먼저 기계 학습을 사용하여 학습해야 한다는 것입니다. 그리고 학습하면서 실수를 저지르고 실수로부터 배우며, AI가 사용하는 기계 학습의 종류에 따라 인간의 개입이 있거나 없는 상태에서 학습합니다.

그러나 인간과 달리 AI가 실수를 하고 그 실수가 바로잡히면 다시는 같은 실수를 해서는 안 됩니다. 이는 물 부문이 AI 솔루션을 개발하고 채택할 때 직면하는 기회를 고려할 때 중요합니다.

인간은 피곤하기 때문입니다. 그들은 아프다. 그들은 잊어 버립니다. 그들은 은퇴하고 힘들게 얻은 경험을 가지고 있습니다. 인간은 경험을 운영자의 다음 “버전”으로 전송할 수 있는 능력이 없지만 AI는 기본적으로 이 작업을 수행합니다.

새로운 운영자는 각 세대가 경험을 얻을 때까지 각 세대에서 계속 실수를 저지르지만 AI는 실수로부터 배운 후에는 그렇지 않습니다. 이러한 AI 솔루션이 실수로부터 배우고 점점 더 개선되도록 허용하면 인간과의 협업을 통해 향상된 지식이 물 산업과 그 너머의 모든 AI로 확장될 수 있기 때문에 이는 물 부문에서 기회를 나타냅니다.

물 부문에서 AI 채택을 가로막는 장벽

이제 컴퓨터가 충분히 빨라지고 산업 운영 방식을 크게 변화시킬 물 부문에서 딥 러닝 AI를 사용할 데이터가 점점 더 많아지고 있지만, 업계는 새로운 기술을 채택하는 데 있어 고유한 장벽에 직면해 있습니다. 첫째, 물 산업은 이윤 중심이 아닌 강력한 규제 중심입니다. 둘째,이 부문은 인간의 생명과 건강을 유지하는 자원을 다루기 때문에 위험을 회피합니다. 이 두 가지 특성은 물 부문에서 AI의 채택을 촉진하기 위해 극복되어야 합니다.

첫째, 규제 압력은 우리 부문이 채택하는 기술에 큰 영향을 미칩니다. 예를 들어, 수력학 모델은 매우 골격화되어 있었지만, 미국 환경 보호국(EPA)이 유틸리티가 시스템의 잔류염소를 모니터링하도록 의무화하고 유틸리티에 현장 관찰을 위해 모델 결과를 대체할 수 있는 옵션을 제공했을 때 갑자기 모든 파이프 모델링 기술이 폭발적으로 증가하여 다른 방식으로도 도움이 되었습니다.

우리는 이 부문이 더 많은 AI 솔루션을 채택하도록 밀어붙일 수 있는 어떤 규정이 나타날지 모릅니다. 예를 들어, 유틸리티가 막대한 에너지 비용을 최적화해야 하는 요구 사항이 있을 수 있습니다. EPA는 식수 및 폐수 시스템이 미국 전체 에너지 사용량의 2%를 사용하여 연간 4,500만 톤 의 온실 가스를 발생시키는 것으로 추정합니다. 유틸리티가 에너지 사용을 최적화하도록 요구하는 규정은 AI 기술이 에너지 사용 문제를 해결하는 데 도움이 될 수 있기 때문에 해당 부문이 AI 기술을 더 빨리 채택하도록 유도할 수 있습니다.

둘째, AI는 실수를 할 수 있고 또 그렇게 할 것이며, 그 사실은 수도 유틸리티 부문의 위험에 대한 혐오감과 부딪칩니다. 즉, 예를 들어 AI가 자율 주행 자동차에서 보았던 속도로 뛰어 들어 결정을 내릴 수 있도록하는 물 부문 대신이 부문은 더 느린 접근 방식을 취할 가능성이 높습니다. 그것은 아마도 AI가 제안하고 의사 결정 지원을 제공하는 것으로 시작하여 물 부문에서 AI와 인간 간의 협력과 비슷할 것입니다.

완전 자율 주행 자동차 대신 물 AI는 원활한 크루즈 컨트롤을 제공하여 의사 결정을 최적화 할 수있는 제안을 운영자에게 제공합니다.

이것이 바로 “디지털 트윈”이 작동하는 곳입니다. 물 산업에서 디지털 트윈은 수도 시스템 네트워크와 같은 유틸리티 자산 및 성능의 디지털 복제본입니다. 디지털 트윈은 머신 러닝 애플리케이션을 사용할 수 있으므로 엔지니어와 운영자는 실제 세계에서 의사 결정을 내리기 전에 의사 결정 결과를 테스트할 수 있습니다.

그러나 결국 우리 부문은 점점 더 영향력 있는 결정을 내릴 수 있도록 AI 제안에 익숙해질 것입니다. 예를 들어, 우리는 이미 펌프를 켜고 끄는 센서를 가지고 있습니다. AI를 사용하면 펌프 에너지를 사용할 때 더 똑똑해질 수 있습니다. 그렇다고해서 유틸리티 일자리가 반드시 사라지는 것은 아닙니다. 대신 시간과 자원이 부족한 유틸리티 운영자는 지루한 작업을 신뢰할 수 있는 AI에 넘겨 인간의 지능이 필요한 과중한 워크로드의 다른 측면에 더 집중할 수 있습니다.