Saša Tomić
Artikel ini diambil dari kertas “Pengurusan AI & Air – Apa utiliti yang perlu diketahui sekarang.” Anda akan menemui kertas penuh di sini.
Jika anda ingin memahami peluang dan halangan kepada penggunaan AI dalam industri air, adalah berguna untuk memahami bagaimana AI berfungsi, bagaimana ia baru-baru ini berubah, dan di mana kita sekarang dengan teknologi (dan mengapa itu penting).
Pertama, “Kecerdasan Buatan (AI)” adalah istilah luas yang merangkumi bidang dan aplikasi yang berbeza. Ada yang secara meluas mentakrifkan AI sebagai keupayaan komputer untuk meniru pembelajaran manusia dan penyelesaian masalah. Orang lain menganggap AI sebagai cabang sains di persimpangan sains komputer dan neurologi, kerana anda perlu memahami bagaimana manusia berfikir untuk mempunyai komputer meniru proses pemikiran manusia.
Hari ini, kebanyakan AI adalah Kecerdasan Sempit Buatan (ANI), juga dipanggil “AI Sempit”, kerana mereka hanya memberi tumpuan kepada menyelesaikan tugas atau masalah tertentu. Sebagai contoh, dalam sektor air kita menggunakan penglihatan komputer, bidang AI yang menganalisis imej dan video, secara dramatik mempercepatkan proses sedia ada di mana orang memeriksa rakaman dari kamera Televisyen Litar Tertutup (CCTV) pembetung untuk mengenal pasti kecacatan pada paip. Visi komputer untuk tujuan ini boleh dianggap sebagai AI sempit kerana ia hanya perlu dapat membezakan antara paip bersih, paip dengan kecacatan, atau sesuatu dalam paip, seperti kain buruk atau haiwan. Ia tidak perlu terlalu pintar; kecerdasannya agak sempit. Dan itu lebih kurang di mana kita berada sehingga hari ini dengan AI-kebanyakan aplikasi AI menggunakan kecerdasan sempit buatan.
Imej CCTV menunjukkan raccoon dalam paip
Kami perlahan-lahan masuk ke dalam apa yang dipanggil Kecerdasan Umum Buatan (AGI), kadang-kadang disebut sebagai “Jeneral AI.” AGI merujuk kepada sistem AI yang mampu melaksanakan pelbagai tugas intelektual yang biasanya dikaitkan dengan kecerdasan manusia, seperti penaakulan, penyelesaian masalah, pembelajaran, dan persepsi.
Walaupun terdapat kemajuan yang ketara dalam pembangunan sistem AI dalam beberapa tahun kebelakangan ini, kita hanya mula mencapai AGI sebenar. Ada yang berpendapat bahawa chatbots dan kenderaan autonomi memandu sendiri adalah AGI kerana mereka diprogramkan untuk bertindak balas terhadap rangsangan, berbeza dengan AI sempit, yang hanya perlu menandakan sesuatu yang tidak sesuai dengan corak dan memberi amaran kepada manusia untuk campur tangan.
Sekiranya kenderaan memandu sendiri autonomi, misalnya, melihat orang yang cedera di tengah jalan, ia harus memutuskan untuk melakukan sesuatu, dan keputusannya adalah misi kritikal. Semasa memandu di sekitar orang yang cedera mungkin menjadi penyelesaian, itu bukan yang terbaik. Pada masa yang sama, AGI tidak akan menjadi AGI jika semua yang tahu bagaimana untuk melakukan adalah memberi amaran kepada seseorang dan bertanya, apa yang perlu saya lakukan sekarang? Ia perlu mengenali dan menangani masalah dengan segera dengan menghentikan, keluar dari jalan, atau beberapa tindak balas lain. Adalah penting untuk kenderaan berfungsi dengan jayanya, dan jika AI gagal, ia memberi kesan buruk kepada masyarakat.
Kecerdasan Super Buatan (ASI), juga dirujuk sebagai “Super AI”, datang selepas AGI. Ini adalah jenis AI yang mungkin anda pilih untuk dibimbangkan, tetapi anda tidak perlu risau sekarang, kerana kami tidak dekat dengan kecerdasan buatan seperti itu. Super AI sebahagian besarnya adalah bentuk masa depan hipotetikal kecerdasan buatan yang transendental. Ia melampaui kecerdasan manusia, ia sedar diri, dan ia boleh berfikir sendiri. Tidak ada contoh dunia sebenar super AI, tetapi anda boleh melihat Skynet dari francais Terminator yang dikasihi jika anda ingin mempertimbangkan potensi kuasa dan risiko ASI fiksyen. Sekali lagi, kami tidak berada di mana-mana berhampiran AI seperti ini, dan kami mungkin tidak mencapainya (atau mahu berbuat demikian).
Bagaimanakah AI belajar, dan bagaimana AI hari ini berbeza dari masa lalu?
Kita tidak boleh bercakap tentang kemajuan AI dalam industri air, atau pada umumnya, tanpa bercakap mengenai pembelajaran mesin. AI belajar melalui pembelajaran mesin. Terdapat banyak jenis pembelajaran mesin, tetapi hari ini yang paling popular adalah rangkaian saraf buatan (ANN), satu proses yang cuba meniru cara manusia belajar. ANN adalah lapisan nod pemprosesan berkaitan yang mensimulasikan cara otak manusia berfungsi. ANN yang paling asas hanya memerlukan beberapa lapisan nod pemprosesan (ANN kecil). AI jenis ini dianggap “tidak mendalam” dan ia terhad kerana ia memerlukan campur tangan manusia untuk belajar daripada kesilapannya.
Pembelajaran Mesin (ML) berbanding Pembelajaran Mendalam (DL)
Sebagai contoh, dalam sektor air kita menggunakan visi komputer untuk mempercepatkan proses sedia ada secara drastik di mana orang ramai memeriksa rakaman CCTV dari paip pembetung untuk mengenal pasti kecacatan paip. Sekarang, katakan AI berdasarkan model ANN asas adalah “dalam latihan” untuk mengenal pasti kecacatan dalam paip. AI “tidak mendalam” ini boleh diperbaiki dengan meminta penyelia manusianya mengkategorikan rakaman bahawa ia tidak boleh mengkategorikan, seperti beg plastik dalam paip. Ia mungkin melihat beg plastik, sebagai contoh, dan ia akan bertanya kepada penyelia manusianya, apakah ini? Manusia kemudian akan mengekodkan benda itu sebagai “serpihan terapung.” Seperti yang dipelajari oleh AI, ia mungkin terus meminta penyelia manusia untuk kod apabila ia melihat terapung yang berbeza. Tetapi akhirnya, AI akan melihat apungan yang cukup bahawa ia berhenti meminta sokongan, kerana ia belajar bagaimana mengenali beg plastik tanpa campur tangan manusia lagi.
Walau bagaimanapun, hari ini, kita semakin mempunyai AI yang menggunakan ANN yang lebih maju. Ini adalah jenis pembelajaran mesin canggih yang dipanggil pembelajaran mendalam. Dan tidak seperti pembelajaran mesin klasik, pembelajaran mendalam tidak memerlukan campur tangan manusia untuk belajar. Ia mempunyai keupayaan untuk memperbaiki dirinya dengan belajar dari kesilapannya sendiri. Tetapi inilah masalahnya: pembelajaran mendalam memerlukan sejumlah besar data latihan, kuasa pemprosesan, dan masa untuk belajar untuk menghasilkan hasil yang tepat. Model pembetung AI yang lebih baru menggunakan pembelajaran mendalam.
Maksudnya, kecerdasan buatan mesti terlebih dahulu belajar dengan menggunakan pembelajaran mesin, sama ada AI berdasarkan model ANN asas atau model pembelajaran mendalam. Dan apabila ia belajar, ia akan membuat kesilapan, dan belajar dari kesilapannya, dengan campur tangan manusia atau tanpa bergantung kepada jenis pembelajaran mesin yang digunakan oleh AI.
Tetapi tidak seperti manusia, apabila AI membuat kesilapan dan kesilapan itu diperbetulkan, ia tidak boleh membuat kesilapan yang sama lagi. Dan itu penting apabila mempertimbangkan peluang yang dihadapi oleh sektor air dengan membangun dan mengguna pakai penyelesaian AI.
Kerana manusia letih. Mereka jatuh sakit. Mereka lupa. Mereka bersara dan mengambil pengalaman mereka yang susah payah dengan mereka. Manusia tidak mempunyai keupayaan untuk memindahkan pengalaman ke “versi” seterusnya pengendali, sementara AI melakukan ini secara lalai.
Pengendali baru akan terus melakukan kesilapan dalam setiap generasi sehingga setiap generasi memperoleh pengalaman, tetapi AI tidak akan selepas ia belajar daripada kesilapannya. Dan ini merupakan peluang dalam sektor air kerana jika kita membenarkan penyelesaian AI ini belajar daripada kesilapan mereka dan semakin mendapat yang lebih baik, pengetahuan yang lebih baik melalui kerjasama dengan manusia boleh berkembang kepada semua AI dalam industri air dan seterusnya.
Halangan penggunaan AI dalam sektor air
Walaupun komputer kini cukup pantas dan terdapat lebih banyak data untuk menggunakan AI pembelajaran mendalam dalam sektor air yang secara drastik akan mengubah cara industri beroperasi, industri menghadapi halangan unik untuk menerima pakai teknologi baru. Pertama, industri air sangat didorong oleh peraturan dan bukannya didorong keuntungan. Kedua, sektor ini berkaitan dengan sumber yang mengekalkan kehidupan dan kesihatan manusia dan atas sebab ini ia adalah risiko yang songsang. Kedua-dua ciri tersebut perlu diatasi bagi memudahkan penggunaan AI dalam sektor air.
Pertama, tekanan pengawalseliaan mempunyai kesan yang kuat terhadap teknologi yang diterima pakai oleh sektor kami. Sebagai contoh, model hidraulik dulu sangat rangka, tetapi apabila Agensi Perlindungan Alam Sekitar AS (EPA) memberi mandat bahawa utiliti memantau sisa klorin dalam sistem, dan memberikan utiliti pilihan untuk menggantikan hasil model untuk pemerhatian lapangan, tiba-tiba, teknologi pemodelan semua paip meletup, yang kemudiannya juga bermanfaat dengan cara lain.
Kami tidak tahu peraturan apa yang akan muncul yang boleh mendorong sektor ini ke arah menerima pakai lebih banyak penyelesaian AI. Sebagai contoh, mungkin terdapat keperluan untuk utiliti mengoptimumkan kos tenaga mereka yang besar. EPA menganggarkan sistem air minuman dan air sisa menggunakan dua peratus daripada penggunaan tenaga keseluruhan di AS, menjana 45 juta tan gas rumah hijau setiap tahun. Peraturan yang memerlukan utiliti untuk mengoptimumkan penggunaan tenaga mereka boleh memacu sektor ini untuk mengguna pakai teknologi AI dengan lebih cepat, kerana teknologi AI tersebut dapat membantu menyelesaikan cabaran penggunaan tenaga.
Kedua, AI boleh dan akan membuat kesilapan, dan fakta itu bertentangan dengan keengganan sektor utiliti air terhadap risiko. Ini bermakna daripada sektor air yang membenarkan AI melompat masuk dan membuat keputusan pada kelajuan yang kita lihat dengan kereta pandu sendiri, sebagai contoh, sektor ini mungkin akan mengambil pendekatan yang lebih perlahan. Ia mungkin akan menjadi lebih seperti kerjasama antara AI dan manusia dalam sektor air, bermula dengan AI membuat cadangan dan memberikan sokongan keputusan.
Daripada kereta pandu sendiri sepenuhnya, AI air akan menyediakan kawalan pelayaran yang lancar yang juga akan memberikan cadangan kepada pengendali yang boleh mengoptimumkan membuat keputusan.
Di situlah “kembar digital” dimainkan. Dalam industri air, kembar digital adalah replika digital aset utiliti dan prestasi, seperti rangkaian sistem air. Kembar digital boleh menggunakan aplikasi pembelajaran mesin, jadi jurutera dan pengendali boleh menguji hasil keputusan sebelum membuat keputusan tersebut di dunia nyata.
Akhirnya, sektor kita akan selesa dengan cadangan AI untuk membiarkannya membuat keputusan yang lebih berkesan. Kami sudah mempunyai sensor menghidupkan dan mematikan pam, sebagai contoh. Dengan AI, kita boleh menjadi lebih bijak apabila tenaga pam digunakan. Dan itu tidak semestinya bermakna pekerjaan utiliti akan hilang. Sebaliknya pengendali utiliti yang kekurangan masa dan sumber akan menyerahkan tugas yang membosankan kepada AI yang mereka percayai, supaya mereka dapat memberi tumpuan yang lebih baik kepada aspek lain beban kerja berat mereka yang memerlukan kecerdasan manusia.
#QatiumExperts
Qatium dicipta bersama pakar dan pemimpin pemikiran dari industri air. Kami mencipta kandungan untuk membantu utiliti dari semua saiz untuk menghadapi cabaran semasa & masa depan.
Saša Tomić, Digital Water Lead di Burns & McDonnell, adalah penasihat Qatium.
