Gigi Karmous-Edwards
Artikel ini diambil dari kertas “Pengurusan AI & Air – Apa utiliti yang perlu diketahui sekarang.” Anda akan menemui kertas penuh di sini.
Sudah tiba masanya untuk membunyikan loceng dan mengumpulkan industri air di sekitar model dan alat AI yang mengubah permainan, atau berisiko ketinggalan. Lelaran terbaru OpenAI’s Large Language Model (LLM) GPT-4 (Generative Pre-trained Transformer 4), yang baru-baru ini dikeluarkan selepas GPT-3, telah membawa revolusi AI generatif. GPT-4 adalah multimodal kerana ia boleh menerima kedua-dua teks dan gesaan imej sebagai input (keluaran terhad sahaja). Untuk input imej, GPT-4 akan cuba memahami kandungan imej. Adalah sukar untuk melihat kuasa LLM multimodal ini. Bilangan parameter dalam LLM selalunya merupakan ukuran saiz dan kerumitannya. LLM ini, dan yang menyukainya, menggunakan beratus-ratus bilion hingga trilion parameter. Ia juga menggunakan gabungan teknik latihan yang diselia oleh manusia dan tanpa pengawasan untuk terus menjadi lebih baik dan lebih tepat.
LLM ini berbeza daripada kebolehan bahasa standard yang biasa anda perolehi daripada sesuatu seperti Alexa atau Siri. Keupayaan canggih mereka untuk bekerja dengan bahasa dan imej semula jadi menjadikan mereka sangat fleksibel dan boleh menyesuaikan diri. Bukan sahaja mereka boleh digesa dalam bahasa biasa untuk menghasilkan teks bertulis seperti manusia, model-model ini juga boleh mempelajari tingkah laku baru hanya dengan memberi mereka data latihan baru dan dengan membina mereka untuk aplikasi baru. Ini kadang-kadang dirujuk sebagai latihan data last-mile model untuk menegak tertentu, diikuti dengan latihan jenis penalaan halus.
Walaupun ChatGPT, chatbot, boleh menjana teks seperti manusia daripada gesaan bahasa semula jadi dan imej, DALL-E-2 menggunakan model bahasa GPT-4 yang sama untuk menjana imej daripada gesaan bahasa semula jadi. DALL-E-2 ialah model AI berasaskan rangkaian neural yang dibangunkan oleh OpenAI yang mampu menjana imej berkualiti tinggi daripada huraian teks. Tidak seperti model penjanaan imej tradisional yang bergantung pada set data imej yang sedia ada, DALL-E-2 menggunakan gabungan teknik pembelajaran mendalam dan pemprosesan bahasa semula jadi (NLP) untuk menjana imej asal daripada input teks.
DALL-E-2 menjana imej asal ini dalam beberapa saat dari gesaan bahasa biasa yang mudah “rangkaian paip 3D dalam bentuk robot.”
Ini hanyalah permulaan. Walaupun model-model ini mampu hanya banyak kerumitan pada masa ini, masa depan, lelaran yang lebih berkuasa dan canggih akhirnya akan dikeluarkan. Model GPT-3 adalah berdasarkan 175 bilion parameter, sebagai contoh, dan walaupun ia tidak jelas pada masa penerbitan berapa banyak parameter GPT-4, ada yang meramalkan LLM lain boleh menggunakan sehingga satu trilion parameter. Jadi sementara model bahasa ini berkuasa sekarang, mereka hanya akan menjadi lebih baik, yang membuat seseorang tertanya-tanya, apa lagi yang boleh mereka lakukan?
Dan itulah sebabnya industri air harus melompat masuk sekarang, kerana alat AI akan mempunyai kesan yang berbeza bergantung pada domain yang mereka bangunkan dan data yang mereka latih. Agar model-model ini mempunyai aplikasi yang mendalam dan benar dalam industri air, mereka memerlukan data dan kecerdasan khusus industri.
Memandu batu terakhir data dalam sektor air
Kita perlu mula melihat apa yang kita panggil “batu terakhir data” dalam industri air. Di sinilah kita sangat spesifik mengenai data dan konsep dalam industri kita, jadi kita boleh mula melatih model-model ini, dan orang-orang yang menggunakannya, untuk membantu menangani cabaran unik sektor air. Data perwakilan yang besar, pelbagai, yang mencerminkan industri air dengan tepat adalah kunci untuk AI ini berguna kepada industri. Kita perlu mengajar model-model ini perbendaharaan kata khusus, jargon, data yang relevan, dan konsep yang unik untuk sektor air.
Kerana seperti yang dibincangkan di sini, salah satu cabaran dengan ketepatan LLM yang lebih baru ini ialah mereka dipengaruhi oleh data dan kecenderungan latihan mereka. Model GPT-4, sebagai contoh, belajar daripada kedua-dua data teks dan tetulang daripada manusia, menggunakan teknik yang dipanggil pembelajaran tetulang daripada maklum balas manusia (FLHF). Teknik ini memperhalusi model asas dengan menggunakan maklum balas manusia untuk membimbing proses pembelajaran AI. Walau bagaimanapun, data dan orang yang mengambil bahagian dalam latihan model mungkin tidak mewakili pengguna akhir yang berpotensi, dan itu boleh menjejaskan jenis hasil yang dihasilkan oleh model ini.
Terdapat masalah lain dengan model ini. Sebagai contoh, model ChatGPT boleh halusinasi, memberikan anda jawapan yang salah yang kelihatan logik bunyi. Ia juga tidak boleh dijelaskan AI, menjadikannya sesuatu yang kotak hitam di mana kita tidak faham bagaimana ia datang kepada jawapannya. Kami memerlukan orang yang mempunyai pengetahuan industri untuk menguji model-model ini untuk ketepatan dan menyelia mereka untuk memastikan model-model itu sesuai dengan sektor kami.
Bayangkan apa yang boleh berlaku jika utiliti di seluruh dunia mengumpulkan data meter jam tanpa nama mereka untuk membantu melatih dan memanfaatkan model AI baharu ini untuk sektor kami. Dengan set data meter global yang besar, sebagai contoh, mungkin untuk menyediakan konsep meter maya kepada utiliti yang mungkin tidak mempunyai sumber untuk memasang dan menggunakan meter AMI. Meter maya boleh berfungsi sebagai input data yang kuat untuk semua jenis analisis operasi, termasuk kembar digital. Dengan bekerjasama dalam data last mile sektor air, utiliti boleh menggunakan kuasa AI untuk mewujudkan pemahaman yang lebih komprehensif mengenai penggunaan dan corak air, yang dapat memaklumkan strategi pengurusan air yang lebih berkesan dan membawa kepada hasil yang lebih baik untuk pelanggan dan alam sekitar.
Ini adalah peluang untuk semua orang dalam sektor air, dari perniagaan air yang inovatif kepada pengendali utiliti dengan pengetahuan tersirat selama beberapa dekad (termasuk beberapa orang yang akan bersara dan mengambil pengetahuan itu dengan mereka), untuk bekerjasama secara global dan memperkenalkan konteks, penyeliaan, dan data industri air kepada model-model ini, jadi inovator dalam sektor kami boleh membangun dan menggabungkan penyelesaian AI yang disesuaikan dengan pengetahuan dan matlamat khusus industri air untuk manfaat semua utiliti, besar dan kecil.
Mendemokrasikan peluang AI untuk utiliti dari semua saiz; bukan pengganti kerja
Untuk utiliti yang lebih kecil, atau utiliti dengan sumber yang terhad, perkembangan baru dalam AI ini mungkin terasa menakutkan atau tidak dapat dicapai. Tetapi sebenarnya, model bahasa baru ini mendemokrasikan teknologi AI kerana orang tidak perlu mengubah tabiat mereka dengan ketara atau melatih program yang sama sekali baru untuk melihat faedah. Mereka membenarkan orang mengakses kuasa AI tanpa memerlukan pengetahuan dan kemahiran khusus-semua yang anda perlukan adalah bahasa biasa dan sedikit kreativiti untuk mendapatkan AI untuk menghasilkan apa yang anda perlukan (kejuruteraan segera boleh menjadi tumpuan yang menarik untuk sektor air).
Peluang ringkasan dengan alat ini sahaja memegang aplikasi yang berguna dalam kerja sehari-hari. Bayangkan memberi anda semua jenis data utiliti ke dalam pembantu AI yang berguna yang kemudiannya boleh memberi anda pandangan bahasa biasa tentang data dalam beberapa saat. Malah sebelum menganalisis data, model-model ini boleh membantu bukan pakar menulis sampel kod yang baik untuk mengekstrak maklumat yang relevan, seperti penggunaan air purata, pelbagai jenis bacaan tekanan, atau data kualiti air. Ia mungkin dapat membantu sektor kami pra-proses data yang belum dibersihkan lagi, atau bahkan memberitahu kami apa yang perlu berlaku untuk pra-proses data.
Anda boleh menjadi pengendali dalam utiliti yang sangat kecil yang mempunyai banyak kepakaran dan anda tahu anda mengalami kebocoran kerana anda mendengarnya tetapi anda memerlukan lebih banyak maklumat mengenainya. Model bahasa baru ini membuka pintu kepada pengendali utiliti menggunakan bahasa semula jadi untuk berkomunikasi dengan model AI dan bereksperimen dengan jenis pandangan yang dapat diberikan kepada anda. Mungkin ia boleh mencadangkan data yang anda perlukan untuk memahami masalah dengan lebih baik, hampir seperti mempunyai pembantu data. Dan dalam erti kata itu, model AI ini bukan pengganti kerja tetapi perkongsian dengan AI kerana mereka tidak mempunyai pengalaman dunia nyata dan kepakaran tersirat yang dimiliki manusia dalam sektor air.
Walaupun terdapat banyak data yang sudah dimulakan dengan percubaan dan latihan model-model ini untuk sektor air, terdapat juga “data sebagai perkhidmatan” (DAAS – lihat SWAN Forum untuk lebih lanjut mengenai topik itu) model mula muncul untuk merapatkan jurang untuk utiliti kecil yang mungkin kekurangan data, sumber, kapasiti, dan kepakaran untuk mengumpul data yang mereka perlukan untuk mendapatkan jawapan berkualiti daripada AI. Model perniagaan baru ini memikul tanggungjawab memperoleh sensor yang tepat untuk masalah dan lokasi yang betul serta menyediakan komunikasi data, pembersihan data, dan analisis supaya utiliti dapat memberi tumpuan kepada manfaat daripada data. Gabungan perisian dan perkhidmatan ini boleh membawa apa-apa utiliti kecil di atas kapal dengan faedah teknologi ini dengan cepat.
Sektor air tidak perlu takut untuk menguji dan bermain dan bereksperimen dengan alat AI baharu ini untuk melihat bagaimana ia boleh berfungsi untuk mereka. Dari bandar-bandar kecil hingga megacities, dari kakitangan lapangan hingga eksekutif, utiliti boleh melompat masuk dan mula bermain, berinovasi, dan belajar, walaupun dengan data yang minimum, bagaimana AI dapat menjadikan pekerjaan mereka lebih mudah.
Akhirnya, ini adalah panggilan kepada semua sumber kepakaran dan pengetahuan yang mendalam dalam industri air-pengendali utiliti dan pengurus, jurutera, saintis, ahli akademik-untuk menyumbang pengetahuan khusus mereka kepada pembelajaran mesin untuk mengembangkan hasil pintarnya dan meneroka bagaimana LLM ini boleh membuat keputusan dalam sektor air dengan lebih baik.
#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.
Gigi Karmous-Edwards, Pakar Berkembar Digital Sektor Air & Perunding di Karmous Edwards Consulting LLC, adalah ahli komuniti Qatium.
