Dragan Savic
Ten artykuł został zaczerpnięty z artykułu “AI & Water Management – What utilities need to know now”. Pełny artykuł można znaleźć tutaj.
Przyszłość chatbotów: Wyobrażenie sobie bardziej inteligentnego interfejsu obsługi klienta dla klientów z branży wodociągowej
Możesz zobaczyć, jak ChatGPT, pomijając ograniczenia , może mieć pomocne aplikacje, jeśli chodzi o bardziej inteligentne chatboty obsługi klienta w sektorze wodnym. Większość chatbotów obsługi klienta zaczyna się dziś od generowanych komputerowo odpowiedzi na pytania klientów. Gdy komputer nie może odpowiedzieć na pytanie klienta, korzystając z dostępnej bazy danych wstępnie ustawionych pytań i odpowiedzi, przekaże klienta człowiekowi. Ale tego rodzaju chatboty często sprawiają wrażenie, jakbyś rozmawiał z komputerem i często nie są zbyt pomocne.
Gdyby jednak coś takiego jak ChatGPT miało dostęp do informacji z konkretnej organizacji, takiej jak firma wodociągowa, mogłoby uzyskać znacznie bardziej trafne odpowiedzi na pytania klientów, korzystając z danych rozliczeniowych, danych klientów, a nawet danych systemu wodnego.
Sztuczna inteligencja może być w stanie uzyskać znacznie więcej odpowiedzi na pytania i pytania, takie jak “Woda wycieka z mojego kranu”, “Moja woda jest brązowa” lub “Dlaczego mój rachunek jest tak wysoki?” przed przekazaniem klienta człowiekowi.
Wyobraź sobie na przykład, że klient skarży się na czat wspomagany przez sztuczną inteligencję z potężnymi możliwościami, takimi jak ChatGPT, że jego woda powoli wypływa z kranu (z powodu niskiego ciśnienia). Gdyby miał dostęp do odpowiednich danych, mógłby przeprowadzić analizę sentymentu, aby sprawdzić, czy istnieją inne raporty o problemach w tym samym obszarze. Następnie może zaalarmować załogi i sformułować pomocną odpowiedź, na przykład: “Tak, wydaje się, że mamy problem w tym obszarze i mamy załogę zmierzającą tam. Powinny one zostać wykonane w ciągu dwóch godzin, a twoja usługa zostanie przywrócona. “
Jest to rodzaj wpływu, jaki sztuczna inteligencja, taka jak ChatGPT, mogłaby mieć na poprawę obsługi klienta chat botów w sektorze wodnym, gdyby miała dostęp do danych organizacji, a jej inne ograniczenia, które wymieniliśmy w pierwszej części tego artykułu, zostały rozwiązane.
Przykładowa rozmowa klienta narzędzia z zaawansowanym chatbotem
Obliczenia ewolucyjne do rozwiązywania złożonych problemów projektowych systemu dystrybucji wody (w czasie o połowę krótszym)
Jednym z obiecujących obszarów sztucznej inteligencji w sektorze wodnym są obliczenia ewolucyjne w celu odkrycia optymalnych projektów systemów dystrybucji wody. Byłoby to szczególnie istotne dla planowania inicjatyw w średniej wielkości systemach dystrybucji wody, takich jak miasta liczące od 50 000 do 100 000 osób. Można go wykorzystać na przykład do długoterminowych inicjatyw planowania głównego w celu optymalizacji przyszłej rozbudowy, konserwacji i kosztów napraw.
Obliczenia ewolucyjne to poddziedzina sztucznej inteligencji, która rozwiązuje bardzo złożone problemy ze zbyt wieloma zmiennymi dla tradycyjnych algorytmów. Jak sama nazwa wskazuje, dziedzina ta jest inspirowana podstawami naturalnej ewolucji. Obliczenia ewolucyjne wykorzystują algorytmy genetyczne, które opierają się na zasadach takich jak dziedziczenie i dobór naturalny – standard, że organizmy lepiej dostosowane do ich środowiska będą rozmnażać swój materiał genetyczny i rozmnażać się, aby stać się liczniejsze w swoim środowisku.
W sektorze wodnym obliczenia ewolucyjne rozwiązują problem testowania niemal nieskończonych możliwości osiągnięcia optymalnego projektu systemu wodnego. Nawet przy 100 000 stóp rur, na przykład, jeśli trzeba było zmienić każdą rurę po kolei, aby znaleźć najbardziej optymalny projekt pod względem wydajności i kosztów, nie ma na to czasu obliczeniowego na świecie. Z pewnością nie może tego zrobić człowiek. Większość inżynierów będzie miała czas tylko na rozważenie kilku rozwiązań projektowych dla projektu.
Chodzi o to, że sztuczna inteligencja może stale testować małe zmiany w dużych, złożonych systemach, przyjmując mocne rozwiązania i zmieniając słabe, dopóki system nie osiągnie tego, co nazywa się “prawie optymalnym rozwiązaniem”.
W rzeczywistości odkryto, że obliczenia ewolucyjne pozwalają zaoszczędzić ponad połowę kosztów i zapewniają lepsze rozwiązania niż projekty wytwarzane ręcznie. Sztuczna inteligencja oparta na algorytmach genetycznych może przynieść nam rozwiązania problemów związanych z projektowaniem systemów dystrybucji wody, z którymi nasz sektor nie poradziłby sobie w przeszłości bez sztucznej inteligencji.
Sztuczna inteligencja do codziennych operacji: uczenie maszynowe do wykrywania usterek i wizji komputerowej
Wykrywanie usterek i anomalii
Jednym z najważniejszych zastosowań sztucznej inteligencji w codziennych procesach przedsiębiorstwa użyteczności publicznej jest wykrywanie usterek. Byłby to system sztucznej inteligencji, który wykorzystuje uczenie maszynowe do wykrywania usterek w systemie wodnym, zanim spowoduje to problem dla klienta. Sposób, w jaki to działa, polega na tym, że sztuczna inteligencja uczy się, co jest normalne w oparciu o historyczną wydajność systemu. Rozpoznaje normalne wzorce na podstawie pory dnia, temperatury, pory roku i innych zmiennych, a następnie prognozuje, co stanie się dalej. Jeśli prognoza ma taką samą lub podobną wartość do oczekiwanej, nie ma problemu. Ale jeśli istnieje duża rozbieżność, może ostrzec operatorów.
Na przykład wyobraź sobie, że rura pęka gdzieś w twoim systemie dystrybucyjnym w środku nocy, a twój system AI wykrywa problem. Może wtedy ostrzec załogę, aby poszła i naprawiła go, zanim spowoduje problemy dla klienta. Rano klient włącza prysznic, nawet nie wiedząc, że jest problem.
Połącz ten rodzaj systemu analizy i ostrzegania opartego na sztucznej inteligencji z generatywnym modelem języka naturalnego, takim jak ChatGPT, a narzędzia o ograniczonych zasobach, zwłaszcza mniejsze narzędzia, które mogą nie mieć wewnętrznego działu analitycznego, który często ma większe narzędzie, mogą zobaczyć ogromne korzyści.
Widzimy tego rodzaju uczenie maszynowe i możliwości przetwarzania języka naturalnego pojawiające się w branży gospodarki wodnej dzięki narzędziom takim jak Qatium, na przykład, który ma cyfrowego asystenta “Q”, który zapewnia alerty o anomaliach, takich jak nieprawidłowe strefy ciśnienia, poziomy w zbiornikach, przepływy i inne ważne codzienne operacje.
Wizja komputerowa
Jak wspomniano wcześniej, zastosowanie sztucznej inteligencji do głębokiego uczenia się, które coraz częściej widzimy dziś w sektorze wodnym, to wizja komputerowa. Wizja komputerowa wykorzystuje głębokie uczenie się do analizy wideo i zdjęć w celu wykrywania anomalii, wycieków i usterek znacznie szybciej i z większą dokładnością niż tradycyjna analiza załogowa.
Głębokie uczenie AI jest niezwykle dobre i szybkie w uczeniu się wizualnych cech rur. Może charakteryzować niedoskonałości w metodyczny sposób, którego ludzie po prostu nie mają przepustowości. Głębokie uczenie oparte na obrazach może korzystać z ogromnego zestawu danych, aby móc zidentyfikować, czy na przykład materiał filmowy pokazuje nagromadzenie gruzu, czy też jest to przerwa lub poślizg w połączeniu rurowym. Nawet jeśli ludzie nie popełnili błędów, po dwóch, trzech godzinach oglądania tego rodzaju materiału traci on wszelkie znaczenie. Ale głębokie uczenie maszynowe nie ma tego problemu, co czyni go bardzo dobrą aplikacją dla danych telewizji przemysłowej (CCTV). Istnieją nawet najnowsze zastosowania, w których modele głębokiego uczenia oparte na obrazach wykorzystują nagrania z kamer przemysłowych do analizy gęstości kropel deszczu w celu rozpoznania intensywności opadów, co ma ważne implikacje dla szybkiego reagowania na powodzie.
Co dalej z zastosowaniami sztucznej inteligencji w sektorze wodnym?
Robotyka ma jasną przyszłość w branży gospodarki wodnej. Nasza branża zajmuje się infrastrukturą, która jest trudna, a czasem niebezpieczna do monitorowania, dostępu, inspekcji i zrozumienia z powodu jej zakopania pod ziemią. Podczas gdy roboty odgrywają kluczową rolę w innych branżach, w których podróżowanie w celu gromadzenia danych jest zbyt trudne, niebezpieczne lub uciążliwe dla ludzi, sektor wodny nie wykorzystał jeszcze w pełni robotyki.
Mimo to zaobserwowaliśmy pewne ruchy w kierunku robotyki w przemyśle wodnym. Na przykład opracowano urządzenia, które ludzie wrzucają do rur w celu zebrania danych do wykrywania wycieków. Urządzenia nie pozostają w rurach; Są one wrzucane w jednym miejscu, a następnie odbierane w innej lokalizacji, dzięki czemu dane mogą być zbierane i analizowane.
Ale w przyszłości powinniśmy zobaczyć więcej autonomicznych robotów , które pozostają w systemie wodnym przez czas nieokreślony, pełzając przez sieć rur i stale zbierając i wysyłając dane do analizy za pomocą analizy AI w celu uzyskania informacji w sieci.
Jak wspomniano wcześniej, postępy w sztucznej inteligencji w sektorze wodnym są ograniczone, ponieważ, po pierwsze, nie jesteśmy przemysłem o wysokim zysku, a po drugie, jesteśmy niechętni ryzyku, ponieważ nasze systemy wodne są niezbędne dla zdrowia ludzkiego. Tak więc, mimo że robotyka i sztuczna inteligencja są logiczną przyszłością dla rozwiązań w zakresie gospodarki wodnej, nasz postęp w tym kierunku jest wolniejszy niż w innych branżach. Mimo to powinniśmy być optymistami co do ekscytujących potencjalnych zastosowań przyszłych rozwiązań AI w naszym sektorze.
#QatiumExperts
Qatium jest współtworzony z ekspertami i liderami myśli z branży wodnej. Tworzymy treści, aby pomóc przedsiębiorstwom użyteczności publicznej każdej wielkości stawić czoła obecnym i przyszłym wyzwaniom.
Dragan Savic, dyrektor generalny KWR Water Research Institute, jest doradcą Qatium.
