Saša Tomić
Ten artykuł został zaczerpnięty z artykułu “AI & Water Management – What utilities need to know now”. Pełny artykuł można znaleźć tutaj.
Jeśli chcesz zrozumieć możliwości i bariery w korzystaniu z AI w przemyśle wodnym, pomocne jest zrozumienie, jak działa sztuczna inteligencja, jak ostatnio się zmieniła i gdzie jesteśmy teraz z technologią (i dlaczego to ma znaczenie).
Po pierwsze, “sztuczna inteligencja (AI)” to szerokie pojęcie, które obejmuje różne dziedziny i zastosowania. Niektórzy szeroko definiują sztuczną inteligencję jako zdolność komputera do naśladowania ludzkiego uczenia się i rozwiązywania problemów. Inni uważają sztuczną inteligencję za gałąź nauki na przecięciu informatyki i neurologii, ponieważ musisz zrozumieć, jak ludzie myślą, aby komputer naśladował ludzki proces myślenia.
Obecnie większość AI to sztuczna wąska inteligencja (ANI), zwana także “wąską sztuczną sztuczną inteligencją”, ponieważ koncentrują się wyłącznie na rozwiązaniu określonego zadania lub problemu. Na przykład w sektorze wodnym wykorzystujemy wizję komputerową, dziedzinę sztucznej inteligencji, która analizuje obrazy i wideo, znacznie przyspieszając istniejący proces, w którym ludzie sprawdzają materiał z kamer telewizji przemysłowej (CCTV) w celu zidentyfikowania wad rur. Wizja komputerowa do tego celu może być uważana za wąską sztuczną inteligencję, ponieważ po prostu musi być w stanie odróżnić czystą rurę, rurę z defektem lub coś w rurze, taką jak lub zwierzę. To nie musi być zbyt mądre; Jego inteligencja jest stosunkowo wąska. I to mniej więcej miejsce, w którym byliśmy do tej pory z AI – większość aplikacji AI wykorzystuje sztuczną wąską inteligencję.
Obraz z monitoringu przedstawiający szopa pracza w rurze
Powoli dochodzimy do tego, co nazywa się sztuczną inteligencją ogólną (AGI), czasami określaną jako “ogólna sztuczna inteligencja”. AGI odnosi się do systemów sztucznej inteligencji, które są zdolne do wykonywania szerokiego zakresu zadań intelektualnych, które są zwykle związane z ludzką inteligencją, takich jak rozumowanie, rozwiązywanie problemów, uczenie się i percepcja.
Chociaż w ostatnich latach nastąpił znaczny postęp w rozwoju systemów sztucznej inteligencji, dopiero zaczynamy osiągać prawdziwą AGI. Niektórzy twierdzą, że chatboty i autonomiczne pojazdy są AGI, ponieważ są zaprogramowane do reagowania na bodźce, w przeciwieństwie do wąskiej sztucznej inteligencji, która musi tylko oznaczyć coś, co nie pasuje do wzorca i ostrzec człowieka o interwencji.
Jeśli na przykład autonomiczny pojazd autonomiczny widzi ranną osobę na środku drogi, musi zdecydować się na coś, a jego decyzja ma kluczowe znaczenie. O ile jazda dookoła rannego może być rozwiązaniem, to nie jest ono najlepsze. Jednocześnie AGI nie byłaby AGI, gdyby wszystko, co wiedziała, to ostrzec kogoś i zapytać, co mam teraz zrobić? Musi natychmiast rozpoznać i poradzić sobie z problemem, zatrzymując się, zbaczając z drogi lub reagując w inny sposób. Ma to kluczowe znaczenie dla pomyślnego funkcjonowania pojazdu, a jeśli sztuczna inteligencja zawiedzie, negatywnie wpłynie to na społeczeństwo.
Sztuczna superinteligencja (ASI), określana również jako “Super AI”, pojawia się po AGI. Jest to rodzaj sztucznej inteligencji, o którą możesz się martwić, ale nie musisz się o to teraz martwić, ponieważ nie jesteśmy w pobliżu tego rodzaju sztucznej inteligencji. Super AI jest w dużej mierze hipotetyczną przyszłą formą sztucznej inteligencji, która jest transcendentalna. Przewyższa ludzką inteligencję, jest samoświadomy i potrafi myśleć samodzielnie. Nie ma prawdziwego przykładu super AI, ale możesz spojrzeć na Skynet z ukochanej serii Terminator, jeśli chcesz rozważyć potencjalną moc i ryzyko fikcyjnego ASI. Ponownie, daleko nam do tego rodzaju sztucznej inteligencji i możemy jej nie osiągnąć (lub chcemy to zrobić).
W jaki sposób sztuczna inteligencja się uczy i czym sztuczna inteligencja różni się dziś od przeszłości?
Nie możemy mówić o postępie sztucznej inteligencji w przemyśle wodnym, ani w ogóle, bez mówienia o uczeniu maszynowym. Sztuczna inteligencja uczy się poprzez uczenie maszynowe. Istnieje wiele rodzajów uczenia maszynowego, ale obecnie najbardziej popularne są sztuczne sieci neuronowe (ANN), proces, który próbuje naśladować sposób, w jaki ludzie się uczą. ANN to warstwy połączonych węzłów przetwarzania, które symulują sposób działania ludzkiego mózgu. Najbardziej podstawowa sieć ANN wymaga tylko kilku warstw węzłów przetwarzających (mała ANN). Ten rodzaj sztucznej inteligencji jest uważany za “nie-głęboki” i jest ograniczony, ponieważ wymaga interwencji człowieka, aby uczyć się na błędach.
Uczenie maszynowe (ML) a uczenie głębokie (DL)
Na przykład w sektorze wodociągowym wykorzystujemy wizję komputerową, aby drastycznie przyspieszyć istniejący proces, w którym ludzie sprawdzają nagrania CCTV z rur kanalizacyjnych w celu zidentyfikowania wad rur. Powiedzmy, że sztuczna inteligencja oparta na podstawowym modelu ANN jest “w trakcie szkolenia” w zakresie identyfikowania defektów w rurach. Ta “niegłęboka” sztuczna inteligencja może się poprawić, prosząc swojego ludzkiego przełożonego o skategoryzowanie materiału, którego nie może skategoryzować, takiego jak plastikowa torba w rurze. Może na przykład zobaczyć plastikową torbę i zapytać swojego ludzkiego przełożonego, co to jest? Człowiek następnie zakoduje rzecz jako “pływające szczątki”. Gdy sztuczna inteligencja się uczy, może nadal prosić swojego ludzkiego przełożonego o kody, gdy widzi różne pływające przedmioty. Ale w końcu sztuczna inteligencja zobaczy wystarczająco dużo pływających, że przestanie prosić o wsparcie, ponieważ nauczyła się rozpoznawać plastikową torbę bez dalszej interwencji człowieka.
Obecnie jednak coraz częściej mamy sztuczną inteligencję, która wykorzystuje bardziej zaawansowaną ANN. Jest to zaawansowany rodzaj uczenia maszynowego, który nazywa się głębokim uczeniem. W przeciwieństwie do klasycznego uczenia maszynowego, głębokie uczenie się nie wymaga interwencji człowieka, aby się uczyć. Ma zdolność doskonalenia się, ucząc się na własnych błędach. Ale o to chodzi: głębokie uczenie wymaga ogromnych ilości danych treningowych, mocy obliczeniowej i czasu na naukę, aby uzyskać dokładne wyniki. Nowsze modele sztucznej inteligencji kanalizacyjnej wykorzystują głębokie uczenie się.
Chodzi o to, że sztuczna inteligencja musi najpierw uczyć się za pomocą uczenia maszynowego, niezależnie od tego, czy sztuczna inteligencja opiera się na podstawowym modelu ANN, czy na modelu głębokiego uczenia się. A gdy się uczy, będzie popełniać błędy i uczyć się na swoich błędach, z interwencją człowieka lub bez, w zależności od rodzaju uczenia maszynowego stosowanego przez sztuczną inteligencję.
Ale w przeciwieństwie do ludzi, kiedy sztuczna inteligencja popełni błąd i ten błąd zostanie naprawiony, nigdy więcej nie powinna popełnić tego samego błędu. Jest to ważne, biorąc pod uwagę możliwości, przed którymi stoi sektor wodny w zakresie opracowywania i wdrażania rozwiązań AI.
Ponieważ ludzie się męczą. Chorują. Zapominają. Przechodzą na emeryturę i zabierają ze sobą swoje ciężko zdobyte doświadczenie. Ludzie nie mają możliwości przeniesienia doświadczenia do następnej “wersji” operatora, podczas gdy sztuczna inteligencja robi to domyślnie.
Nowi operatorzy będą nadal popełniać błędy w każdym pokoleniu, dopóki każde pokolenie nie zdobędzie doświadczenia, ale sztuczna inteligencja nie będzie tego robić po tym, jak nauczy się na swoich błędach. Stanowi to szansę w sektorze wodnym, ponieważ jeśli pozwolimy tym rozwiązaniom AI uczyć się na błędach i stawać się coraz lepszymi, ta ulepszona wiedza dzięki współpracy z ludźmi może rozszerzyć się na całą sztuczną inteligencję w przemyśle wodnym i poza nim.
Bariery we wdrażaniu sztucznej inteligencji w sektorze wodnym
Mimo że komputery są teraz wystarczająco szybkie i jest coraz więcej danych do wykorzystania sztucznej inteligencji głębokiego uczenia się w sektorze wodnym, które drastycznie zmienią sposób działania branży, branża napotyka wyjątkowe bariery w przyjmowaniu nowych technologii. Po pierwsze, przemysł wodny jest silnie regulowany, a nie nastawiony na zysk. Po drugie, sektor ten zajmuje się zasobami, które podtrzymują ludzkie życie i zdrowie i z tego powodu jest niechętny ryzyku. Te dwie cechy będą musiały zostać przezwyciężone, aby ułatwić przyjęcie sztucznej inteligencji w sektorze wodnym.
Po pierwsze, presja regulacyjna ma silny wpływ na technologię przyjętą przez nasz sektor. Na przykład modele hydrauliczne były kiedyś bardzo szkieletowe, ale kiedy amerykańska Agencja Ochrony Środowiska (EPA) nakazała zakładom energetycznym monitorowanie pozostałości chloru w systemach i dała przedsiębiorstwom użyteczności publicznej możliwość zastąpienia wyników modelu obserwacjami terenowymi, nagle eksplodowała technologia modelowania wszystkich rur, co stało się korzystne również na inne sposoby.
Nie wiemy, jakie regulacje się pojawią, które mogą popchnąć sektor w kierunku przyjęcia większej liczby rozwiązań AI. Na przykład mogą istnieć wymagania dla przedsiębiorstw użyteczności publicznej, aby zoptymalizować ich ogromne koszty energii. EPA szacuje, że systemy wody pitnej i ścieków zużywają dwa procent całkowitego zużycia energii w USA, generując 45 milionów ton gazów cieplarnianych rocznie. Przepisy wymagające od przedsiębiorstw użyteczności publicznej optymalizacji zużycia energii mogą skłonić sektor do szybszego przyjęcia technologii sztucznej inteligencji, ponieważ te technologie sztucznej inteligencji mogą pomóc w rozwiązywaniu problemów związanych z wykorzystaniem energii.
Po drugie, sztuczna inteligencja może i będzie popełniać błędy, a fakt ten zderza się z niechęcią sektora wodociągów do ryzyka. Oznacza to, że zamiast pozwolić sektorowi wodnemu na wskoczenie i podejmowanie decyzji z prędkością, jaką widzieliśmy na przykład w samochodach autonomicznych, sektor prawdopodobnie przyjmie wolniejsze podejście. Prawdopodobnie będzie to bardziej współpraca między sztuczną inteligencją a ludźmi w sektorze wodnym, począwszy od sugestii sztucznej inteligencji i wspierania decyzji.
Zamiast w pełni autonomicznych samochodów, wodna sztuczna inteligencja zapewni płynny tempomat, który dostarczy również wskazówek operatorom, które mogą zoptymalizować podejmowanie decyzji.
Tu właśnie wchodzą w grę “cyfrowe bliźniaki”. W przemyśle wodnym cyfrowy bliźniak to cyfrowa replika zasobów użytkowych i wydajności, takich jak sieć wodociągowa. Cyfrowy bliźniak może wykorzystywać aplikacje uczenia maszynowego, dzięki czemu inżynierowie i operatorzy mogą testować wyniki decyzji przed podjęciem tych decyzji w świecie rzeczywistym.
W końcu jednak nasz sektor poczuje się komfortowo z sugestiami AI, aby móc podejmować coraz bardziej wpływowe decyzje. Mamy już na przykład czujniki włączające i wyłączające pompy. Dzięki sztucznej inteligencji możemy być mądrzejsi, gdy wykorzystywana jest energia pompy. I niekoniecznie oznacza to, że znikną miejsca pracy w mediach. Zamiast tego operatorzy mediów, którym brakuje czasu i zasobów, przekażą żmudne zadania zaufanej sztucznej inteligencji, dzięki czemu mogą lepiej skupić się na innych aspektach swoich ciężkich obciążeń, które wymagają ludzkiej inteligencji.
#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.
Saša Tomić, Digital Water Lead w Burns & McDonnell, jest doradcą Qatium.
