Saša Tomić
Este artigo foi retirado do artigo “AI & Gestão da água — O que as concessionárias precisam saber agora”. Você encontrará o artigo completo aqui.
Se você quiser entender as oportunidades e barreiras para o uso de IA pela indústria da água, é útil entender como a IA funciona, como ela mudou recentemente e onde estamos agora com a tecnologia (e por que isso importa).
Primeiro, “Inteligência Artificial (IA)” é um termo amplo que engloba diferentes campos e aplicações. Alguns definem amplamente a IA como a capacidade de um computador de imitar o aprendizado humano e a resolução de problemas. Outros pensam na IA como um ramo da ciência na interseção da ciência da computação e da neurologia, porque você precisa entender como os humanos pensam para ter um computador imitando o processo de pensamento humano.
Hoje, a maioria das IAs são Inteligência Artificial Estreita (ANI), também chamada de “IA Estreita”, porque se concentram apenas em resolver uma tarefa ou problema específico. Por exemplo, no setor de água, usamos visão computacional, um campo de IA que analisa imagens e vídeos, acelerando drasticamente um processo existente em que as pessoas inspecionam imagens de câmeras de circuito fechado de televisão (CFTV) de esgoto para identificar defeitos em tubulações. A visão computacional para esse fim pode ser considerada uma IA estreita porque só precisa ser capaz de dizer a diferença entre um cano limpo, um tubo com um defeito ou algo em um cano, como um pano ou um animal. Não precisa ser muito inteligente; sua inteligência é relativamente estreita. E é mais ou menos onde estávamos até hoje com a IA – a maioria dos aplicativos de IA emprega inteligência artificial.
Imagem de CCTV mostrando guaxinim no tubo
Estamos lentamente entrando no que é chamado de Inteligência Geral Artificial (AGI), às vezes chamada de “IA Geral”. AGI refere-se a sistemas de IA que são capazes de executar uma ampla gama de tarefas intelectuais que são tipicamente associadas à inteligência humana, como raciocínio, resolução de problemas, aprendizagem e percepção.
Embora tenha havido um progresso significativo no desenvolvimento de sistemas de IA nos últimos anos, estamos apenas começando a alcançar o verdadeiro AGI. Alguns argumentam que chatbots e veículos autônomos são AGIs porque são programados para responder a estímulos, em contraste com a IA estreita, que só precisa sinalizar algo que não se encaixa em um padrão e alertar um humano para intervir.
Se um veículo autônomo, por exemplo, vê uma pessoa ferida no meio da estrada, ele tem que decidir fazer algo, e sua decisão é de missão crítica. Embora dirigir ao redor da pessoa ferida possa ser uma solução, não é a melhor. Ao mesmo tempo, a AGI não seria uma AGI se tudo o que soubesse fazer fosse alertar alguém e perguntar: o que eu faço agora? Ele tem que reconhecer e lidar com o problema imediatamente, parando, desviando do caminho, ou alguma outra resposta. É vital para o veículo funcionar com sucesso e, se a IA falhar, afeta negativamente a sociedade.
A Super Inteligência Artificial (ASI), também conhecida como “Super AI”, vem depois da AGI. Este é o tipo de IA com a qual você pode escolher se preocupar, mas você não precisa se preocupar com isso agora, porque não estamos perto desse tipo de inteligência artificial. A Super IA é, em grande parte, uma hipotética forma futura de inteligência artificial que é transcendental. Ela ultrapassa a inteligência humana, é autoconsciente e pode pensar por conta própria. Não há um exemplo real de super IA, mas você pode olhar para a Skynet da amada franquia Exterminador do Futuro se quiser considerar o poder e os riscos potenciais de uma ASI fictícia. Novamente, não estamos nem perto desse tipo de IA, e podemos não alcançá-la (ou querer fazê-lo).
Como a IA aprende e como a IA hoje é diferente do passado?
Não podemos falar sobre o progresso da IA na indústria da água, ou em geral, sem falar sobre aprendizado de máquina. A IA aprende por meio do aprendizado de máquina. Existem muitos tipos de aprendizado de máquina, mas hoje o mais popular são as redes neurais artificiais (RNA), um processo que tenta imitar a maneira como os humanos aprendem. As RNA são camadas de nós de processamento ligados que simulam a maneira como o cérebro humano funciona. A RNA mais básica requer apenas algumas camadas de nós de processamento (RNA pequena). Esse tipo de IA é considerado “não profundo” e é limitado porque requer intervenção humana para aprender com seus erros.
Machine Learning (ML) versus Deep Learning (DL)
Como exemplo, no setor de água, usamos visão computacional para acelerar drasticamente um processo existente em que as pessoas inspecionam imagens de CFTV de tubulações de esgoto para identificar defeitos na tubulação. Agora, digamos que uma IA baseada em um modelo básico de RNA esteja “em treinamento” para identificar defeitos em tubulações. Essa IA “não profunda” pode melhorar pedindo a seu supervisor humano para categorizar imagens que não pode categorizar, como um saco plástico em um cano. Ele pode ver um saco plástico, por exemplo, e vai perguntar ao seu supervisor humano, o que é isso? O ser humano então codificará a coisa como um “detrito flutuante”. À medida que a IA aprende, ela pode continuar a pedir códigos ao seu supervisor humano quando vê diferentes flutuáveis. Mas, eventualmente, a IA verá flutuáveis suficientes para parar de pedir apoio, porque aprendeu a reconhecer um saco plástico sem mais intervenção humana.
Hoje em dia, no entanto, temos cada vez mais IA que usa RNA mais avançada. Esse é um tipo avançado de aprendizado de máquina chamado de aprendizado profundo. E, ao contrário do aprendizado de máquina clássico, o aprendizado profundo não requer intervenção humana para aprender. Tem a capacidade de se melhorar aprendendo com seus próprios erros. Mas aqui está a coisa: o aprendizado profundo requer grandes quantidades de dados de treinamento, poder de processamento e tempo para aprender a fim de produzir resultados precisos. Modelos mais recentes de IA de esgoto usam aprendizado profundo.
A questão é que a inteligência artificial deve primeiro aprender usando aprendizado de máquina, seja a IA baseada em um modelo básico de RNA ou em um modelo de aprendizado profundo. E à medida que aprende, comete erros e aprende com seus erros, com intervenção humana ou sem depender do tipo de aprendizado de máquina que a IA emprega.
Mas, ao contrário dos humanos, quando uma IA comete um erro e esse erro é corrigido, ela nunca deve cometer o mesmo erro novamente. E isso é importante ao considerar as oportunidades que o setor de água enfrenta com o desenvolvimento e a adoção de soluções de IA.
Porque os humanos se cansam. Eles adoecem. Esquecem. Eles se aposentam e levam consigo sua experiência arduamente conquistada. Os humanos não têm a capacidade de transferir a experiência para a próxima “versão” do operador, enquanto uma IA faz isso por padrão.
Novos operadores continuarão a cometer erros em cada geração até que cada geração ganhe a experiência, mas a IA não aprenderá com seus erros. E isso representa uma oportunidade no setor da água, porque se permitirmos que essas soluções de IA aprendam com seus erros e melhorem cada vez mais, esse conhecimento aprimorado por meio da colaboração com humanos pode se expandir para toda a IA na indústria da água e além.
Barreiras à adoção de IA no setor da água
Embora os computadores agora sejam rápidos o suficiente e haja cada vez mais dados para empregar IA de aprendizado profundo no setor de água que mudará drasticamente a forma como a indústria opera, a indústria enfrenta barreiras únicas para adotar novas tecnologias. Em primeiro lugar, a indústria da água é fortemente orientada para a regulamentação em vez de orientada para o lucro. Em segundo lugar, o setor lida com um recurso que sustenta a vida e a saúde humanas e, por isso, é avesso ao risco. Essas duas características precisarão ser superadas para facilitar a adoção da IA no setor da água.
Em primeiro lugar, as pressões regulatórias têm um forte impacto na tecnologia que nosso setor adota. Por exemplo, os modelos hidráulicos costumavam ser muito esqueletizados, mas quando a Agência de Proteção Ambiental dos EUA (EPA) determinou que as concessionárias monitorassem os resíduos de cloro nos sistemas e deu às concessionárias a opção de substituir os resultados dos modelos por observações de campo, de repente, a tecnologia de modelagem de todos os tubos explodiu, o que também se tornou benéfico de outras maneiras.
Não sabemos quais regulamentações surgirão que podem levar o setor a adotar mais soluções de IA. Por exemplo, pode haver requisitos para que as concessionárias otimizem seus enormes custos de energia. A EPA estima que os sistemas de água potável e águas residuais usam dois por cento do uso total de energia nos EUA, gerando 45 milhões de toneladas de gases de efeito estufa anualmente. As regulamentações que exigem que as concessionárias otimizem seu uso de energia podem levar o setor a adotar tecnologias de IA mais rapidamente, porque essas tecnologias de IA podem ajudar a resolver os desafios de uso de energia.
Em segundo lugar, a IA pode e vai cometer erros, e esse fato esbarra na aversão ao risco do setor de serviços públicos de água. Isso significa que, em vez de o setor de água permitir que a IA entre e tome decisões na velocidade que vimos com carros autônomos, por exemplo, o setor provavelmente adotará uma abordagem mais lenta. Provavelmente será mais como uma colaboração entre IA e humanos no setor da água, começando com a IA fazendo sugestões e fornecendo apoio à decisão.
Em vez de carros autônomos completos, a IA aquática fornecerá um controle de cruzeiro suave que também fornecerá sugestões aos operadores que podem otimizar a tomada de decisões.
É aí que os “gêmeos digitais” entram em jogo. Na indústria da água, um gêmeo digital é uma réplica digital de ativos de serviços públicos e desempenho, como uma rede de sistema de água. Um gêmeo digital pode empregar aplicativos de aprendizado de máquina, para que engenheiros e operadores possam testar o resultado das decisões antes de tomar essas decisões no mundo real.
Eventualmente, porém, nosso setor ficará confortável com sugestões de IA para permitir que ele tome decisões cada vez mais impactantes. Já temos sensores ligando e desligando bombas, por exemplo. Com a IA, podemos ser mais inteligentes quando a energia da bomba é usada. E isso não significa necessariamente que os empregos de utilidade pública desaparecerão. Em vez disso, os operadores de serviços públicos que não têm tempo e recursos entregarão tarefas tediosas a uma IA em que confiam, para que possam se concentrar melhor em outros aspectos de suas pesadas cargas de trabalho que exigem inteligência humana.
#QatiumExperts
A Qatium é co-criada com especialistas e líderes de pensamento da indústria da água. Criamos conteúdo para ajudar utilitários de todos os tamanhos a enfrentar os desafios atuais e futuros.
Saša Tomić, Digital Water Lead na Burns & McDonnell, é conselheiro da Qatium.
