Saša Tomić
Эта статья была взята из статьи «Искусственный интеллект и управление водными ресурсами — что коммунальным предприятиям нужно знать сейчас». С полным текстом доклада можно ознакомиться здесь.
Если вы хотите понять возможности и препятствия для использования ИИ в водной отрасли, полезно понять, как работает ИИ, как он изменился в последнее время и где мы сейчас находимся с этой технологией (и почему это важно).
Во-первых, «искусственный интеллект (ИИ)» — это широкий термин, охватывающий различные области и приложения. Некоторые в широком смысле определяют ИИ как способность компьютера имитировать человеческое обучение и решение проблем. Другие думают об ИИ как о отрасли науки на стыке информатики и неврологии, потому что вам нужно понять, как думают люди, чтобы компьютер имитировал процесс мышления человека.
Сегодня большинство ИИ — это искусственный узкий интеллект (ANI), также называемый «узким ИИ», потому что они сосредоточены исключительно на решении конкретной задачи или проблемы. Например, в водном секторе мы используем компьютерное зрение, область искусственного интеллекта, которая анализирует изображения и видео, значительно ускоряя существующий процесс, когда люди проверяют кадры с камер видеонаблюдения канализации для выявления дефектов в трубах. Компьютерное зрение для этой цели можно считать узким ИИ, потому что ему просто нужно уметь отличать чистую трубу, трубу с дефектом или что-то в трубе, например, тряпку или животное. Он не должен быть слишком умным; Его интеллект относительно узок. И это более или менее то, где мы были до сегодняшнего дня с ИИ – большинство приложений ИИ используют искусственный узкий интеллект.
Изображение с камер видеонаблюдения, показывающее енота в трубе
Мы постепенно входим в то, что называется общим искусственным интеллектом (AGI), иногда называемым «общим ИИ». AGI относится к системам ИИ, которые способны выполнять широкий спектр интеллектуальных задач, которые обычно связаны с человеческим интеллектом, таких как рассуждение, решение проблем, обучение и восприятие.
Несмотря на то, что в последние годы был достигнут значительный прогресс в разработке систем искусственного интеллекта, мы только начинаем достигать настоящего ОИИ. Некоторые утверждают, что чат-боты и автономные транспортные средства являются ОИИ, потому что они запрограммированы реагировать на раздражители, в отличие от узкого ИИ, который должен только помечать что-то, что не соответствует шаблону, и предупреждать человека о вмешательстве.
Если, например, автономное беспилотное транспортное средство видит раненого человека посреди дороги, оно должно принять решение что-то сделать, и его решение является критически важным. Хотя объезд раненого человека может быть решением, это не самое лучшее. В то же время ОИИ не был бы ОИИ, если бы все, что он умел делать, это предупредить кого-то и спросить, что мне теперь делать? Он должен распознать и немедленно решить проблему, остановившись, свернув с дороги или каким-либо другим ответом. Это жизненно важно для успешного функционирования транспортного средства, и если ИИ выйдет из строя, это отрицательно скажется на обществе.
Искусственный суперинтеллект (ASI), также называемый «супер ИИ», идет после AGI. Это тот тип ИИ, о котором вы можете беспокоиться, но вам не нужно беспокоиться об этом сейчас, потому что мы не близки к такому искусственному интеллекту. Супер ИИ — это в значительной степени гипотетическая будущая форма искусственного интеллекта, которая является трансцендентной. Он превосходит человеческий интеллект, обладает самосознанием и может мыслить самостоятельно. Реального примера супер-ИИ нет, но вы можете посмотреть на Скайнет из любимой франшизы «Терминатор», если хотите рассмотреть потенциальную мощь и риски вымышленного ASI. Опять же, мы далеки от такого ИИ, и мы можем не достичь этого (или не захотеть этого сделать).
Как учится ИИ и чем ИИ сегодня отличается от прошлого?
Мы не можем говорить о прогрессе ИИ в водной отрасли или в целом, не говоря о машинном обучении. ИИ учится с помощью машинного обучения. Существует множество типов машинного обучения, но сегодня наиболее популярным является искусственная нейронная сеть (ИНС), процесс, который пытается имитировать то, как люди учатся. ИНС — это слои связанных узлов обработки, которые имитируют работу человеческого мозга. Для самой базовой ИНС требуется всего несколько уровней обрабатывающих узлов (маленькая ИНС). Этот вид ИИ считается «неглубоким», и он ограничен, потому что требует вмешательства человека, чтобы учиться на своих ошибках.
Машинное обучение (ML) и глубокое обучение (DL)
Например, в секторе водоснабжения мы используем компьютерное зрение, чтобы значительно ускорить существующий процесс, когда люди просматривают записи с камер видеонаблюдения из канализационных труб для выявления дефектов труб. Теперь предположим, что ИИ, основанный на базовой модели ИНС, «обучается» выявлять дефекты в трубах. Этот «неглубокий» ИИ может улучшиться, попросив своего руководителя-человека классифицировать кадры, которые он не может классифицировать, например, пластиковый пакет в трубе. Например, он может увидеть пластиковый пакет и спросить своего руководителя, что это? Затем человек закодирует вещь как «плавающий мусор». По мере того, как ИИ учится, он может продолжать запрашивать у своего руководителя коды, когда видит различные плавающие объекты. Но в конце концов ИИ увидит достаточно плавающих предметов, чтобы перестать просить о поддержке, потому что он научился распознавать пластиковый пакет без дальнейшего вмешательства человека.
Однако в наши дни у нас все чаще появляется ИИ, который использует более продвинутую ИНС. Это продвинутый тип машинного обучения, который называется глубоким обучением. И в отличие от классического машинного обучения, глубокое обучение не требует вмешательства человека для обучения. У него есть возможность совершенствоваться, учась на собственных ошибках. Но вот в чем дело: глубокое обучение требует огромного количества обучающих данных, вычислительной мощности и времени на обучение, чтобы получить точные результаты. Новые модели канализационного ИИ используют глубокое обучение.
Дело в том, что искусственный интеллект должен сначала учиться с помощью машинного обучения, независимо от того, основан ли ИИ на базовой модели ИНС или модели глубокого обучения. И по мере того, как он будет учиться, он будет делать ошибки и учиться на своих ошибках, с вмешательством человека или без него, в зависимости от типа машинного обучения, которое использует ИИ.
Но в отличие от людей, когда ИИ совершает ошибку и эта ошибка исправляется, он никогда не должен повторять ту же ошибку. И это важно при рассмотрении возможностей, с которыми сталкивается водный сектор при разработке и внедрении решений ИИ.
Потому что люди устают. Они болеют. Забывают. Они уходят на пенсию и уносят с собой свой с трудом заработанный опыт. У людей нет возможности передать опыт следующей «версии» оператора, в то время как ИИ делает это по умолчанию.
Новые операторы будут продолжать совершать ошибки в каждом поколении до тех пор, пока каждое поколение не приобретет опыт, но ИИ не будет делать этого после того, как он учится на своих ошибках. И это представляет собой возможность в водном секторе, потому что, если мы позволим этим решениям ИИ учиться на своих ошибках и становиться все более совершенными, эти улучшенные знания благодаря сотрудничеству с людьми могут распространиться на все ИИ в водной отрасли и за ее пределами.
Барьеры на пути внедрения ИИ в водном секторе
Несмотря на то, что компьютеры в настоящее время достаточно быстры, и появляется все больше и больше данных для использования ИИ глубокого обучения в водном секторе, что кардинально изменит работу отрасли, отрасль сталкивается с уникальными препятствиями для внедрения новых технологий. Во-первых, водная отрасль в значительной степени ориентирована на регулирование, а не на прибыль. Во-вторых, сектор имеет дело с ресурсом, который поддерживает жизнь и здоровье человека, и по этой причине он не склонен к риску. Эти две характеристики необходимо преодолеть, чтобы облегчить внедрение ИИ в водном секторе.
Во-первых, давление со стороны регулирующих органов оказывает сильное влияние на технологии, которые внедряет наш сектор. Например, гидравлические модели раньше были очень скелетированными, но когда Агентство по охране окружающей среды США (EPA) обязало коммунальные предприятия контролировать остатки хлора в системах и предоставило коммунальным предприятиям возможность заменять результаты моделирования полевыми наблюдениями, внезапно взорвалась технология моделирования всех труб, которая затем также стала полезной в других отношениях.
Мы не знаем, какие правила появятся, которые могут подтолкнуть сектор к внедрению большего количества решений в области искусственного интеллекта. Например, могут быть требования к коммунальным предприятиям оптимизировать свои огромные затраты на электроэнергию. По оценкам EPA, питьевая вода и системы сточных вод используют два процента от общего потребления энергии в США, ежегодно производя 45 миллионов тонн парниковых газов. Нормативные акты, требующие от коммунальных предприятий оптимизировать использование энергии, могут побудить сектор быстрее внедрять технологии ИИ, поскольку эти технологии ИИ могут помочь решить проблемы использования энергии.
Во-вторых, ИИ может и будет совершать ошибки, и этот факт наталкивается на отвращение сектора водоснабжения к риску. Это означает, что вместо того, чтобы водный сектор позволял ИИ прыгать и принимать решения со скоростью, которую мы видели, например, с беспилотными автомобилями, сектор, скорее всего, будет использовать более медленный подход. Вероятно, это будет больше похоже на сотрудничество между ИИ и людьми в водном секторе, начиная с того, что ИИ вносит предложения и оказывает поддержку в принятии решений.
Вместо полностью беспилотных автомобилей водный ИИ обеспечит плавный круиз-контроль, который также предоставит операторам предложения, которые могут оптимизировать принятие решений.
Вот тут-то и вступают в игру «цифровые двойники». В водной отрасли цифровой двойник — это цифровая копия коммунальных активов и производительности, таких как сеть водоснабжения. Цифровой двойник может использовать приложения машинного обучения, поэтому инженеры и операторы могут проверять результаты решений, прежде чем принимать эти решения в реальном мире.
В конце концов, однако, наш сектор освоится с предложениями ИИ, чтобы позволить ему принимать все более и более эффективные решения. Например, у нас уже есть датчики, включающие и выключающие насосы. С помощью ИИ мы можем быть умнее, когда используется энергия насоса. И это не обязательно означает, что коммунальные рабочие места исчезнут. Вместо этого операторы коммунальных служб, которым не хватает времени и ресурсов, будут передавать утомительные задачи ИИ, которому они доверяют, чтобы они могли лучше сосредоточиться на других аспектах своих тяжелых рабочих нагрузок, требующих человеческого интеллекта.
#QatiumExperts
Qatium создан совместно с экспертами и лидерами мысли из водной отрасли. Мы создаем контент, чтобы помочь коммунальным предприятиям всех размеров решать текущие и будущие проблемы.
Саша Томич (Saša Tomić), ведущий специалист по цифровым водным ресурсам в Burns & McDonnell, является консультантом Qatium.
