Подходит ли ИИ для вашей утилиты? Как эффективно подойти к ИИ

Эта статья была взята из статьи «AI & Water management — Что коммунальные службы должны знать сейчас». Вы найдете полный текст статьи здесь.

ИИ часто проникается ощущением, что он решит все и будет работать везде. И хотя оптимизм в отношении потенциала ИИ в водном секторе важен, его лучше всего взвешивать со здоровой дозой осмотрительности и акцентом на уникальных целях и приоритетах отдельных коммунальных предприятий. Если коммунальные предприятия заинтересованы в ИИ, важно узнать больше о приложениях ИИ и тщательно рассмотреть проблемы, которые необходимо решить, поэтому, когда поставщики приходят в ваши организации с большими обещаниями ИИ, вы готовы оценить, действительно ли это решение соответствует вашим целям.

Другими словами, начните с определения вашей проблемы, а затем работайте в обратном направлении к соответствующему инструменту, а не начинайте с решения в поисках проблемы.

В водном секторе доступно множество инструментов, которые используют машинное обучение, чтобы помочь коммунальным предприятиям решать проблемы, и мы выделили некоторые из этих приложений выше. По мере того, как ажиотаж вокруг ChatGPT продолжается, будет разрабатываться все больше приложений, имеющих отношение к сектору водоснабжения. Вот несколько соображений, которые вы, возможно, захотите иметь в виду.

Одним из величайших активов коммунального предприятия являются его данные. Данные утилиты могут быть невероятно разнообразными и богатыми, но также пятнистыми, с пробелами и неравномерного качества, а также разбросанными по всей организации. Это могут быть данные о клиентах, коэффициенты использования, данные о прерывании обслуживания, финансовые данные, данные о погоде, социальные данные и, конечно же, множество данных о поведении сети и сетевых активах. Проблема в том, что эти данные часто разрознены между бизнес-подразделениями, особенно в крупных организациях. Как правило, организации не в полной мере используют свои данные в бизнес-подразделениях, что является распространенной проблемой во многих отраслях.

Могут быть значительные возможности от рассмотрения данных как актива и их использования в качестве системы активов генерировать идеи, которые можно использовать для улучшения процесса принятия решений и повышения качества обслуживания клиентов. Чтобы добраться до точки, когда данные могут стать двигателем, который питает и управляет ИИ, вероятно, потребуются значительные действия по гигиене данных и подготовке данных.

Лучшие идеи могут умереть на корню, если они не будут должным образом вложены в динамику организационной культуры, и это относится и к внедрению инструментов ИИ. Любые большие изменения, особенно технологические, влекут за собой последствия управления изменениями, которые водный сектор должен признать и иметь в виду.

Технологические изменения в организации могут потерпеть неудачу и стать чрезвычайно дорогостоящими по ряду причин, например, организация не четко определяет и не сообщает, почему Необходима новая технология и создание четкой дорожной карты для измерения ее успеха. Плохое управление изменениями также может усугубить сопротивление сотрудников изменениям, особенно с помощью инструментов с поддержкой ИИ, которые часто вызывают опасения по поводу угрозы автоматизации и ликвидации рабочих мест в рабочей силе.

Рискуют ли водные организации, которые сопротивляются технологии искусственного интеллекта, не привлечь новые таланты, которые однозначно понадобятся водному сектору? Возможно, до сих пор ведутся споры о том, выберет ли молодое поколение организации, которые используют ИИ, а не другие, которые держат его на расстоянии вытянутой руки. Дело в том, что следует учитывать сообщение, которое коммунальное предприятие передает как своим нынешним, так и будущим сотрудникам относительно использования новых технологий.

В то время как ИИ может показаться более сложным для небольших коммунальных предприятий, небольшие коммунальные предприятия могут иметь преимущество, когда дело доходит до внедрения инструментов ИИ быстрее, чем более крупные организации. Просто из-за того, что они небольшие, может быть меньше разрозненных данных, а меньшее количество людей может означать более легкую видимость работы организации слева направо, что сделало бы управление изменениями менее трудоемким.

Другими словами, в то время как более крупные коммунальные предприятия, естественно, могут иметь больше данных и аналитики для подачи и управления инструментами искусственного интеллекта, они могут быть менее гибкими, когда дело доходит до фактической мобилизации своей организации для внедрения новых технологий. Меньшая коммунальная служба, даже если у них есть пробел в данных, может быть в лучшем положении для быстрого устранения любых этих пробелов из-за меньшего количества бюрократических проволочек и меньшего количества людей, которые будут готовы к желаемым технологическим изменениям.

Тем не менее, коммунальные предприятия всех размеров должны подходить к этой новой эре искусственного интеллекта с острым взглядом на проблемы, которые они хотят решить, наряду с соответствующими соображениями, поскольку они изучают варианты выбора и развертывания соответствующих решений ИИ.

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.

Пол Флеминг, президент WaterValue и советник по водным ресурсам, климату и технологиям, является советником Qatium.