Влияние искусственного интеллекта на систему управления пресной водой

Хотя искусственный интеллект в секторе оперативного водоснабжения все еще используется только в исключительных случаях, алгоритмы машинного обучения все чаще используются в науке о воде.
Например, Сербский Центр водных ресурсов, действующий под эгидой ЮНЕСКО, уже в течение многих лет использует искусственный интеллект и статистическое моделирование для контроля качества данных временных рядов при структурном и экологическом мониторинге.
Одним из наиболее важных методов является глубокое обучение нейросети (deep learning) как часть "слабого" искусственного интеллекта. Глубокое обучение позволяет дополнять прогнозы моделирования, выявляя закономерности, классификации и корректировки продуктов дистанционного зондирования или предлагая решения смягчения последствий.

Глубокое обучение нейросетей обладает огромным потенциалом для поддержки широкого спектра приложений, таких как прогнозы спроса на воду, взаимосвязь между водой, продовольствием и энергией или изменение климата.

Например, в Германии Федеральный институт гидрологии и Институт интеллектуального анализа и информационных систем Фраунгофера применяют сети Echo State Networks (ESN) для составления прогнозов расхода и моделирования уровня воды на реках Рейн и Дунай. Результаты моделей ESN лучше, чем существующая традиционная гидрологическая модель, Hydrologiska Byråns Vattenbalansavdelning (HBV). Тем не менее, модели HBV обеспечивают дополнительную ценность, если рассчитанные с их помощью потоки используются в качестве входных данных для модели ESN. Моделирование показывает, что модели ESN также подходят для случаев, когда играют важную роль нефизические факторы (такие как работа шлюзов) .

В будущем применение нейросетей может ускорить стандартизацию форматов данных и метаданных в области гидрологии. Это приведет к значительному усовершенствованию глобальной системы мониторинга экологических систем и непосредственно поддержит инициативы в области открытых данных, направленные на то, чтобы данные можно было найти, сделать доступными, совместимыми и повторно используемыми. Сегодня в этой области существуют недостатки, обусловленные высокой стоимостью и сложностью управления данными о водных ресурсах в сочетании с несуществующей или устаревшей политикой сбора, хранения, распространения, обмена и использования данных о водных ресурсах.

Глубокое обучение сопровождается предостережениями. Нейросеть, как правило, предоставляет решения "черного ящика", которые различают сигнал и фон, не предоставляя оператору понимания взаимосвязи между гидрологическими входными и выходными данными. Это затрудняет интерпретацию выходных данных с физической, механистической точки зрения и может привести к нежелательному смещению.

Примером смещения являются так называемые "фильтрующие пузырьки’ (или ‘эхо-камеры’). Глубокое обучение также очень чувствительно к переобучению. Использование блокчейн технологий может стать полезным для обнаружения манипуляций с данными и алгоритмами и, таким образом, защиты целостности данных.

Интеллектуальные системы водоснабжения используют подход, основанный на Интернете вещей (IoT). Эти интеллектуальные системы состоят из сети физических устройств (например, расходомера). Устройства включают в себя:

• датчик, который записывает данные (такие как уровень количества и качества воды, изображения и т.д.)
• устройство связи, которое передает данные в режиме реального времени на облачный сервер.

Такие интеллектуальные системы водоснабжения набирают обороты в управлении городскими водными ресурсами, поскольку они повышают эффективность и результативность системы, обеспечивая при этом экономию средств.

Следующий пример демонстрирует, как три технологии (Интернет вещей, машинное обучение и блокчейн) работают вместе для обеспечения более разумного управления водными ресурсами:

• Устройства Интернета вещей собирают данные о воде с помощью датчиков и передают их на сервер на по технологии блокчейн. Например, при мониторинге воздействия гидроразрыва пласта на окружающую среду данные о количестве и качестве воды передаются через устройства Интернета вещей, встроенные в систему распределения воды.
• Данные на сервере прозрачны и защищены через распределенную одноранговую сеть. Например, данные о количестве и качестве воды могут храниться в реестре блокчейн цепочек защищенным от несанкционированного доступа способом.
• Алгоритм машинного обучения затем использует данные для создания прогнозов, аналитики и улучшения возможностей принятия решений. Протоколы смарт-контрактов, встроенные в технологию блокчейна, используются для исполнения решения. Например, данные о количестве и качестве воды, собранные за определенный период времени, используются алгоритмами машинного обучения для прогнозирования будущего качества и количества воды и определения того, когда они достигнут опасных уровней. В свою очередь, протоколы смарт-контрактов настроены для отправки предупреждающего сообщения гражданам, средствам массовой информации и соответствующим органам власти для обеспечения быстрых действий.

При дальнейшей интеграции с сетью распределения воды комбинация Интернета вещей, машинного обучения и технологии блокчейна может быть использована для:

• создания системы одноранговой торговли , которая стимулирует потребителей использовать меньше воды;
• учета перекачки воды на рынках водных ресурсов и, таким образом, добиваясь сокращения бюрократических баталий и дублирования юрисдикций;
• отслеживания активов в управлении цепочками поставок, тем самым помогая лучше определять углеродный след.

Источник: доклад UNESCO ARTIFICIAL INTELLIGENCE FOR SUSTAINABLE DEVELOPMENT: challenges and opportunities for UNESCO’s science and engineering programmes