Su hizmetlerinde yapay zeka ve akıllı sistem farkı

Yapay zeka özünde bir makinenin akıllı insan davranışını taklit etme yeteneğini ifade eder. Öğrenebilen, uyum sağlayabilen ve genellikle insan zekası gerektiren kararları verebilen sistemler yaratmakla ilgilidir. Örneğin  Google Haritalar’ı ve bir otomatik ürün satış makinesini düşünün.Google Haritalar’ı kullandığınızda yapay zeka , gerçek zamanlı trafiği, kapalı yolların durumunu, elektrikli bir araç kullanıyorsanız şarj istasyonlarını, geçiş ücretlerini ve diğer birçok faktörü hesaba katarak hedefinize giden en hızlı rotanın tespitinde yardımcı olur. Yapay zeka iş başında iken çeşitli veri kaynaklarından öğrenir, yeni bilgileri tarar ve karar vermeye yardımcı olur.

Ayrıca zeki gibi görünen ancak  yapay zeka olmayan sistemler de mevcuttur. Örneğin, bir otomat akıllı görünebilir çünkü bir düğmeye basarak size en sevdiğiniz atıştırmalıkları verir. Ancak bu yapay zeka değildir. Parayı girip düğmeye bastığınızda sadece bir ürünü serbest bırakacak şekilde programlanmıştır. Atıştırmalık tercihlerinize veya ne kadar aç olduğunuza göre öğrenmez veya uyum sağlamaz. Bu, önceden belirlenmiş bir dizi kural veya programa dayalı olarak çalışırken, başlangıçtaki programlamasının ötesinde öğrenme, akıl yürütme veya karar verme yeteneğine sahip olmayan akıllı  bir sistemin  örneğidir.

Yapay Zeka ve Akıllı Sistem  Arasındaki İnce Çizgi

Farklılaşma genellikle zekanın derinliğinde yatmaktadır. Hem yapay zeka hem de akıllı sistemler bilgiyi işleyebilir ve görevleri gerçekleştirebilirken, yapay zeka sistemleri, makine öğrenimi olarak bilinen bir özellik olan, deneyimlerini öğrenme ve geliştirme yeteneğine sahiptir. Örneğin, satranç oynayan bir yapay zeka, hem galibiyetlerinden hem de kayıplarından ders alarak her oynadığında oyununu geliştirir. Öte yandan, öğrenmeden veya uyarlamadan yalnızca önceden belirlenmiş satranç stratejilerini takip eden akllı bir satranç programı, yalnızca zekayı taklit eden bir sistemdir. Önceki maçlarının sonucu ne olursa olsun her zaman aynı şekilde oynayacaktır.

Şekil 1.Yapay zeka ve akıllı sistem  arasındaki doğruluk farkı

Yapay Zeka ve Su Hizmetlerinin Kesişmesi

Yapay Zeka ile su sistemlerinden toplanan mevcut veri setinden öğrenen bir model oluşturabiliriz. Veri seti, servis hatlarının kurulum tarihi ve belki de bölgenin geçmiş verileri gibi bilinen özellikleri içerebilir. Yapay zeka, bilinen bu faktörlere dayanarak, bir hizmet hattının kurşundan mı yoksa diğer bir malzemeden mi yapıldığını tahmin edebilir. Zamanla, daha fazla veri toplandıkça ve doğrulandıkça, bu yapay zeka modeli öğrenip tahminlerini geliştirebilir ve bu da onu doğru  karar vermesi için güçlü bir araç haline getirebilir.

Geliştirilen bir programda (Trinnex’te) şebeke hattı malzeme tahminlerini sürekli olarak iyileştirmek için böyle yinelenen bir süreç kullanılmaktadır. Şekil1, yapılan bu çalışmada   malzemesi önceden bilinmeyen şebekelerde yapay zeka ve otomasyon sistemlerinin doğruluk oranlarını göstermektedir.. Burada  doğruluk, bir su sistemindeki servis hattı malzemesini doğru şekilde tanımlama yüzdesi olarak tanımlanmaktadır.

Görüldüğü gibi, tahminleri doğrulanmış su şebekesinde , yapay zeka sistemi yeni bilgilere uyum sağlayarak daha yüksek doğruluk sağlamaktadır; yani daha fazla su hattı doğrulandıkça gelişmiş tahminler (mavi noktalar) elde edilmektedir. Öte yandan, yalnızca önceden belirlenmiş kuralları izleyen (yapay zekalı) bir sistem, öğrenmeden veya uyarlamadan,  üretildiği malzemenin ne olduğu bilinmeyen hizmet hatlarını yalnızca bu sabit yönergelere göre sınıflandıracaktır. Örneğin, 1950’den önce kurulan hizmet hatlarının tespit edilmesi (kırmızı noktalar) şeklinde bir karar verme süreci tanımlayabiliriz. Bu sistem akıllı görünse de yapay zeka değildir. Yeni verilere veya sonuçlara göre öğrenmez veya bunlara uyum sağlamaz. Bunun yerine, akıllı bir sistemi aşan gelişmiş tahminleri dikkate almadan aynı kuralı tekrar uygular. Üstelik böyle bir kuralın kullanılması da yeterli olmayabilir ve  hizmet hattının özellikleri, aile geliri vb. gibi diğer bilgileri de içeren daha karmaşık kuralları dahil etmesi gerekebilir. Ayrıca, bu tür kurallar tüm su hizmetleri için geçerli olmayabilir ve tamamen yeniden tanımlanması gerekebilir.

Bu neden önemli?

Binlerce servis hattının bulunduğu su sistemlerinde, her bir servis hattının malzemesinin fiziksel muayeneler gibi geleneksel yöntemler kullanılarak doğrulanması yalnızca pahalı olmakla kalmaz, aynı zamanda bazı durumlarda (örneğin, bir tesisatın betonun altına yerleştirilmesi) mümkün değildir.

Su tesisatı hattının  malzemelerini tahmin etmek için yapay zekanın kullanılması, su hizmetlerinin tüm tesisatları aynı anda doğrulamaya gerek kalmadan kurşun boru varlığını belirlemesine olanak tanıyarak bu tür sınırlamalar azaltılabilir. Bunun yerine Trinnex’te, bir makine öğrenimi modeli oluşturmak amacıyla ilk optimize edilmiş örnek veri kümesini oluşturmak için bütünsel bir yaklaşım kullanılmıştır Daha sonra bu model, bilinmeyen hizmet hatlarındaki tesisatları tahmin ve bir sonraki doğrulamayı yineleyerek   modelin tahmin iyileştirmesi  için kullanılmaktadır.

Check out Trinnex’s dedicated software Inspection Optimizer.

Kaynak : https://www.wateronline.com/doc/artificial-intelligence-or-artificially-intelligent-