水道システムにおける人工知能の報酬、リスク、責任ある導入

Natura Acqua Volume 1, pagina

Nature Water volume 1、pages 422–432 (2023)この記事を引用

2468 アクセス

29 オルトメトリック

メトリクスの詳細

人工知能 (AI) は、水道システム全体の欠陥に対処するためにますます提案されており、現在、世界人口の約 25% がきれいな水を利用できず、約 50% が衛生サービスを利用できず、約 30% が衛生施設を利用できません。 AI は、供給に関する洞察、集水域管理と緊急対応を強化し、処理場と配水網の設計、運用と保守を改善し、サービスの可用性、需要管理、水の正義を向上させる態勢を整えています。しかし、この初期のテクノロジーの普及は、設計ミス、誤動作、サイバー攻撃によるシステム全体の侵害や、連鎖的な社会生態学、水、エネルギー、食料の関係や関連する重要インフラの障害にさらされるなど、深刻かつ予期せぬ問題を引き起こす可能性があります。これに応えて、私たちは飲料水の供給と下水処理システム全体に AI を安全かつ責任を持って導入するための 3 つの推奨事項を作成します。基礎的なインフラストラクチャとデジタルリテラシーのギャップに対処する。信頼できる AI のための制度的、ソフトウェアおよびハードウェアのメカニズムを確立する。そして、私たちが提案する体系的な利益とリスクの評価フレームワークに基づいてアプリケーションに優先順位を付けます。

飲料水の供給と廃水処理システム（以下、「水道システム」と総称します）の初期の科学的発展により、古代社会は川沿いの起源を超えて都市大都市に変貌し、雨季や乾季を含む気象変動に対する回復力を構築することができました1。例えば、ナズカ人は、蒸発による損失を軽減しながら飲料水を長距離輸送するために地下水道を建設しました2。また、インダス渓谷の文明は、人々が下水にさらされるのを軽減するために、風呂やトイレを隔離された浸漬ピットに排水するレンガ造りの下水道を建設しました3。

エンジニアリングの偉業はさまざまな利益を生み出してきたが、技術革新のいくつかの事例は「進歩の罠」をもたらした。つまり、与えられた問題を解決するための人間の創意工夫が、社会とテクノロジーの解決能力を上回る予期せぬ問題を不用意に顕在化させる出来事である4。例えば、古代ローマの鉛配管は工学上の驚異であり、膨大な人口を信頼できる上下水道ネットワークに接続していましたが、その流出は港湾の水の鉛汚染にも関連しており、海洋生物や人々を中毒させる可能性があります5。

最近では、人工農業灌漑により地下水帯水層が枯渇し6、塩水化が引き起こされました7。廃水処理は、図らずも地球温暖化、毒性、酸性化の原因となっています8。海水の淡水化は、大気、海洋、土地の汚染を引き起こしています9。短期的な利益を実現する隣接分野のイノベーションは、水生生態系、生物地球化学的動態、水質を悪化させるエネルギー生産のための水力発電ダムなど、水資源に長期的な問題を引き起こしています10。水道システム全体で不可欠なイノベーションが成功を収めているにもかかわらず、テクノロジーベースの問題解決に対する私たちの渇望により、私たちは慢性的な進歩の罠にはまってしまうことがよくあります。

今日、世界人口の約 25% がきれいな水にアクセスできず、50% が衛生サービスにアクセスできず、30% が衛生施設にアクセスできません11。人為的気候変動はこれらの問題を悪化させる恐れがあり、気温の上昇により世界的に水不足が増大し、嵐、洪水、干ばつなどの極端な現象が起こり、先進国では水道インフラにダメージを与え、発展途上国では水・衛生・衛生（WASH）の取り組みが損なわれています12。

このような状況を背景に、人工知能 (AI) とその機械学習 (ML) は、気候変動に対する回復力を構築し、インフラストラクチャーのパフォーマンスを向上させ、限定された場合には WASH の取り組みを支援することにより、水システム全体の問題を解決するために提案された最新の技術的介入です。。しかし、AI の応用の急増は、過小評価されている深刻な予期せぬ問題を引き起こす可能性があるため、持続可能な開発目標 6 を達成するための取り組みが意図せず損なわれることを避けるために、責任を持って先制的に対処する必要があります。

この視点では、水システムにおける AI についてバランスの取れた考察を提供します。私たちは、集水域からエンドユーザーに至るまで、AI アプリケーションのシステム全体の潜在的な利点を調査します。次に、潜在的なシステム上の障壁、直接的なリスク、およびコミュニティにとって壊滅的な影響を与える可能性のある連鎖的障害へのエクスポージャーに焦点を当てます。最後に、進歩の罠現象を永続させるこの現在初期段階にあるテクノロジーの拡散を防ぐために必要な、3 段階のリスク軽減アプローチを提案します。

ここでは、AI を、センサーの助けを借りて環境と対話し、意思決定のための情報を解釈し、人間またはロボットのアクチュエーターを介して目標指向の結果を達成するために自律的に行動を起こすことができるマシンベースの「インテリジェントエージェント」と定義します。環境の受動的な観察を通じて学習し、結果を予測するアルゴリズムモデルのサブセットを指します13。

現在、「現実世界」では大規模な展開が不足していることを考慮して、水道システムをエンドツーエンドでカバーする 3 つのレベルにわたる AI アプリケーションから推定される利点を強調します。(1) 給水 (流域レベル)、強化された供給洞察を含む、集水域管理と緊急対応。 (2) 水の分配と処分（ネットワークレベル）。これには効率的な処理とネットワークインフラストラクチャの設計、運用と保守が含まれます。（3）サービス可用性の向上、需要管理、水正義を含む水需要（エンドユーザーレベル）（図1）。

AI は、集水域に関する洞察の強化からネットワーク効率の最適化、エンドユーザー向けサービスの向上に至るまで、システム全体にメリットをもたらす可能性があります。

以下に詳述するコンポーネント固有のアプリケーションを超えて、高度な AI は、最終的には統合水資源管理原則に沿って水システム全体の運用ポリシーをシミュレートし、情報を提供し、最適化するためにも使用される可能性があります 14。

世界中の 10% 以上の人々が高度かつ重大な水ストレスにさらされており、気候変動により都市部でも農村部でも同様にこの状況が悪化すると予想されています15。そのため、水の供給を監視し管理するには、地球の天然水資源、水循環、人為的摂動の完全かつ高解像度で信頼性の高い分析が不可欠です16。

ML モデルは、干渉合成開口レーダー画像などの大きなデータセットを処理し、欠損データを (再) 構築して 17、過去の淡水の位置と持続性 (取水と補充を含む) の正確な定量的推定を提供します。これは、水ストレスと水不足の要因を法医学的に特定するのに役立ちます 18 。衛星、ドローン、地上および貯水池のデータを分析する補完的なアルゴリズムは、リアルタイムの観測、異常検出、水循環や気象パターンの迅速な短期予測をサポートする可能性があります19。これには、蒸発散量 20、凝縮、降水量 21、浸透、地表流出、河川流量 22、地下流および土壌水分 23 などの量パラメータのほか、リンや窒素などの栄養素 24 やフッ素などのミネラル 25 などの品質要因が含まれます。

このような AI アプリケーションは、地下水面を持続可能な制限内に維持するための帯水層の取水スケジュール 26 や、上流および下流の水文変化に関連する水生生態系への被害を最小限に抑えるためのダムの充填スケジュール 27 を最適化するために使用できます。これらにより、汚染プルーム、原生動物（ジアルジアなど）、細菌（赤腸など）、ウイルス、寄生虫などの水系感染症の病原体28、さらには富栄養化や有害な藻類の発生29など、公衆衛生上の危険の自動検出が可能になります。同様に、貯水池やレクリエーション用水域への有害な化学物質の投棄や排出など、違法で有害な偶発的行為の検出に役立つ可能性があります30。

緊急事態の予防、備え、対応においては、リアルタイムの降雨データを早期警報システムや制御技術と統合することで、AI が貯水池への流入を監視し、ダムのテレメトリと通信して安全な余水吐の放流を管理できる可能性があります31。このような技術は、人間によるダム管理の不手際に介入し、20億豪ドル以上の損害をもたらした2011年のブリスベン洪水のような事象を軽減する可能性がある32。一方、リモートセンシングとコミュニティ観測を活用したインテリジェントな「雨雲から雨水まで」監視システムは、洪水災害への対応を改善できる可能性があります33。ボーリング孔センサー、衛星データ、ML を活用したスマートな地下水管理は、ケニアなどの干ばつが起こりやすい地域での早期警戒行動を通じて回復力を向上させることもできます34。

統合的な集水域管理を推進するには、短周期の天候と長期の気候変動、および干ばつ、砂漠化、高潮、水不足の蔓延と強度に対する関連する影響を予測するために、地球システムモデル (ESM) 内の水循環ダイナミクスを理解する必要があります。まだ初期段階にあるニューラル ESM36 は、基礎となる物理学の理解を向上させ、隠れたパラメータを明らかにし、シミュレーションオプションを拡張する可能性があります37。

このような予測に基づいて、最適化アルゴリズムは持続可能で長期的な集水域およびインフラ計画をサポートできる可能性があります。たとえば、AI を活用した ESM の出力と地理情報システムを組み合わせれば、ダムに対する気候リスクやダムの決壊に伴う下流の被害を効率的に調べることができます38。それは、水不足が予測される場合、淡水化やリサイクル水 39 などの人工水源の拡大に役立つ可能性があります。さらに、AI で強化された水理モデルは、流域の水流経路と速度、洪水の足跡と潮位を特徴づけ、河川工学、ダム堰と壁のアップグレード、高潮防御の実装に磨きをかけることができます40。

水道システムに対する人口需要の増大を考慮すると、AI は、老朽化した重要資産 41 の効果的な管理と並行して、エンジニアリング革新 33 によって形成された新しい飲料水、雨水、下水道インフラの開発をサポートする可能性があります。

目標主導型 AI システムを仮想テスト環境と組み合わせると、脱塩用のグラフェンベースのナノマテリアル膜 43 や砂漠の水採取用の金属有機フレームワーク 44 など、より持続可能な材料 42 の試作とテストが加速される可能性があります。

最適化アルゴリズムは、処理および配電施設の設計、建設、アップグレードにおいて、公共事業にとって重要な信頼性、寿命、支出の最小化を強化するために実装できる可能性があります45。 AI を活用した都市のデジタルツイン 46 は、生物貯留システム、緩衝帯と湿地、浸透溝、多孔質舗装、堆積物貯留、人工湿地、雨水収集システム、帯水層貯留の優先配置など、水に敏感な都市設計 47 を迅速に拡張するのにも役立つ可能性があります。そして回復システム。

AI、モノのインターネットデバイス、ロボティクスを組み合わせることで、上下水道施設全体の運用効率が向上する可能性があります。たとえば、水処理プラントにおける凝集、凝集、沈殿、ろ過 (逆浸透など)、消毒 (塩素処理など) のプロセスは、微生物や汚染物質の含有量に関するセンサーデータを活用することで、飲料水の基準を満たすようにインテリジェントに微調整できます。任意の時点での流入と流出の割合48。

同様に、廃水処理プラントのパフォーマンスは、事前のスクリーニングと砂の除去、一次相分離 (例えば、浄化)、二次処理 (例えば、固定膜)、および三次処理 (例えば、下水流入量のリアルタイムの有機物および無機物含有量と排水排出要件に基づいて、消毒（紫外線など）と消毒（紫外線など）を行います49。さらに、インテリジェントな嫌気性消化装置は副生汚泥からのバイオガスと電力の生産を促進する可能性があり50、インテリジェントな分類と分別は農業再利用のためのバイオソリッドの有効性と安全性を最大化する可能性があります51。

スマート配信システムには、従来の監視制御システムやデータ収集システムに比べて利点もあります52。ネットワークセンサーからのリアルタイムデータを利用する ML モデルは、人間の監視なしで給水ポンプステーションを自律的に制御および構成することで、流圧と流速を測定、監視、最適化し、エネルギー効率と運用コストを改善できます53。高度な計算システムは、下水ポンプ場、パイプ、マンホールの貯蔵庫の利用状況を微調整することで、雨天時の有害な下水のオーバーフローを防止し、計画外の排水が発生した場合には清掃員への警報を迅速に発するのに役立つ可能性がある54。

インテリジェントなテクノロジーにより、日常的なメンテナンス活動が変革され、ダウンタイムが削減される可能性があります。発展途上国では、ネットワークの漏洩により、1 日あたり 450 億リットルの飲料水が失われ、これは 1 億 8,000 万人の水分補給に相当します。また、大規模なパイプラインの漏洩により高強度ケーブルが短絡し、人々に致命的な脅威をもたらす可能性があります55。センサーとクラウドコンピューティングによってサポートされる予測分析により、異常を検出し、位置を特定し、漏洩の重大度に優先順位を付けて、リアルタイムで隔離と修復を加速することができます56。また、パイプの劣化を予測し57、異種パイプライン間でのアルゴリズムの移行可能性を解決する取り組み58がすでに AI の精度を向上させています。 -有効化されたリーク識別アプリケーション。画像分類、物体識別、セマンティックセグメンテーションに使用される従来の CCTV データと組み合わせた ML モデルも同様に、下水ネットワークの欠陥や閉塞を予測、診断、修正するために実装できます59。

さらに、AI は、処理プラントの限外濾過膜の洗浄などのメンテナンス作業を自動化し、履歴およびリアルタイムの資産状態評価に基づいて予測アップグレードスケジュールを設計することにより、資産寿命を延ばし、設備投資を最適化することができます60。

コミュニティレベルでは、計算知能は水道システムへのより持続可能で回復力のある公平なアクセスに貢献する可能性があります。例えば、履歴データ、スマートメーター、衛星画像、および水消費量予測データの AI ベースの分析は、競合する部門別および国境を越えた需要の管理に正確な割り当てを通知するだけでなく、撤退コンプライアンスを監視する可能性があります61。

農業部門は年間の淡水取水量の 70% を占めており、そのうち 60% (つまり、世界全体の 42%) が廃棄されています62。対象を絞った AI アプリケーションは、この不必要な消費を削減するのに役立つ可能性があります。 AI により、さまざまな条件下で作物収量を最大化するための最小灌漑量とスケジュールを決定する「仮想農場」での迅速な実験が可能になる可能性があります63。このようなプログラムをデジタルツインやロボット技術と並行して実装すると、スマート灌漑システムによる精密農業が可能になる可能性があります64。コンピュータービジョンとMLアルゴリズム65によって可能になる衛星またはドローンのハイパースペクトルイメージングの自律処理は、土壌水分と作物の状態の詳細なマップを提供する可能性があり、水道当局はそれを使用して灌漑の不足または過剰を監視し、それに応じて供給配分を調整することができます66。

家庭レベルでは、インテリジェントトイレ、蛇口、スプリンクラーなどのスマート節水デバイスは家庭の水の消費量を削減する可能性がある一方、スマートメーターと予測需要および価格分析を組み合わせることで、節水に向けた行動変容を促すインセンティブを提供できる可能性があります67。さらに、AI は、自動雨水タンク、家庭用水のリサイクル、家庭用バイオダイジェスターなど、安全な分散型の飲料水、雨水、下水システムを制御する可能性があります68。リアルタイム蛍光センサーと ML を組み合わせた家庭用ユニットは、世界保健機関のリスクレベルに合わせて飲料水の糞便汚染を正確に予測し、介入して、高所得国と低所得国の両方に共通する病気の発生を防ぐことができます69。

これらのアプリケーションのほとんどは確立された水道システムのインフラストラクチャに依存していますが、AI には水の正義を改善する可能性もあります。ニューラル ESM と最適化アルゴリズムは、気候変動に対する回復力を構築しながら最も差し迫った問題に効果的に対処するために、WASH への取り組みへの投資をどこに優先するかを決定する際に、国際開発機関や政府を支援できる可能性があります。

太陽光発電の「水道 ATM」70 などのオフグリッド施設や、「スマートハンドポンプ」71 などのポータブルデバイスを含むインテリジェントな水技術は、特に女性と少女の安全な水へのアクセスを改善するために分散および遠隔監視できる可能性があります。。発展途上国における個人用スマートフォンの普及72により、新型コロナウイルス感染症のパンデミック時と同様に、飲料水の汚染や月経や衛生習慣に関する教育情報のマスコミュニケーションも可能になる可能性がある73。ポータブル AI システムは、人道支援居住地における水系伝染病の発生を防ぐために、遊離残留塩素含有量に基づいて飲料水の品質を評価するように訓練される可能性があります 74。

歴史を通して証明されているように、技術的な問題解決は意図しない結果を引き起こす可能性があり、それは元の問題よりも困難であることが判明する可能性があります。上で強調したように、水システム全体に AI が普及する可能性を考慮すると、リスク状況を理解することが重要です。この目的を達成するために、私たちは水道システムにおける AI の潜在的に有益な応用を損なう可能性のある問題に焦点を当てます。設計ミスや悪意のある使用に関連する直接的なリスク。そして連鎖的な故障に間接的にさらされることになります (図 2)。

インフラストラクチャと人的資本の障壁、設計エラーや誤用に関連する直接リスク、および連鎖的なシステム障害に関連する間接リスクは、責任を持って管理されない場合、AI の潜在的な利点を損なう可能性があります。

AI の良さは、AI が統合されるシステムとその開発を担当する人々によって決まります。上記で概説した潜在的な AI アプリケーションの多くは、情報通信技術 (ICT) インフラストラクチャと専門知識をサポートする確立された水道システムインフラストラクチャを必要とします。これに沿って、インフラストラクチャと人的資本の要件が、水分野における AI の導入を制限する技術的および社会経済的障壁を生み出し、AI に関連した予期せぬ問題を引き起こす可能性があるという予想される事例を以下に取り上げます。

ダム、処理場、パイプ、トイレ、シャワー、蛇口などの基礎的かつ安全に管理されたインフラストラクチャの欠如により、現在 4 人に 1 人がきれいな飲料水がなく、4 人に 2 人が適切な衛生サービスを受けられず、AI の能力が損なわれることになります。低所得地域におけるこうした水道システムの不足に対処することで、最も弱い立場にある人々がそれに伴う恩恵を受けられなくなる75。

水道システムのインフラが整備された先進国であっても、AI アプリケーションのサポートに必要な高度なデジタル技術の統合に伴う複雑さとコストが、水道部門全体で AI の導入の実現可能性を短期的に制限する可能性があります76。実際、水道業界は、プロジェクトのスケジュールが長く、投資の制約があり、保守的な性質があるため、イノベーションに関しては、他の部門に比べて時間がかかり、苦痛を伴うものであるという烙印を押されています77。

現在、AI アプリケーションは特定の状況に合わせてカスタマイズする必要があり、ほとんどの状況で精度を高めるにはさらなるアルゴリズムの開発が必要です。他の分野で実際に成功した応用例や、文献に水道システム固有のアルゴリズムのデモンストレーションが存在する可能性はありますが、これらは実際に水道システムにすぐに応用できる可能性は低いです。

AI を大規模に導入するには、AI と水分野の両方の専門知識を持つ人的資本が必要になります。そのため、水部門の労働者や消費者におけるデジタルリテラシーの不足、および WASH の分野における非政府組織 (NGO) の人的資本の不足により、水部門における AI の潜在的な利点へのアクセスがさらに損なわれる可能性があります78。

水分野、特に発展途上地域における AI の導入を制限するだけでなく、世界中のよりデジタル対応の拠点で AI が普及し始めると、これらの障壁の不平等な分布によって予期せぬ問題が生じる可能性もあります。例えば、高度なスキルを持った労働力が有利である一方、低スキルの労働力が不利な立場にある人的資本の「デジタル格差」は、世界的な不平等を強化する可能性がある76。

さらに、水道分野の担当者が AI システムを導入するのに十分なスキルを身につけているが、エラーや誤動作を効果的に特定して修正するには不十分な場合など、障壁が部分的にのみ存在し、完全には解決されていない場合に AI を導入すると、潜在的な利点が損なわれる可能性があります。以下に概説するように、重大な結果につながります。

AI の技術的な堅牢性、ガバナンス、倫理は、農業 80 などの他の分野でますます検討されており、水システムの文脈において明確なリスク状況を生み出しています。私たちは、目標のずれ81を含むデータとアルゴリズムモデルのエラーやバイアス、さらには悪意のある行為者による悪用の危険の増大により、水分野におけるAIの潜在的な応用が社会的、経済的、環境的に重大な損害を引き起こす可能性があることについて、考えられる例を以下に示します。

流域レベルで AI を適用するには、水循環や気候変動など、非常に複雑な地球システムのプロセスに関する十分な知識が必要です。競争の激しい地域での水の割り当てを最適化する教師なし ML モデルによって、衛星フィードから欠陥のある水文学データやニューラル ESM からの天気予報データを抽出すると、人間が消費する水の供給が予期せぬ不足に陥る可能性があります。ダム決壊時の被害を最小限に抑えることを使命とする AI アルゴリズムは、間違った目標範囲または狭すぎる目標範囲に合わせて最適化するように誤ってプログラムされていた場合、人命を犠牲にして経済的損失の削減を誤って優先してしまう可能性があります 81。

ネットワークレベルでは、生物学的二次処理装置の自動メンテナンスなど、インテリジェント廃水処理プラントモデルのプログラミングの間違いによりプロセスクラッシュが引き起こされ、未処理の排水の下流への排出や上流のネットワークのオーバーフローにつながる可能性があります82。このような事態が発生すると、人間や海洋生物が未処理の下水にさらされるだけでなく、事業者に環境排出罰金が科せられる可能性があります。一方で、故障確率と損傷予測に基づいて水道管のメンテナンスを最適化する目標指向型 AI は、より裕福な地域のインフラを優先することで、低所得層の水の安全性を不用意に損なう可能性があります83。

エンドユーザーレベルでは、トレーニングデータセットのエラー、センサーの故障、またはリアルタイムの品質データに基づいて再生水をさまざまな最終用途に導くMLモデルのアルゴリズム一般化の失敗が、飲料水でない場合に公衆衛生上の危機を引き起こす可能性があります。水、あるいはさらに悪いことに、病原菌に汚染された水が消費のために各家庭に配られます。家庭の水消費量データを収集する AI ツールは、使用プロファイリングに関するプライバシー上の懸念を引き起こす可能性がある一方、AI を活用した水需要削減アプリケーションは、偏った「マイクロナッジ」を不用意に採用して非民主的な水アクセスにつながり、リスクにさらされている人々の尊厳と自主性を損なう可能性があります83。。

AI を水道システムに組み込むと、ネットワーク全体の障害のリスクが全体的に高まります。具体的には、水道システムの重要なコンポーネント、または水道システムのコンポーネント間の高度な結合を通じて AI に過度に依存すると、システム全体のリスクが発生する可能性があり、上記の個別のリスクにより、公益事業全体の資産とサービスが侵害される可能性があります。

さらに、水はすでに国内および国際的な地政学と企業競争の対象となっており、淡水の使用は農地の収奪と関連しており、グリーンウォーター（つまり雨水）は3,100億立方メートル、ブルーウォーターは1,400億立方メートルと推定されている。年間の水（つまり、灌漑用水）84。また、セクター全体でシステム侵害のイベントが最近増加していることを考えると、サイバーセキュリティへの懸念が高まっています85。分散型サービス拒否 (DDoS)、ランサムウェア、構造化照会言語 (SQL) インジェクション、トロイの木馬などの前世代のサイバー攻撃は破壊的なものでしたが、人間による監視が最小限に抑えられた組み込み AI の存在は、ハッカーに完全な攻撃の機会を提供する可能性があります。高度に相互接続されたシステムの制御86。

このようなネットワーク全体の障害は、コミュニティ全体を水不安のリスクにさらす可能性があり、確立されたエネルギーや食料資源の世界的なサプライチェーンとは異なり、水資源は比較的局地的な性質を持っているため、簡単に代替できないため、すぐに人道的危機や紛争につながる可能性があります。または国際的にまとめて取引される87。

上で強調した水道システム内での AI の直接的な失敗は、水道業界の外で間接的に地域的および地域的な大惨事につながる可能性があります。以下に推定される例を示してそのような事例を強調する際、これらの障害は独立して発生する可能性があるが、欠陥のある AI と人間の監視の欠如がそのような間接的なリスクの頻度と深刻さを悪化させる可能性があることに注意します。

AI への依存度が高いと、重要なインフラストラクチャシステム間に脆弱な相互依存関係が生じる可能性があります。シナリオには、クラウドコンピューティングが水道システムとエネルギーシステムの AI を支える 3 方向のカップリングが含まれる可能性がありますが、水冷はクラウドコンピューティングと発電に必要であり、グリッド電力は水道システムとデータセンターの運用に必要です。このような緊密な接続により、偶発的な障害やシステム全体に連鎖する悪意のあるサイバー攻撃のリスクが増幅され、分離されたイベントからの回復が大幅に困難になります。

上記にもかかわらず、一見成功したように見える水道システムへの AI の応用は、予期せぬ悪影響をもたらす可能性があります。 AI 対応のデジタルツインが海水淡水化施設のプロセスを最適化しているものの、放水地点の生態系に対する塩水の影響を正確に考慮していない場合、不注意による社会生態学的影響が発生する可能性があり、その結果、海洋環境や生物多様性に損害が生じる可能性があります88。同様に、水産業によって実装された AI モデルが偏り、水、エネルギー、食料の関係のトレードオフが適切に表現されない場合、エネルギーと食料の安全保障の問題が発生する可能性があります89。

さらに、ML の進歩により計算エネルギー需要は削減できます90が、非効率な AI システムの使用拡大によりデータセンターの電力強度が増加し、その結果、液体冷却技術における水の使用量が増加し、水の安全性を損なうフィードバックとなる温室効果ガスの排出が増加する可能性があります91。

水道システムにおける AI の潜在的な応用が意図した利点を確実に実現し、意図せず進歩の罠を永続させないようにするために、私たちは水道業界がこの初期のデジタル技術を安全に導入するための 3 つの推奨事項を作成します。以下で順番に詳しく説明します。最初の章ではインフラストラクチャとデジタルリテラシーのギャップに対処し、2 番目の章では信頼できる AI のための技術メカニズムの概要を説明し、3 番目の章では実際の水道システム全体にわたる AI アプリケーションの利点とリスクの評価を導くための 6 層のフレームワークを提案しています。

基礎的な集水域、処理、配水設備、衛生施設が不足している場合、AI が現在の水道システムの欠陥を解決できる可能性はほとんどありません。発展途上国でWASHの取り組みをさらに進めようとする政府、開発基金、慈善家、新興企業は、「実店舗」プロジェクトの代わりに、またはそれを補完するAIアプリケーションを評価する際に、社会的公平性と経済効率を考慮する必要があります92。

先進国では、水道事業者は、センサーやクラウドコンピューティング機能などの適切な ICT インフラストラクチャが AI アプリケーションの計画に組み込まれていることを確認する必要があります。さらに、水道事業者は、物理的構造と電気機械装置の両方、および運用上の重要な情報を含む異種データサイロを含むレガシーインフラストラクチャを維持する必要があることを考慮して、システムの統合と相互運用性のためのアプリケーションプログラミングインターフェイスなどの明確な戦略とアーキテクチャを開発する必要があります。新しいデジタル技術93.

AI アプリケーションが適切であるとみなされる場合、水道業界は、AI システムの設計、運用、管理に必要な人的資本を確実に確保するために、従業員のスキルアップ、再スキル化、および新しいスキルの習得を管理する必要があります。専門家団体や労働組合は、AI の専門知識を持つ学術機関や NGO と協力して、新しい教育コースや認定資格を開発する必要があります。

この目的を達成するには、水システムにおける AI が説明可能であることが重要です。一方で、説明可能な AI は、ドメインの専門家がユースケース全体で知識を有意義に確認し、挑戦し、伝達するために必要です94。一方、研究ベースの設定から実用的なアプリケーションへの移行により、ブラックボックス (つまり、分野の専門家ですらほとんど理解できないアルゴリズム) ではなく、ホワイトボックス (つまり、理解できる結果を提供するアルゴリズム) の展開とコミュニケーションが行われます。 AI 専門家によるこれは、専門知識を持たない水道業界の従事者や民間のエンドユーザーが、その機能を理解することで水道システム内の AI を信頼し、対話できるようにするために不可欠です95。

最後に、水道業界は、特に技術基準と透明性、人間の主体性と監視、安全性とセキュリティの問題に関して、水道システムにおける AI の微妙な違いに対処する目的に適した、分野別の法律、規制、政策を策定し、制定する必要があります。、責任と責任、ダイバーシティとインクルージョン。このようなガバナンスの枠組みが欠如している場合、水道システム全体に AI の導入を検討している公益事業者は、AI システムの障害に関連する保険や賠償責任など、進化する問題を十分に考慮する必要があります。

現時点では、AI に対する私たちの理解は急速に発展している状態にあるため、水道業界は、AI の安全性の分野が進化するにつれて、技術的な堅牢性、ガバナンス、倫理に関連する問題を常に把握しておく必要があります (たとえば、欧州連合の倫理を参照)信頼できる AI のためのガイドライン)96. ここでは、水道システム全体に AI を責任を持って導入するために、水道業界が「ツールボックス」として開発および維持すべき制度、ソフトウェア、およびハードウェアのメカニズムについて概説します。

制度的メカニズムは、知識、インセンティブ、説明責任を形成します97。サイバーセキュリティの専門家が内部で AI システムの脆弱性を発見するために従事する定期的なレッドチーム演習は、重要な水道システムのインフラストラクチャを侵害しようとする悪意のある攻撃者に先んじて水道事業者によって実施されるべきです。バグ、バイアス、安全報奨金制度は、外部の利害関係者や受益者に実際の AI システムの問題を開示するよう奨励するためにも使用できます。このようなスキームは、社会生態学的影響や水、エネルギー、食料の関係のトレードオフへの全身的曝露をマッピングする場合に特に役立つ可能性があります。これらの演習を超えて、水道業界が AI に関する現実世界での経験を積むにつれて、実装のベストプラクティス、安全上のインシデント、学んだ教訓に関するセクターを超えた協力的なナレッジバンクを維持する必要があります。

ソフトウェアメカニズムは、AI システム自体の特異性、理解、監視に対処します97。水道業界は学識経験者と協力して、再現性、プライバシー保護、検証を確保するための設計基準、解釈マニュアル、ユーザーテスト方法を確立する必要がある。人間中心設計のプロセスは、設計によって安全であり、設計によって安全であるため、上で概説したリスクのいくつかを軽減するのに役立ちます。パイプ漏洩検出や処理プロセスの最適化などの典型的なアプリケーション向けに、検証済みの標準 AI ソースコードの分野を超えたナレッジバンクを維持して、ベストプラクティスを加速することができます。また、水道事業者は、AI システムの問題定義、設計、開発、運用に関する監査証跡を維持する必要があり、これらの追跡可能なログを専門の第三者監査人が分析して、インシデントと得られた教訓を最大限に収集する必要があります。

ハードウェアメカニズムは、物理リソースの機能、アクセス可能性、および信頼性に直面します98。水道事業者は、システムの誤動作や侵害によって引き起こされる潜在的な大惨事を軽減するために、自動または人間によるシャットダウンと回避策を可能にするフェールセーフを AI アプリケーションに確実に組み込む必要があります。品質管理検査官は、ケースバイケースおよび水道システム全体に基づいて、AI およびスマートサイバー物理システムのパフォーマンスを定期的に測定し、報告するよう従事する必要があります。水道セクターの利害関係者は、一般に商用規模のハードウェアにアクセスできない学識経験者とオープンアクセスの研究開発パートナーシップを確立して、水道システム向けの信頼できる AI におけるセクター間およびセクター間の協力的な進歩を加速することも検討する必要があります。

水道業界は、利益とリスクのバランスの取れた評価を提供する、インフラストラクチャとサービスの制御に関連した AI の責任ある展開のための透明なフレームワークを確立する必要があります99。 AI はそれ自体が最終目標ではなく、明確に定義された問題に対する技術的な対応として扱われる必要があります。「ムーンショットから始めないでください」: 全体的なアプローチには、水道システムの欠陥の徹底的な理解、そのような欠陥に安全に対処する典型的な AI システムの評価、段階的なプロトタイピング、パイロット、ロールアウトのプロセスが含まれなければなりません100。

この目的を達成するために、我々は、技術的な堅牢性、ガバナンス、倫理に関する信頼できる AI ガイドラインの一般概念を詳しく説明した 6 層フレームワークの例 (表 1) を提案します。水道システムへの AI の導入。ここで提供される考慮事項の例は、現実世界での実装前、実装中、実装後の特定の AI アプリケーションの正味の価値提案を評価するための「ライブスコアカード」に基づいて、水道分野の実務者にインスピレーションを与えることを目的としています。

世界は持続可能な開発目標 6 の達成に向けた軌道に乗っていません。安全ではなくアクセスできない飲料水、雨水、下水道サービスにより毎年 160 万人以上が死亡しており、気候変動により水関連問題が悪化すると予想されています。これに応えて、水道システムの欠陥に対処するための最新の技術革新として AI が提案されています。しかし、技術だけでは給水や排水処理の問題を解決することはできません。水道システム全体での AI の拡散の管理が不十分な場合、水の安全性をさらに損ない、複雑にする可能性のある進行の罠が発生する可能性があります。

そのため、この視点では、専門的な水道システムや AI の安全性に関する文献から得た、ドメインサイロ化された知識を相互に受粉させ、総合的な洞察を文脈化して、学者、水道および AI 業界の実務者、一般のエンドユーザーの間で、次のことの必要性についての意識を高めることを目指しました。リスクを軽減するために、水道システムにおける AI の「責任ある導入」を優先します。

AI がまだ普及しておらず、特に水分野での導入が初期段階にあることを考えると、現実世界のアプリケーションに関する実証データは比較的不足しています。そのため、システム全体にわたる AI の潜在的な範囲を強調するために、ここで概説した水道システム全体の AI アプリケーションの例は、AI アルゴリズムのデモンストレーションまたは学術文献に記載された個別のケーススタディに基づいています。同様に、提供されている AI リスクの例は、最先端の AI 安全性文献に基づいているとはいえ、推測的なものです。

上記にもかかわらず、AI アプリケーションの失敗が人々に害を及ぼす実際の例が 2022 年 11 月に報告されました101。この例では、カナダのトロント公衆衛生局は、1 日経過した臨床検査を使用する従来の方法を、 ML ベースの予測水質評価ツール。地元のビーチの水質が水泳に安全かどうかを判断します。 ML ツールは、謳われているほど正確ではなく、危険な海辺の日の約 30% しか特定できず、その結果、夏の間に 50 件の公衆海水浴客が危険な細菌レベルにさらされたという結果になりました。これは、責任ある導入原則が優先され、効果的に実行されなかった場合に、AI の障害が引き起こす可能性がある非常に現実的な害を浮き彫りにしています。

水道システム全体にわたる AI の適用の成功と失敗に関する実証データがより容易に入手できるようになっているため、研究者や実践者がそのような情報を厳密にデータベース化して評価し、リスク管理実践を進化させるために必要な本当の利点と本当のリスクを徹底的に理解することを推奨します。 AIが増殖する。私たちは、ここで概念化されたフレームワークが、学際的な学者や水道および AI 業界の専門家が、エンドユーザーを関与させ、教育する参加型アプローチに基づいて、積極的かつ重要なリスク管理実践を開発できる基盤を提供することを願っています。

最後に、水道業界は、インフラストラクチャとデジタルリテラシーに関連する障壁への対処、信頼できる AI のための制度的、ソフトウェアおよびハードウェアのメカニズムの確立、アプリケーションベースの優先順位付けなど、水道システムへの AI の責任ある展開を確実にするために、リスクの予測と軽減に対して段階的なアプローチを取る必要があります。厳格な利益とリスクの評価に基づく。 AI 水道技術への投資は 63 億米ドルと見込まれており、私たちは水道部門、特にデジタル水への進出を推進しているより大規模で発展した公益事業に対し、この資金のかなりの部分を純粋な技術的能力の構築から離れて、これは、水道システムにおける AI の潜在的な利点を大規模に実現するのに役立ちます。

Hosseiny , SH 、Bozorg-Haddad , O. & Bocchiola , D. 『水資源における経済的、政治的、社会的問題』 (編著 Bozorg-Haddad, O.) 189–216 (Elsevier、2021)。

シュライバー、KJ & ロハス、JL ナスカの井戸。緯度。午前。アンティーク。 6、229–254 (1995)。

記事 Google Scholar

Coningham, R. & Young, R. 『南アジアの考古学: インダスからアソカまで』、紀元前 6500 年頃 – 西暦 200 年頃 101 – 278 (Cambridge Univ. Press、2015)。

ライト、R. 進歩の短い歴史 (アナンシの家、2004)。

Price, M. 古代ローマの有名なパイプ配管システムの起源が土壌サンプルで明らかになりました。科学 (2017 年 8 月 28 日)。

Bierkens、MFP & Wada、Y. 再生不可能な地下水の利用と地下水の枯渇: レビュー。環境。解像度レット。 14、063002 (2019)。

記事 Google Scholar

ゴードン L.、ダンロップ M.、フォラン B. 土地被覆変化と水蒸気の流れ: オーストラリアから学ぶ。フィル。トランス。 R. Soc. ロンド。 B.バイオル。科学。 B 29、358 (2003)。

Google スカラー

Liu, W.、Iordan, CM、Cherubini, F.、Hu, X. & Fu, D. 2 つの下水排出基準に基づく廃水処理および汚泥処理システムの環境影響評価: 中国昆山市のケーススタディ。 J. クリーン。製品。 287、125046 (2021)。

記事 CAS Google Scholar

エルサイド、Ｋ．ら。淡水化技術の環境への影響: レビュー。科学。トータル環境。 748、141528 (2020)。

論文 CAS PubMed Google Scholar

ダ・シルバ、GCX 他東アマゾンのダム貯水池が環境に与える影響。フロント。水 https://doi.org/10.3389/frwa.2020.00011 (2020)。

2021 年国連水概要進捗状況最新情報: SDG 6—すべての人に水と衛生を (国連、2021)。

IPCC 気候変動 2022: 影響、適応、脆弱性 (Pörtner、H.-O. 他編) (Cambridge Univ. Press、2022)。

Russell, SJ & Norvig, P. 人工知能: 現代的なアプローチ (プレンティスホール、2020)。

Rozos, E. 機械学習、都市水資源の管理および運用ポリシー。リソース 8、173 (2019)。

記事 Google Scholar

持続可能な開発目標報告書 2022 (国連、2022 年)。

山崎大博士 & マサチューセッツ州トリッグ地球の表面水の力学。ネイチャー 540、348–349 (2016)。

論文 CAS PubMed Google Scholar

Kadow, C.、Hall, DM & Ulbrich, U. 人工知能は、失われた気候情報を再構築します。ナット。地理学。 13、408–413 (2020)。

記事 CAS Google Scholar

Pekel, J.-F.、Cottam, A.、Gorelick, N.、Belward, AS 地球の地表水とその長期変化の高解像度マッピング。ネイチャー 540、418–422 (2016)。

論文 CAS PubMed Google Scholar

Larson, A. ニューラルネットワークと衛星データを介した、地球の水循環のより明確なビュー。ナット。地球環境牧師。 3、361 (2022)。

記事 CAS Google Scholar

Koppa, A.、Rains, D.、Hulsman, P.、Poyatos, R. & Miralles, DG 地球規模の地球蒸発に関する深層学習ベースのハイブリッドモデル。ナット。共通。 1912 年 13 日 (2022 年)。

論文 CAS PubMed PubMed Central Google Scholar

Espeholt、L. et al. 12 時間の降水量予測のためのディープラーニング。ナット。共通。 13、5145 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Muste, M.、Kim, D. & Kim, K. 流域内測定のみを使用した河川洪水の洪水頂予測プロトタイプ。共通。地球環境。 3、78 (2022)。

記事 Google Scholar

Vereecken、H. et al. 地球システムにおける土壌水文学。ナット。地球環境牧師。 3、573–587 (2022)。

記事 Google Scholar

Shen, LQ、Amatulli, G.、Sethi, T.、Raymond, P. & Domisch, S. 機械学習フレームワーク内での小川と河川の窒素とリンの濃度の推定。科学。データ7、161（2020）。

論文 CAS PubMed PubMed Central Google Scholar

Podgorski, J. & Berg, M. 地下水中のフッ素の世界的な分析と予測。ナット。共通。 13、4232 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Sharafati, A.、Asadollah、SBHS、Neshat, A. イランのラフサンジャン帯水層の地下水位を予測するための新しい人工知能戦略。Ｊ．ハイドロール。 591、125468 (2020)。

記事 Google Scholar

Zaniolo, M.、Giuliani, M.、Sinclair, S.、Burlando, P. & Castelletti, A. タイミングが重要な場合、ダムの充填設計を誤ると、水力発電の持続可能性に影響を与えます。ナット。共通。 12、3056 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Chakkaravarthy , GV および Lavanya , R. 、『Integrating AI in IoT Analytics on the Cloud for Healthcare Applications』 (ed. Jeya Mala , D.) 57–66 (IGI Global 、2022)。

モゾ、A.ら。藻類の発生を予測するための機械学習モデルに基づくクロロフィルソフトセンサー。 Sci Rep. 12、13529 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Massarelli, C.、Campanale, C.、および Uricchio, VF in IoT Applications Computing (Singh, I. 他編) Ch. 10 (IntechOpen、2021)。

Zarei, M. et al. 洪水被害を軽減するための予測情報に基づいた貯水池運用 (FIRO) のための機械学習アルゴリズム。科学。議員番号 11、24295 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

リガ、R.ブリスベン 2011年の洪水被害者、ウィブンホー・ダムの運営をめぐる集団訴訟の部分和解で4億4,000万ドルを獲得。 ABC ニュース https://web.archive.org/web/20130127022836/http://www.australiangeographic.com.au/journal/the-worst-floods-in-australian-history.htm (2021)。

Oksen, P. & Favre, L. 水・衛生・衛生 (WASH) 部門における革新的技術 (WIPO、2020); https://www.wipo.int/edocs/pubdocs/en/wipo_pub_gc_20_1.pdf

ファンクハウザー、K.ら。干ばつの早期対策に向けて、衛星データと現場センサーを機械学習と同化させて、乾燥したケニアにおける地下水の使用と需要を推定します。科学。トータル環境。 831、154453 (2022)。

論文 CAS PubMed Google Scholar

バウアー、P.ら。地球システム科学のデジタル革命。ナット。計算します。科学。 1、104–113 (2021)。

記事 Google Scholar

Irrgang, C. et al. 地球システム科学に人工知能を統合することによるニューラル地球システムモデリングへ。ナット。マッハ。知性。 3、667–674 (2021)。

記事 Google Scholar

Hess, P.、Drüke, M.、Petri, S.、Strnad, FM & Boers, N. 地球システムモデルからの降水場を改善するための、物理的に制約された敵対的生成ネットワーク。ナット。マッハ。知性。 4、828–839 (2022)。

記事 Google Scholar

Fecht, S. 人工知能を使用して危険なダムを特定します。コロンビア気候学校ニュース https://news.climate.columbia.edu/2018/08/23/artificial-intelligence-find-risky-dams/ (2018)。

ヴァン・フリート、MTH 他地表水の水質と浄水技術の拡大を含む世界的な水不足。環境。解像度レット。 16、24020 (2021)。

記事 Google Scholar

Hosseiny, H.、Nazari, F.、Smith, V.、Nataraj, C. 水力学と機械学習のハイブリッドを使用して洪水の深さをモデル化するためのフレームワーク。科学。議員 10、8222 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

Perera, D.、Smakhtin, V.、Williams, S.、North, T.、Curry, A. 老朽化した貯水インフラ：新たな世界的リスク (UNU-INWEH、2021)。 https://inweh.unu.edu/wp-content/uploads/2021/01/Ageing-Water-Storage-Infrastructor-An-Emerging-Global-Risk_web-version.pdf

マレキ、R. et al. 人工知能を活用したイオン選択膜の材料発見。共通。化学。 5、132 (2022)。

記事 PubMed PubMed Central Google Scholar

瀬尾、DH 他効果的な脱塩のための防汚グラフェンベースの膜。ナット。共通。 9, 683 (2018)。

記事 PubMed PubMed Central Google Scholar

キム、H.ら。乾燥気候向けの吸着ベースの大気水回収装置。ナット。共通。 9, 1191 (2018)。

記事 PubMed PubMed Central Google Scholar

Pham Vu Hon, S. & Nguyen Thanh, V. 配水システムの設計を最適化するための人工知能アルゴリズムの適用。内部。 J.Constr. 管理。 https://doi.org/10.1080/15623599.2022.2101593 (2022)。

Tzachor, A.、Sabri, S.、Richards, CE、Acuto, M.、Rajabifard, A. 持続可能な開発目標を達成するためのデジタルツインの可能性と限界。ナット。持続する。 5、822–829 (2022)。

THF ウォン氏、BC 州ロジャース、RR ブラウン氏水に配慮した原則と実践を通じて都市を変革する。ワン・アース 3、436–447 (2020)。

記事 Google Scholar

Li, L.、Rong, S.、Wang, R. & Yu, S. 飲料水処理における非線形関係分析とプロセス制御のための人工知能と機械学習の最近の進歩: レビュー。化学。工学 J. 405、126673 (2021)。

記事 CAS Google Scholar

グエン、XC 他。バイオテクノロジーとバイオエンジニアリングの現在の開発: 生物学的廃水処理システムの進歩 (Bui, X.-T. 編) 587–608 (Elsevier、2022)。

sakiewicz, P.、Piotrowski, K.、Ober, J. & Karwot, J. 統合バイオガス - 廃水処理システムモデリングのための革新的な人工ニューラルネットワークアプローチ: プロセス強化に対するプラント運転パラメータの影響。更新します。持続する。エネルギー改訂 124、109784 (2020)。

記事 CAS Google Scholar

ラニ、A.、スナイダー、SW、キム、H.、レイ、Z.、パン、S.-Y. エネルギー抽出廃水技術によるネットゼロカーボン水部門への道。 npj クリーンウォーター 5、49 (2022)。

記事 CAS Google Scholar

AI が SCADA システムをどのように次のレベルに引き上げるか。 Veolia https://blog.veolianorthamerica.com/how-ai-aking-scada-systems-to-next-level (2022)。

人工知能を使用してウォーターポンプの効率を向上させます。メルボルンウォーター https://www.melbournewater.com.au/water-data-and-education/news/research-and-innovation/increasing-water-pump-efficiency-using (2021)。

Balla, KM、Bendtsen, JD、Schou, C.、Kallesøe, CS & Ocampo-Martinez, C. 複合下水ネットワークのデータ駆動型予測制御に向けた学習ベースのアプローチ - 実験研究。水耐性 221、118782 (2022)。

論文 CAS PubMed Google Scholar

機械学習は都市の水の保護に役立ちます。その方法は次のとおりです。世界経済フォーラム https://www.weforum.org/agenda/2022/04/how-to-prevent-urban-water-stress-through-machine-learning/ (2022)。

Vanijjirattikhan、R. 他配水システムにおける AI ベースの音響漏れ検出。結果工学 15、100557 (2022)。

記事 Google Scholar

Dawood, T.、Elwakel, E.、Novoa, HM & Delgado, JFG 水道管劣化メカニズムのモデリングのための人工知能。オートム。構造 120、103398 (2020)。

記事 Google Scholar

Zhou, B.、Lau, V. & Wang, X. スマート給水システム向けの機械学習ベースの漏水イベント識別。 IEEE Internet Things J. 7、2277–2292 (2020)。

記事 Google Scholar

Fu, G.、Jin, Y.、Sun, S.、Yuan, Z.、Butler, D. 都市の水管理におけるディープラーニングの役割: 批判的なレビュー。水耐性 223、118973 (2022)。

論文 CAS PubMed Google Scholar

第 4 次産業革命を水に活用する (世界経済フォーラム、2018 年)。

Stańczyk, J.、Kajewska-Szkudlarek, J.、Lipiński, P.、Rychlikowski, P. 進化的アルゴリズムを使用した短期の水需要予測の改善。科学。議員 12、13522 (2022)。

記事 PubMed PubMed Central Google Scholar

食糧農業機関。年間の淡水取水量、農業（総淡水取水量に占める割合）。世界銀行データ https://data.worldbank.org/indicator/ER.H2O.FWAG.ZS (2018)。

Tzachor, A.、Richards, CE、Jeen, S. デジタルツインによる農産物生産システムとサプライチェーンの変革。 npj 科学。食品 6、47 (2022)。

記事 PubMed PubMed Central Google Scholar

Dehghanisanij, H.、Emami, H.、Emami, S.、Rezaverdinejad, V. 農業における水の使用効率と収量を推定するためのハイブリッド機械学習アプローチ。科学。議員番号 12、6728 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

バウアー、A.ら。コンピュータービジョンとディープラーニングを組み合わせて、超スケールの空中表現型解析と精密農業を可能にする: レタス生産のケーススタディ。ホルティック。解像度 6、70 (2019)。

記事 PubMed PubMed Central Google Scholar

García, L.、Rodríguez, JD、Wijnen, M. & Pakulski, I. 水資源管理のための地球観測: 水部門の現在の利用と将来の機会 (世界銀行、2016)。

Cominola、A. et al. 長期的な節水は、スマートメーターベースのフィードバックとデジタルユーザーエンゲージメントによって促進されます。 npj クリーンウォーター 4、29 (2021)。

記事 Google Scholar

地球のために人工知能を活用する (世界経済フォーラム、2018 年)。

Bedell, E.、Harmon, O.、Fankhauser, K.、Shivers, Z. & Thomas, E. 飲酒時の糞便汚染リスクを検出するための機械学習モデルと組み合わせた連続的、その場、近時間蛍光センサー水: 設計、特性評価、フィールド検証。水耐性 220、118644 (2022)。

論文 CAS PubMed Google Scholar

Andres, L.、Boateng, K.、Borja-Vega, C.、Thomas, E. 水と衛生への介入を監視するための現場およびリモートセンシング技術のレビュー。水 https://doi.org/10.3390/w10060756 (2018)。

Swan, A.、Cooper, N.、Gamble, W.、Pritchard, M. スマートポンプを使用して、安全で手頃な価格の飲料水へのユニバーサルアクセスの実現を支援します。手順研究所文明工学工学持続する。 171、277–285 (2017)。

Google スカラー

Aiken, E.、Bellue, S.、Karlan, D.、Udry, C. & Blumenstock, JE 機械学習と電話データにより、人道支援の対象を改善できます。 Nature 603、864–870 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

パンディー、R. et al. 新型コロナウイルス感染症のパンデミックの時代に WASH の意識を高めるための機械学習アプリケーション。科学。議員第 12 号、810 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

デ・サンティ、M.ら。人道的対応における消費地点の残留塩素のモデル化: コスト重視の学習は確率的予測を改善できるか? PLoS ウォーター 1、e0000040 (2022)。

記事 Google Scholar

2000 年から 2020 年の家庭用飲料水、衛生および衛生に関する進歩: SDGs の 5 年後 (世界保健機関および国連児童基金、2021 年)。

Guenat, S. et al. ロボット工学と自律システムを通じて持続可能な開発目標を達成します。ナット。共通。 13、3559 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

イノベーションのペースが遅いため、サプライチェーンは引き続き混乱しています。ブリティッシュウォーター https://www.britishwater.co.uk/news/602860/Slow-pace-of-innovation-Continues-to-frustrate-supply-chain-.htm (2022)。

普遍的な AI リテラシーがなければ、AI は私たちを駄目にしてしまいます。世界経済フォーラム https://www.weforum.org/agenda/2022/03/without-universal-ai-literacy-ai-will-fail-us/ (2022)。

ブランデージ、M.ら。人工知能の悪意のある使用: 予測、防止、軽減。アポロ https://doi.org/10.17863/CAM.22520 (2018)

Tzachor, A.、Devare, M.、King, B.、Avin, S. & Ó hÉigeartaigh, S. 農業における責任ある人工知能には、リスクと外部性の体系的な理解が必要です。ナット。マッハ。知性。 4、104–109 (2022)。

記事 Google Scholar

アモデイ、D. et al. AIの安全性における具体的な問題。プレプリントは https://doi.org/10.48550/arXiv.1606.06565 (2016) にあります。

Trávníček、P.、Junga、P.、Kotek、L.、Vítěz、T. ヨーロッパの都市下水処理施設での事故の分析。 J. ロス前プロセス工業株式会社 74、104634 (2022)。

記事 Google Scholar

Doorn, N. 水分野における人工知能: 責任ある使用の機会。科学。トータル環境。 755、142561 (2021)。

論文 CAS PubMed Google Scholar

Rulli 、 MC 、 Saviori 、 A. & D'Odrico 、 P. 地球規模の土地と水の収奪。手順国立アカデミー。科学。米国 110、892–897 (2013)。

論文 CAS PubMed PubMed Central Google Scholar

R.ギャラガー英国の水道業者が「非常に憂慮すべき」サイバー攻撃に見舞われた。ブルームバーグ。 https://www.bloomberg.com/news/articles/2022-08-17/uk-water-supplier-hit-by-extremely-concerning-cyber攻撃（2022年）。

Taddeo, M.、McCutcheon, T.、Floridi, L. サイバーセキュリティにおいて人工知能を信頼することは両刃の剣です。ナット。マッハ。知性。 1、557–560 (2019)。

記事 Google Scholar

ミルン、S. 水不足がどのように戦争を引き起こしているのか。 BBC フューチャー https://www.bbc.com/future/article/20210816-how-water-shortages-are-brewing-wars (2021)。

Omerspahic, M.、Al-Jabri, H.、Siddiqui, SA & Saadaoui, I. ペルシャ/アラビア湾に重点を置いた、脱塩塩水の特性と海洋化学と健康への影響: 総説。フロント。 3月科学。 https://doi.org/10.3389/fmars.2022.845113 (2022)。

Zaidi、SMA 他エネルギーと水の関係のための機械学習: 課題と機会。 Big Earth Data 2、228–267 (2018)。

記事 Google Scholar

パターソン、DA et al. 炭素排出と大規模なニューラルネットワークのトレーニング。 https://arxiv.org/abs/2104.10350 (2021) でプレプリント。

Kaack、LH et al. 人工知能と気候変動緩和を連携させる。ナット。登る。変更 12、518 ～ 527 (2022)。

記事 Google Scholar

Alonso, C.、Kothari, S.、および Rehman, S. 人工知能は富裕国と貧困国の間の格差をどのように拡大できるか (国際通貨基金、2020 年)。

Sarni, W.、White, C.、Webb, R.、Cross, K. & Glotzbach, R. デジタルウォーター: 業界リーダーが変革の軌跡を描く (IWA、2019)。 https://iwa-network.org/wp-content/uploads/2019/06/IWA_2019_Digital_Water_Report.pdf

Barredo Arrieta、A. et al. 説明可能な人工知能 (XAI): 責任ある AI に向けた概念、分類、機会、課題。情報 Fusion 58、82–115 (2020)。

記事 Google Scholar

ガニング、D. et al. XAI - 説明可能な人工知能。科学。ロボット。 4、eaay7120 (2019)。

論文 PubMed Google Scholar

信頼できる AI のための倫理ガイドライン。欧州委員会 https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai (2023)。

アビン、S.ら。信頼できる AI 開発におけるギャップを埋める。サイエンス 374、1327–1329 (2021)。

論文 CAS PubMed Google Scholar

ブランデージ、M.ら。信頼できる AI 開発に向けて: 検証可能な主張をサポートするメカニズム (2020)。

AI ガバナンス: AI に倫理を実装するための総合的アプローチ (世界経済フォーラム、2019 年)。

TH ダベンポート & R. ロナンキ。現実世界のための人工知能: 月面ショットから始めないでください。ハーバードビジネスレビュー https://www.hbsp.harvard.edu/product/R1801H-PDF-ENG (2018)。

マルティノー、P. トロントは人工知能を利用して水泳者に警告しました。実験は失敗しました。情報 https://www.theinformation.com/articles/when-artificial-intelligence-isnt-smarter (2022)。

リファレンスをダウンロードする

この論文は、テンプルトン世界慈善財団からの助成金の支援によって可能になりました。この出版物で表明されている意見は著者の意見であり、必ずしもテンプルトン世界慈善財団の見解を反映しているわけではありません。イチジクの制作にご協力いただきました K. Atanasova に感謝いたします。 1と2。

実存的リスク研究センター、ケンブリッジ大学、ケンブリッジ、英国

キャサリン・E・リチャーズ、アサフ・ツァチョル、シャハール・アヴィン

ケンブリッジ大学工学部、ケンブリッジ、英国

キャサリン・E・リチャーズ & リチャード・フェナー

ライヒマン大学持続可能性大学院 (IDC ヘルズリヤ)、ヘルズリヤ、イスラエル

アサフ・ツァチョル

PubMed Google Scholar でこの著者を検索することもできます

CER、AT、SA、RF が共同で開発し、この論文の執筆に貢献しました。

Catherine E. Richards または Asaf Tzachor との通信。

著者らは競合する利害関係を宣言していません。

Nature Water は、この研究の査読に貢献してくれた Evan Thomas、Guangtao Fu、およびその他の匿名の査読者に感謝します。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

Springer Nature またはそのライセンサー (協会や他のパートナーなど) は、著者または他の権利所有者との出版契約に基づいて、この記事に対する独占的権利を保持します。この記事の受理された原稿バージョンの著者によるセルフアーカイブには、かかる出版契約の条項および適用される法律のみが適用されます。

転載と許可

Richards, CE、Tzachor, A.、Avin, S. 他水道システムにおける人工知能の報酬、リスク、責任ある導入。ナットウォーター 1、422–432 (2023)。 https://doi.org/10.1038/s44221-023-00069-6

引用をダウンロード

受信日: 2022 年 11 月 11 日

受理日: 2023 年 3 月 13 日

公開日: 2023 年 5 月 11 日

発行日：2023年5月

DOI: https://doi.org/10.1038/s44221-023-00069-6

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

レビュー：恋人のフィンガーバイブを試してみた

ベスト・オブ・ベスト・バイブレーター