Noticias

Jun 27, 2023

Recompensas, riesgos y despliegue responsable de la inteligencia artificial en los sistemas de agua

Nature Water volumen 1, páginas

Nature Water volumen 1, páginas 422–432 (2023) Citar este artículo

2468 Accesos

29 Altmetric

Detalles de métricas

La inteligencia artificial (IA) se propone cada vez más para abordar las deficiencias en los sistemas de agua, que actualmente dejan a alrededor del 25 % de la población mundial sin agua limpia, alrededor del 50 % sin servicios de saneamiento y alrededor del 30 % sin instalaciones de higiene. La IA está lista para mejorar los conocimientos sobre el suministro, la gestión de cuencas y la respuesta a emergencias, mejorar el diseño, la operación y el mantenimiento de la planta de tratamiento y la red de distribución, y mejorar la disponibilidad del servicio, la gestión de la demanda y la justicia del agua. Sin embargo, la proliferación de esta tecnología incipiente podría desencadenar problemas graves e inesperados, incluido el compromiso de todo el sistema debido a errores de diseño, mal funcionamiento y ataques cibernéticos, así como exposiciones a nexos socioecológicos, agua-energía-alimentos en cascada y fallas de infraestructura crítica acopladas. En respuesta, hacemos tres recomendaciones para el despliegue seguro y responsable de la IA en los sistemas de suministro de agua potable y eliminación de aguas residuales: abordar las brechas en la infraestructura fundamental y la alfabetización digital; establecer mecanismos institucionales, de software y hardware para una IA confiable; y priorizar las solicitudes en función de nuestro marco de evaluación sistemático de riesgos y beneficios propuesto.

Los primeros desarrollos científicos en el suministro de agua potable y los sistemas de eliminación de aguas residuales (encapsulados en lo sucesivo como "sistemas de agua") permitieron que las sociedades antiguas se transformaran en metrópolis urbanas más allá de sus orígenes ribereños y aumentaran la resiliencia ante las perturbaciones climáticas, incluidos los períodos húmedos y secos1. Por ejemplo, los nazcanos construyeron acueductos subterráneos para transportar agua potable a largas distancias y mitigar las pérdidas por evaporación2, y la civilización del valle del Indo construyó alcantarillas de ladrillo para drenar baños y letrinas en pozos de absorción aislados para mitigar la exposición de las personas a las aguas residuales3.

Si bien las proezas de la ingeniería han producido múltiples beneficios, algunos casos de innovación tecnológica han resultado en "trampas de progreso": eventos en los que el ingenio humano para resolver un problema determinado manifiesta inadvertidamente problemas imprevistos que superan la capacidad de la sociedad y la tecnología para resolverlos4. Por ejemplo, las cañerías de plomo de la antigua Roma eran una maravilla de la ingeniería que conectaba a su vasta población a redes confiables de agua y aguas residuales, pero sus desagües también se han relacionado con la contaminación del agua del puerto con plomo, lo que podría envenenar la vida marina y las personas5.

Más recientemente, el riego agrícola artificial ha agotado los acuíferos subterráneos6 y ha provocado la salinización7. El tratamiento de aguas residuales ha contribuido inadvertidamente al calentamiento global, la toxicidad y la acidificación8. La desalinización del agua de mar ha provocado contaminación del aire, del mar y del suelo9. Las innovaciones en sectores adyacentes que obtienen beneficios a corto plazo han creado problemas a más largo plazo para los recursos hídricos, como represas hidroeléctricas para la producción de energía que degradan los ecosistemas acuáticos, la dinámica biogeoquímica y la calidad del agua10. A pesar de las innovaciones exitosas y esenciales en los sistemas de agua, nuestra sed de resolución de problemas basada en la tecnología a menudo nos ha encerrado en trampas de progreso crónicas.

Hoy en día, alrededor del 25 % de la población mundial carece de acceso a agua limpia, el 50 % carece de acceso a servicios de saneamiento y el 30 % carece de acceso a instalaciones de higiene11. El cambio climático antropogénico amenaza con exacerbar estos problemas, con temperaturas más altas que aumentan la escasez de agua a nivel mundial y eventos extremos, incluidas tormentas, inundaciones y sequías, que dañan la infraestructura de los sistemas de agua en los países desarrollados y socavan los esfuerzos de agua, saneamiento e higiene (WASH) en los países en desarrollo12.

En este contexto, la inteligencia artificial (IA) y su subdivisión de aprendizaje automático (ML) es la última intervención tecnológica propuesta para resolver problemas en los sistemas de agua mediante la creación de resiliencia climática, mejorando el rendimiento de la infraestructura y, en casos limitados, ayudando a los esfuerzos de WASH. . Sin embargo, las crecientes aplicaciones de IA pueden dar lugar a problemas graves e inesperados que se subestiman y deben manejarse de manera responsable y preventiva para evitar socavar involuntariamente los esfuerzos para cumplir con el Objetivo de Desarrollo Sostenible 6.

En esta Perspectiva, brindamos una consideración equilibrada de la IA en los sistemas de agua. Examinamos los posibles beneficios de las aplicaciones de IA en todo el sistema, desde la captación hasta el usuario final. Luego destacamos las barreras sistémicas potenciales, los riesgos directos y las exposiciones a fallas en cascada, que pueden resultar catastróficas para las comunidades. Finalmente, proponemos un enfoque de mitigación de riesgos de tres niveles, necesario para evitar la proliferación de esta tecnología actualmente incipiente que perpetúa el fenómeno de la trampa del progreso.

Aquí definimos AI como un 'agente inteligente' basado en una máquina capaz de interactuar con su entorno con la ayuda de sensores, interpretar información para la toma de decisiones y tomar acciones de forma autónoma para lograr resultados orientados a objetivos a través de un actuador humano o robótico, mientras que ML se refiere al subconjunto de modelos algorítmicos que aprenden y predicen resultados a través de la observación pasiva del entorno13.

Dada la actual falta de implementación a gran escala en el 'mundo real', destacamos los supuestos beneficios de las aplicaciones de IA en tres niveles que cubren los sistemas de agua de principio a fin: (1) suministro de agua (nivel de captación), que incluye información mejorada sobre el suministro, gestión de cuencas y respuesta a emergencias; (2) distribución y disposición de agua (a nivel de red), incluido el diseño, operación y mantenimiento de infraestructura de red y tratamiento eficiente; y (3) demanda de agua (nivel de usuario final), incluida una mejor disponibilidad del servicio, gestión de la demanda y justicia del agua (Fig. 1).

La IA tiene el potencial de generar beneficios en todo el sistema que van desde mejores conocimientos de captación hasta eficiencia de red optimizada y servicio mejorado para los usuarios finales.

Más allá de las aplicaciones específicas de los componentes que se detallan a continuación, la IA avanzada también se puede usar para simular, informar y optimizar la política operativa para sistemas de agua completos en línea con los principios de gestión integrada de los recursos hídricos14.

Más del 10 % de las personas en todo el mundo están expuestas a un estrés hídrico elevado y crítico, y se espera que el cambio climático empeore esta exposición tanto en las zonas urbanas como en las rurales15. Como tal, el análisis completo, confiable y de alta resolución de los recursos hídricos naturales de la Tierra, los ciclos hidrológicos y las perturbaciones antropogénicas son esenciales para monitorear y administrar el suministro de agua16.

Los modelos de aprendizaje automático pueden procesar grandes conjuntos de datos, como imágenes de radar de apertura sintética interferométrica, y (re)construir los datos faltantes17 para proporcionar estimaciones cuantitativas precisas de la ubicación y persistencia históricas del agua dulce, incluida la extracción y el reabastecimiento, lo que ayuda a la identificación forense de los factores de estrés hídrico y escasez18 . Los algoritmos complementarios que analizan datos satelitales, de drones, terrestres y de embalses pueden respaldar la observación en tiempo real, la detección de anomalías y predicciones rápidas a corto plazo del ciclo hidrológico y los patrones climáticos19. Esto incluye parámetros cuantitativos, como la evapotranspiración20, la condensación, la precipitación21, la infiltración, la escorrentía superficial, el caudal22, el caudal subterráneo y la humedad del suelo23, así como factores de calidad, por ejemplo, nutrientes como el fósforo y el nitrógeno24 y minerales como el fluoruro25.

Dichas aplicaciones de IA pueden usarse para optimizar los programas de extracción de acuíferos para mantener los niveles freáticos dentro de límites sostenibles26 y los programas de llenado de presas para minimizar el daño a los ecosistemas acuáticos relacionado con las alteraciones hidrológicas aguas arriba y aguas abajo27. Estos permiten la detección automatizada de peligros para la salud pública, incluidos penachos de contaminación, patógenos de enfermedades transmitidas por el agua, como protozoos (por ejemplo, giardia), bacterias (por ejemplo, disentería), virus y gusanos parásitos28, así como eutrofización y proliferación de algas nocivas29. Del mismo modo, pueden ayudar a detectar actividades accidentales ilegales y dañinas, como verter o descargar productos químicos peligrosos en embalses o cuerpos de agua recreativos30.

En la prevención, preparación y respuesta ante emergencias, mediante la integración de datos de lluvia en tiempo real con sistemas de alerta temprana y tecnologías de control, la IA puede monitorear los flujos de entrada de los embalses y comunicarse con la telemetría de las presas para gestionar las descargas seguras de los aliviaderos31. Dichas tecnologías pueden intervenir en la mala gestión humana de las represas, mitigando eventos como la inundación de Brisbane de 2011, que resultó en daños por más de AU $ 2 mil millones32. Mientras tanto, los sistemas inteligentes de monitoreo de 'nube de lluvia a aguas pluviales', utilizando sensores remotos y observaciones comunitarias, podrían mejorar la respuesta a desastres por inundaciones33. La gestión inteligente de las aguas subterráneas, aprovechando los sensores de pozo, los datos satelitales y el aprendizaje automático, también puede mejorar la resiliencia a través de acciones de alerta temprana en regiones propensas a la sequía, como Kenia34.

El impulso para la gestión integrada de cuencas requiere la comprensión de la dinámica del ciclo del agua dentro de los modelos del sistema terrestre (ESM, por sus siglas en inglés) para pronosticar la variabilidad del clima a corto y largo plazo y las influencias asociadas sobre la sequía, la desertificación, las marejadas ciclónicas y la prevalencia e intensidad de la inseguridad hídrica35. Si bien todavía está en su infancia, los ESM neuronales36 pueden mejorar la comprensión de la física subyacente, descubrir parámetros ocultos y ampliar las opciones de simulación37.

Sobre la base de dichos pronósticos, los algoritmos de optimización podrían respaldar la planificación de infraestructuras y cuencas hidrográficas sostenibles a largo plazo. Por ejemplo, los resultados de ESM habilitados para IA combinados con sistemas de información geográfica podrían examinar de manera eficiente los riesgos climáticos para las represas y los daños aguas abajo asociados con la falla de la represa38. Puede informar la expansión de fuentes de agua artificial, como la desalinización o el agua reciclada39, donde se pronostica escasez de agua. Además, los modelos hidráulicos mejorados con IA, que caracterizan las vías y velocidades del flujo de agua de la cuenca de drenaje, las huellas de inundaciones y los niveles de las mareas, pueden perfeccionar la ingeniería fluvial, las mejoras de presas y muros, y la implementación de barreras contra marejadas ciclónicas40.

Teniendo en cuenta las crecientes demandas de la población sobre los sistemas de agua, la IA puede respaldar el desarrollo de nueva infraestructura de agua potable, aguas pluviales y alcantarillado moldeada por innovaciones de ingeniería33 junto con la gestión eficaz de los activos críticos envejecidos41.

Los sistemas de IA orientados a objetivos, combinados con entornos de prueba virtuales, pueden acelerar la creación de prototipos y las pruebas de materiales más sostenibles42, como las membranas de nanomateriales a base de grafeno para la desalinización43 o los marcos orgánicos de metal para la recolección de agua del desierto44.

Podrían implementarse algoritmos de optimización para mejorar la confiabilidad, la longevidad y la minimización de gastos, fundamentales para los servicios públicos, en el diseño, la construcción y la mejora de las instalaciones de tratamiento y distribución45. Los gemelos digitales de ciudades impulsados ​​por IA46 también pueden ayudar a escalar rápidamente el diseño urbano sensible al agua47, incluida la ubicación prioritaria de sistemas de biorretención, franjas de amortiguamiento y cunetas, zanjas de infiltración, pavimentación porosa, retención de sedimentación, humedales artificiales, sistemas de recolección de agua de lluvia y almacenamiento de acuíferos. y sistemas de recuperación.

Juntos, la IA, los dispositivos de Internet de las cosas y la robótica pueden mejorar la eficiencia operativa en las instalaciones de agua y aguas residuales. Por ejemplo, los procesos de coagulación, floculación, sedimentación, filtración (por ejemplo, ósmosis inversa) y desinfección (por ejemplo, cloración) en plantas de tratamiento de agua podrían ajustarse inteligentemente para cumplir con los estándares de agua potable aprovechando los datos de los sensores sobre el contenido microbiano y contaminante. de entradas y salidas en un momento dado48.

De manera similar, el rendimiento de las plantas de tratamiento de aguas residuales podría mejorarse a través de procesos unitarios autoadaptativos, incluida la selección preliminar y la eliminación de arena, la separación de fases primarias (por ejemplo, clarificación), el tratamiento secundario (por ejemplo, película fija) y terciario (por ejemplo, , carbón activado) y desinfección (por ejemplo, luz ultravioleta), en función del contenido orgánico e inorgánico en tiempo real de las entradas de alcantarillado y los requisitos de descarga de efluentes49. Además, los digestores anaeróbicos inteligentes pueden impulsar la producción de biogás y electricidad a partir de lodos de subproductos50, mientras que la clasificación y clasificación inteligentes podrían maximizar la eficacia y la seguridad de los biosólidos para la reutilización agrícola51.

Los sistemas de distribución inteligente también brindan ventajas sobre los sistemas tradicionales de control de supervisión y adquisición de datos52. Los modelos ML que utilizan datos en tiempo real de los sensores de la red podrían medir, monitorear y optimizar la presión y la velocidad del flujo para mejorar la eficiencia energética y los costos operativos mediante el control y la configuración autónomos de las estaciones de bombeo de agua sin supervisión humana53. Los sistemas informáticos avanzados pueden ayudar a prevenir los desbordamientos de aguas residuales perjudiciales durante los fenómenos meteorológicos húmedos mediante el ajuste fino de la utilización del almacenamiento en las estaciones de bombeo de aguas residuales, tuberías y pozos de acceso, y agilizar las alertas a los equipos de limpieza cuando se produzcan descargas no planificadas54.

Las tecnologías inteligentes pueden transformar las actividades de mantenimiento de rutina y reducir el tiempo de inactividad. Las fugas en la red provocan la pérdida de 45 000 millones de litros de agua potable por día en los países en desarrollo, lo que equivale a hidratar a 180 millones de personas, y las fugas importantes en las tuberías pueden provocar cortocircuitos en los cables de alta intensidad, lo que representa una amenaza letal para las personas55. El análisis predictivo, respaldado por sensores y computación en la nube, puede detectar anomalías, identificar ubicaciones y priorizar la gravedad de las fugas para acelerar los aislamientos y las reparaciones en tiempo real56, con esfuerzos para pronosticar el deterioro de las tuberías57 y resolver la transferencia de algoritmos entre tuberías heterogéneas58 que ya mejoran la precisión de la IA aplicaciones de identificación de fugas habilitadas. Los modelos ML combinados con los datos tradicionales de CCTV, utilizados para la clasificación de imágenes, la identificación de objetos y la segmentación semántica, pueden implementarse de manera similar para predecir, diagnosticar y reparar los defectos y bloqueos de la red de aguas residuales59.

Además, la IA podría extender la vida útil de los activos y optimizar los gastos de capital mediante la automatización de las operaciones de mantenimiento, como la limpieza de las membranas de ultrafiltración en las plantas de tratamiento, y el diseño de programas de actualización predictivos basados ​​en evaluaciones históricas y en tiempo real de la condición de los activos60.

A nivel comunitario, la inteligencia computacional podría contribuir a un acceso más sostenible, resiliente y equitativo a los sistemas de agua. Por ejemplo, el análisis basado en IA de datos históricos, de medidores inteligentes, imágenes satelitales y pronósticos de consumo de agua puede informar la gestión de demandas transfronterizas y sectoriales conflictivas con asignaciones precisas, así como monitorear el cumplimiento de la extracción61.

El sector agrícola es responsable del 70 % de las extracciones anuales de agua dulce, de las cuales el 60 % (es decir, el 42 % del total mundial) se desperdicia62. Las aplicaciones de IA dirigidas podrían ayudar a reducir este consumo innecesario. La IA puede permitir la experimentación rápida en 'granjas virtuales' para determinar los volúmenes mínimos de riego y los programas para maximizar el rendimiento de los cultivos en diversas condiciones63. Dichos programas implementados junto con tecnologías robóticas y de gemelos digitales podrían permitir la agricultura de precisión con sistemas de riego inteligentes64. El procesamiento autónomo de imágenes hiperespectrales satelitales o de drones, habilitado por algoritmos de visión por computadora y ML65, puede proporcionar mapas detallados de la humedad del suelo y las condiciones de los cultivos, que las autoridades del agua podrían usar para monitorear los déficits o excesos de riego y ajustar las asignaciones de suministro en consecuencia66.

A nivel doméstico, los dispositivos inteligentes de ahorro de agua, como inodoros, grifos y rociadores inteligentes, pueden reducir el consumo de agua en el hogar, mientras que los medidores inteligentes, junto con la demanda predictiva y el análisis de precios, podrían proporcionar incentivos para impulsar un cambio de comportamiento hacia la conservación del agua67. Además, la IA puede controlar sistemas seguros y descentralizados de agua potable, aguas pluviales y alcantarillado, como tanques de agua de lluvia automatizados, reciclaje de agua doméstica y biodigestores domésticos68. Las unidades domésticas que comprenden sensores de fluorescencia en tiempo real junto con ML pueden predecir e intervenir con precisión la contaminación fecal del agua potable de acuerdo con los niveles de riesgo de la Organización Mundial de la Salud para prevenir brotes de enfermedades comunes en países de ingresos altos y bajos69.

Si bien la mayoría de estas aplicaciones se basan en la infraestructura de los sistemas de agua establecidos, la IA también tiene potencial para mejorar la justicia del agua. Los ESM neuronales y los algoritmos de optimización podrían ayudar a las agencias de desarrollo internacional y a los gobiernos a determinar dónde priorizar la inversión en los esfuerzos de WASH para abordar de manera efectiva los problemas más apremiantes mientras se desarrolla la resiliencia climática.

Las tecnologías inteligentes del agua, incluidas las instalaciones fuera de la red, como los 'cajeros automáticos de agua'70 que funcionan con energía solar, y los dispositivos portátiles, como las 'bombas manuales inteligentes'71, podrían distribuirse y monitorearse de forma remota para mejorar el acceso seguro al agua, especialmente para mujeres y niñas. . La proliferación de teléfonos inteligentes personales en países en desarrollo72 también podría permitir la comunicación masiva sobre la contaminación del agua potable o información educativa sobre prácticas menstruales y de higiene de manera similar a la que se hizo durante la pandemia de COVID-1973. Los sistemas portátiles de IA se pueden entrenar para evaluar la calidad del agua potable, en función del contenido de cloro residual libre, para prevenir brotes de enfermedades transmitidas por el agua en asentamientos humanitarios74.

Como se ha evidenciado a lo largo de la historia, la resolución de problemas tecnológicos puede tener consecuencias no deseadas, que pueden resultar más desafiantes que el problema original. Dada la proliferación potencial de la IA en los sistemas de agua, como se destacó anteriormente, es importante comprender el panorama de riesgos. Con este fin, destacamos los problemas que pueden socavar las aplicaciones potencialmente beneficiosas de la IA en los sistemas de agua, que incluyen: barreras relacionadas con la infraestructura y el capital humano; riesgos directos relacionados con errores de diseño y uso malicioso; y exposición indirecta a fallas en cascada (Fig. 2).

Las barreras de infraestructura y capital humano, los riesgos directos relacionados con los errores de diseño y el uso indebido y los riesgos indirectos relacionados con las fallas del sistema en cascada pueden socavar los beneficios potenciales de la IA si no se gestionan de manera responsable.

La IA es tan buena como los sistemas en los que está integrada y las personas responsables de su desarrollo. Muchas de las posibles aplicaciones de IA descritas anteriormente requieren una infraestructura de sistemas de agua establecida, una infraestructura de tecnología de la información y las comunicaciones (TIC) y experiencia en el dominio. En este sentido, destacamos a continuación ejemplos anticipados de cómo los requisitos de infraestructura y capital humano pueden crear barreras técnicas y socioeconómicas que limitan el despliegue y dan lugar a problemas no deseados asociados con la IA en el sector del agua.

La falta de infraestructura fundacional y gestionada de forma segura, incluidas represas, plantas de tratamiento, tuberías, inodoros, duchas y grifos, que actualmente deja a una de cada cuatro personas sin agua potable limpia y a dos de cada cuatro personas sin servicios de saneamiento adecuados, socavará la capacidad de AI. para abordar estas deficiencias de los sistemas de agua en regiones de bajos ingresos, excluyendo así a las poblaciones más vulnerables de sus beneficios asociados75.

Incluso en países desarrollados con una infraestructura de sistemas de agua bien establecida, la complejidad y el costo asociados con la integración de tecnologías digitales avanzadas, que son necesarias para respaldar las aplicaciones de IA, en todo el sector del agua pueden limitar la viabilidad de implementar IA a corto plazo76. De hecho, la industria del agua se califica a sí misma como lenta y dolorosa, más que otros sectores, en lo que respecta a la innovación debido a los largos plazos de los proyectos, las limitaciones de inversión y la naturaleza conservadora77.

Actualmente, las aplicaciones de IA deben adaptarse al contexto específico, y se necesita un mayor desarrollo algorítmico para lograr precisión en la mayoría de las situaciones. Si bien pueden existir aplicaciones exitosas en el mundo real en otros sectores, o demostraciones de algoritmos específicos de sistemas de agua en la literatura, es poco probable que estos sean fácilmente transferibles a los sistemas de agua en la práctica.

El despliegue a gran escala de IA requerirá capital humano con experiencia en la materia tanto en IA como en el sector del agua. Como tal, las deficiencias en la alfabetización digital entre los trabajadores y consumidores del sector del agua, y la falta de capital humano en las organizaciones no gubernamentales (ONG) en contextos WASH, pueden afectar aún más el acceso a los beneficios potenciales de la IA en el sector del agua78.

Más allá de limitar el despliegue de la IA en el sector del agua, particularmente en las regiones en desarrollo, la distribución desigual de estas barreras también puede dar lugar a problemas inesperados a medida que la IA comienza a proliferar en centros con mayor capacidad digital en todo el mundo. Por ejemplo, las 'brechas digitales' en el capital humano, donde la mano de obra altamente calificada se beneficia mientras que la mano de obra poco calificada se encuentra en desventaja, podría reforzar las desigualdades globales76.

Además, el despliegue de IA donde las barreras existen solo parcialmente pero no se han resuelto por completo, como cuando los profesionales del sector del agua desarrollan habilidades suficientes para implementar sistemas de IA pero insuficientes para identificar y corregir errores y mal funcionamiento de manera efectiva, podría socavar cualquier beneficio potencial al dar lugar a a graves consecuencias, como se describe a continuación.

La solidez técnica, la gobernanza y la ética de AI79, que se exploran cada vez más en otros sectores como la agricultura80, generan un panorama de riesgo distinto en el contexto de los sistemas de agua. A continuación, proporcionamos posibles ejemplos de cómo los errores y sesgos en los datos y los modelos algorítmicos, incluida la desalineación de objetivos81, así como una mayor exposición al uso indebido por parte de actores maliciosos, pueden hacer que las posibles aplicaciones de la IA en el sector del agua causen un daño social, económico y ambiental sustancial.

A nivel de cuenca, las aplicaciones de IA requieren un conocimiento profundo de los procesos altamente complejos del sistema terrestre, incluidos el ciclo del agua y el cambio climático. La extracción de datos hidrológicos defectuosos de fuentes satelitales o datos de pronóstico del tiempo de un ESM neuronal mediante un modelo de ML no supervisado que optimiza las asignaciones de agua en regiones de alta competencia podría provocar cortes inesperados en el suministro de agua para el consumo humano. Un algoritmo de IA encargado de minimizar los daños en caso de falla de una presa podría priorizar inadvertidamente la reducción de pérdidas económicas a expensas de la vida humana si se programara accidentalmente para optimizar para rangos de objetivos incorrectos o demasiado estrechos81.

A nivel de la red, los errores en la programación de los modelos de plantas de tratamiento de aguas residuales inteligentes, como el mantenimiento automatizado de las unidades biológicas de tratamiento secundario, podrían provocar un colapso del proceso, lo que provocaría la descarga aguas abajo de efluentes sin tratar o desbordamientos de la red aguas arriba82. Tal evento podría exponer la vida humana y marina a aguas residuales sin tratar, así como resultar en multas por descarga ambiental para el operador. Mientras tanto, la IA orientada a objetivos para optimizar el mantenimiento de las tuberías de agua en función de la probabilidad de falla y la predicción de daños podría socavar inadvertidamente la seguridad hídrica de las poblaciones de bajos ingresos al priorizar la infraestructura en áreas más prósperas83.

A nivel del usuario final, los errores en los conjuntos de datos de entrenamiento, una falla del sensor o las fallas en las generalizaciones algorítmicas de un modelo ML que dirige el agua reciclada a diferentes usos finales en función de los datos de calidad en tiempo real podrían provocar una crisis de salud pública si no es potable. agua, o peor aún, agua contaminada con patógenos, se distribuye a los hogares para su consumo. Las herramientas de IA que recopilan datos de consumo de agua en los hogares pueden generar preocupaciones de privacidad sobre el uso de perfiles, mientras que las aplicaciones de reducción de la demanda de agua habilitadas por IA pueden emplear inadvertidamente 'microempujones' sesgados que conducen a un acceso no democrático al agua, lo que socava la dignidad y la autonomía de las poblaciones en riesgo83 .

La incorporación de IA en los sistemas de agua aumenta colectivamente el riesgo de fallas en toda la red. Específicamente, la dependencia excesiva de la IA, ya sea en componentes críticos de los sistemas de agua o a través de un alto acoplamiento entre los componentes de los sistemas de agua, podría conducir a riesgos sistémicos, donde los riesgos aislados descritos anteriormente podrían potencialmente comprometer todos los activos y servicios de una empresa de servicios públicos.

Además, el agua ya es objeto de geopolítica intra e internacional y competencia corporativa, donde la apropiación de agua dulce está asociada con el acaparamiento de tierras agrícolas estimado en 310 000 millones de metros cúbicos de agua verde (es decir, agua de lluvia) y 140 000 millones de metros cúbicos de agua azul. agua (es decir, agua de riego) por año84—y la seguridad cibernética es una preocupación creciente dado el aumento reciente de eventos de compromiso del sistema en todo el sector85. Si bien las generaciones anteriores de ataques cibernéticos, incluida la denegación de servicio distribuida (DDoS), el ransomware, la inyección de lenguaje de consulta estructurado (SQL) y el caballo de Troya, fueron perjudiciales, la presencia de IA integrada con una supervisión humana mínima puede brindar a los piratas informáticos la oportunidad de aprovechar al máximo. control de sistemas altamente interconectados86.

Tales fallas en toda la red pueden poner a comunidades enteras en riesgo de inseguridad hídrica y podrían traducirse rápidamente en crisis y conflictos humanitarios debido a la naturaleza relativamente localizada de los recursos hídricos que, a diferencia de las cadenas de suministro globales establecidas de energía y recursos alimentarios, no se pueden sustituir fácilmente. o comercializados en masa a nivel internacional87.

Las fallas directas de la IA dentro de los sistemas de agua resaltadas anteriormente pueden derivar indirectamente en catástrofes locales y regionales fuera de la industria del agua. Al destacar estos casos a continuación con ejemplos presuntos, observamos que estas fallas podrían ocurrir de manera independiente, pero que la IA defectuosa, junto con la falta de supervisión humana, puede exacerbar la frecuencia y la gravedad de tales riesgos indirectos.

La fuerte dependencia de la IA podría crear frágiles interdependencias entre los sistemas de infraestructura crítica. Los escenarios podrían incluir un acoplamiento de tres vías en el que la computación en la nube sustenta la IA en los sistemas de agua y los sistemas de energía, mientras que se necesita refrigeración por agua para la computación en la nube y la generación de electricidad, y se requiere energía de la red para los sistemas de agua y la operación del centro de datos. Una conectividad tan estrecha amplifica el riesgo de fallas accidentales o ataques cibernéticos maliciosos en cascada a través de los sistemas y hace que la recuperación de eventos aislados sea mucho más desafiante.

No obstante lo anterior, las aplicaciones aparentemente exitosas de la IA en los sistemas de agua pueden tener repercusiones negativas inesperadas. Pueden ocurrir consecuencias socioecológicas inadvertidas cuando un gemelo digital habilitado por IA optimiza los procesos de una instalación de desalinización de agua de mar pero no tiene en cuenta con precisión los efectos de la salmuera en los ecosistemas en el punto de descarga, lo que resulta en daños al medio ambiente marino y la biodiversidad88. Del mismo modo, podrían surgir problemas de seguridad alimentaria y energética cuando los modelos de IA implementados por la industria del agua estén sesgados de modo que las compensaciones del nexo agua-energía-alimentos no se representen adecuadamente89.

Además, si bien los avances de ML pueden reducir la demanda de energía computacional90, el uso ampliado de sistemas de IA ineficientes puede aumentar la intensidad energética de los centros de datos, aumentando así el uso de agua en las tecnologías de refrigeración líquida y las emisiones de gases de efecto invernadero que se retroalimentan para socavar la seguridad del agua91.

Para garantizar que las aplicaciones potenciales de IA en los sistemas de agua obtengan los beneficios previstos y no perpetúen involuntariamente las trampas de progreso, hacemos tres conjuntos de recomendaciones para que la industria del agua implemente de manera segura esta tecnología digital naciente. Detallado a su vez a continuación, el primero aborda las brechas en la infraestructura y la alfabetización digital, el segundo describe los mecanismos técnicos para una IA confiable y el tercero propone un marco de seis capas para guiar la evaluación de beneficios y riesgos de las aplicaciones de IA en los sistemas de agua en la práctica.

Donde faltan activos básicos de captación, tratamiento y distribución e instalaciones de higiene, hay poco potencial para que la IA resuelva las deficiencias actuales de los sistemas de agua. Los gobiernos, los fondos de desarrollo, los filántropos y las empresas emergentes que buscan impulsar los esfuerzos de WASH en los países en desarrollo deben tener en cuenta la equidad social y la eficiencia económica al evaluar las aplicaciones de IA en lugar de, o como complemento de, proyectos 'ladrillos y cemento'92.

En los países desarrollados, las empresas de agua deben garantizar que la infraestructura de TIC adecuada, como sensores y capacidades de computación en la nube, se tenga en cuenta en la planificación de aplicaciones de IA. Además, las empresas de agua deben desarrollar estrategias y arquitecturas claras, como interfaces de programación de aplicaciones, para la integración e interoperabilidad de los sistemas, dada la necesidad de mantener la infraestructura heredada, incluidas estructuras físicas y equipos electromecánicos, así como silos de datos heterogéneos que contienen información crítica para las operaciones, junto con nuevas tecnologías digitales93.

Cuando las aplicaciones de IA se consideren apropiadas, la industria del agua deberá gestionar la mejora, el reciclaje y las nuevas habilidades de su fuerza laboral, para garantizar que el sector esté equipado con el capital humano necesario para diseñar, operar y administrar sistemas de IA. Las asociaciones profesionales y los sindicatos deben comprometerse con instituciones académicas y ONG con experiencia en IA para desarrollar nuevos cursos educativos y certificaciones.

Con este fin, es importante que la IA en los sistemas de agua sea explicable. Por un lado, la IA explicable es necesaria para que los expertos del dominio confirmen, desafíen y transfieran conocimiento de manera significativa entre casos de uso94. Mientras tanto, el paso de la configuración basada en la investigación a las aplicaciones prácticas hace que el despliegue y la comunicación de la caja blanca (es decir, algoritmos que proporcionan resultados comprensibles), en lugar de la caja negra (es decir, algoritmos que difícilmente pueden ser entendidos incluso por expertos en el campo), algoritmos por expertos en IA esenciales para garantizar que los profesionales de la industria del agua y los usuarios finales civiles que carecen de experiencia puedan confiar e interactuar con la IA en los sistemas de agua mediante la comprensión de su funcionalidad95.

Por último, la industria del agua debe desarrollar y promulgar leyes, reglamentaciones y políticas específicas del sector adecuadas para el manejo de los matices de la IA en los sistemas de agua, especialmente cuando se trata de cuestiones de estándares técnicos y transparencia, agencia humana y supervisión, seguridad y protección. , rendición de cuentas y responsabilidad, y diversidad e inclusión. Cuando no existan dichos marcos de gobernanza, las empresas de servicios públicos que busquen implementar la IA en sus sistemas de agua deben prestar la debida atención a los problemas en evolución, como los seguros y las responsabilidades relacionadas con las fallas de los sistemas de IA.

En la actualidad, nuestra comprensión de la IA se encuentra en un estado de rápido desarrollo, por lo que la industria del agua debe mantenerse al tanto de los problemas relacionados con la solidez técnica, la gobernanza y la ética a medida que evoluciona el campo de la seguridad de la IA (por ejemplo, consulte la Política de ética de la Unión Europea). directrices para una IA fiable)96. Aquí describimos los mecanismos institucionales, de software y hardware que la industria del agua debe desarrollar y mantener en su "caja de herramientas" para garantizar el despliegue responsable de la IA en los sistemas de agua.

Los mecanismos institucionales dan forma al conocimiento, los incentivos y la rendición de cuentas97. Los servicios de agua deben realizar ejercicios de equipo rojo de rutina, en los que los expertos en seguridad cibernética se involucran internamente para encontrar vulnerabilidades en los sistemas de IA, para adelantarse a los actores malintencionados que buscan comprometer la infraestructura crítica de los sistemas de agua. Los esquemas de recompensas por errores, sesgos y seguridad también se pueden usar para incentivar a las partes interesadas y beneficiarios externos a revelar problemas con los sistemas de IA en la práctica. Dichos esquemas pueden ser especialmente útiles cuando se trata de mapear exposiciones sistémicas a consecuencias socioecológicas en cascada y compensaciones del nexo agua-energía-alimentos. Más allá de estos ejercicios, a medida que la industria del agua adquiere experiencia en el mundo real con la IA, se deben mantener bancos de conocimientos colaborativos intersectoriales de mejores prácticas de implementación, incidentes de seguridad y lecciones aprendidas.

Los mecanismos de software abordan las especificidades, la comprensión y la supervisión de los propios sistemas de IA97. La industria del agua debe trabajar con expertos académicos para establecer estándares de diseño, manuales de interpretación y métodos de prueba de usuario para garantizar la reproducibilidad, la preservación de la privacidad y la verificación. Los procesos de diseño centrado en el ser humano, seguro por diseño y seguro por diseño podrían ayudar a mitigar varios de los riesgos descritos anteriormente. Los bancos de conocimientos intersectoriales de códigos fuente de IA estándar validados, para aplicaciones típicas como la detección de fugas en tuberías y la optimización del proceso de tratamiento, podrían mantenerse para acelerar las mejores prácticas. Las empresas de agua también deben mantener registros de auditoría de la definición de problemas, el diseño, el desarrollo y la operación de los sistemas de IA y deben hacer que estos registros rastreables sean analizados por auditores externos expertos para maximizar la captura de incidentes y lecciones aprendidas.

Los mecanismos de hardware confrontan la capacidad, accesibilidad y confiabilidad de los recursos físicos98. Las empresas de servicios de agua deben asegurarse de que las aplicaciones de IA incorporen mecanismos de seguridad que permitan el apagado automático o iniciado por humanos y soluciones alternativas para mitigar posibles catástrofes causadas por fallas en el funcionamiento o sistemas comprometidos. Los inspectores de control de calidad deben contratarse para medir e informar regularmente sobre el desempeño de la IA y los sistemas ciberfísicos inteligentes caso por caso y en todo el sistema de agua. Las partes interesadas del sector del agua también deberían considerar establecer asociaciones de investigación y desarrollo de acceso abierto con expertos académicos, que generalmente carecen de acceso a hardware a escala comercial, para acelerar los avances colaborativos intersectoriales en IA confiable para sistemas de agua.

La industria del agua debe establecer un marco transparente para el despliegue responsable de IA en relación con el control de su infraestructura y servicios que proporcione una evaluación equilibrada de beneficios y riesgos99. La IA no es un objetivo final en sí misma y debe tratarse como una respuesta tecnológica a problemas claramente definidos. 'No comience con disparos a la luna': un enfoque holístico debe incluir una comprensión profunda de las deficiencias de los sistemas de agua, la evaluación de los sistemas de IA típicos que abordarán de manera segura tales deficiencias y los procesos de creación de prototipos, pilotos y puesta en marcha por etapas100.

Con este fin, proponemos un marco ejemplar de seis capas (Tabla 1), que elabora conceptos generales de las pautas confiables de IA sobre solidez técnica, gobernanza y ética, que aborda la selección teórica, la prueba de concepto y las consideraciones prácticas de ampliación para el Despliegue de IA en sistemas de agua. Las consideraciones de ejemplo proporcionadas aquí están destinadas a inspirar a los profesionales del sector del agua con la base de un 'cuadro de mando en vivo' para calificar la propuesta de valor neto de una aplicación de IA determinada antes, a mitad y después de la implementación en el mundo real.

El mundo no está en camino de cumplir el Objetivo de Desarrollo Sostenible 6. Más de 1,6 millones de personas mueren cada año a causa de los servicios inseguros e inaccesibles de agua potable, aguas pluviales y alcantarillado, y se espera que el cambio climático exacerbe los problemas relacionados con el agua. En respuesta, se ha propuesto la IA como la última innovación tecnológica para ayudar a abordar las deficiencias de los sistemas de agua. Sin embargo, la tecnología por sí sola no puede resolver los problemas de abastecimiento de agua y eliminación de aguas residuales. La proliferación de IA mal gestionada en los sistemas de agua puede dar lugar a trampas de progreso que podrían socavar y complicar aún más la seguridad del agua.

Como tal, esta Perspectiva buscó polinizar de forma cruzada el conocimiento en silos de dominio y contextualizar los conocimientos sintetizados, de los sistemas técnicos de agua y la literatura de seguridad de IA, para crear conciencia entre los académicos, los profesionales de la industria del agua y la IA y los usuarios finales legos sobre la necesidad de priorizar el 'despliegue responsable' de la IA en los sistemas de agua para mitigar los riesgos.

Dado que la IA aún no ha proliferado y su implementación es particularmente incipiente en el sector del agua, los datos empíricos sobre las aplicaciones del mundo real son relativamente escasos. Como tal, los ejemplos de aplicaciones de IA en todo el sistema de agua que se describen aquí, para resaltar el alcance potencial de la IA en todo el sistema, se basan en demostraciones de algoritmos de IA o estudios de casos aislados en la literatura académica. Del mismo modo, los ejemplos de riesgos de IA proporcionados son especulativos, aunque se basan en literatura de seguridad de IA de vanguardia.

No obstante lo anterior, en noviembre de 2022 se informó un ejemplo del mundo real de una aplicación de IA fallida que causó daño a las personas.101 En este caso, el departamento de salud pública de Toronto, Canadá, reemplazó su método tradicional de usar pruebas de laboratorio de un día con Herramienta de evaluación predictiva de la calidad del agua basada en ML para determinar si la calidad del agua en las playas locales era segura para nadar. En lugar de ser más precisa como pretendía, la herramienta ML identificó solo alrededor del 30 % de los días de agua de playa insegura, lo que resultó en 50 instancias de bañistas públicos expuestos a niveles peligrosos de bacterias durante el verano. Esto destaca el daño muy real que la falla de la IA puede causar si los principios de implementación responsable no se priorizan y ejecutan de manera efectiva.

A medida que los datos empíricos sobre las aplicaciones exitosas y fallidas de la IA en los sistemas de agua estén más disponibles, alentamos a los investigadores y profesionales a que basen datos y evalúen rigurosamente dicha información para desarrollar una comprensión profunda de los beneficios reales y los riesgos reales, necesarios para desarrollar prácticas de gestión de riesgos como La IA prolifera. Esperamos que el marco conceptualizado aquí proporcione una base a partir de la cual los académicos multidisciplinarios y los profesionales de la industria del agua y la IA puedan desarrollar prácticas de gestión de riesgos proactivas y críticas, informadas por enfoques participativos que involucren y eduquen a los usuarios finales.

Finalmente, la industria del agua debe adoptar un enfoque escalonado para la anticipación y mitigación de riesgos para garantizar el despliegue responsable de la IA en los sistemas de agua, lo que incluye abordar las barreras relacionadas con la infraestructura y la alfabetización digital, establecer mecanismos institucionales, de software y hardware para una IA confiable y priorizar aplicaciones basadas en en una evaluación rigurosa de beneficios y riesgos. Con una inversión proyectada de USD 6300 millones en tecnologías de agua de IA, instamos al sector del agua, en particular a las empresas de servicios públicos más grandes y desarrolladas que impulsan la incursión en el agua digital, a asignar una parte sustancial de esta financiación fuera del desarrollo de capacidades puramente técnicas a iniciativas de seguridad de IA que ayudará a garantizar que los beneficios potenciales de la IA en los sistemas de agua se realicen a escala.

Hosseiny, SH, Bozorg-Haddad, O. y Bocchiola, D. en Asuntos económicos, políticos y sociales de los recursos hídricos (Ed. Bozorg-Haddad, O.) 189–216 (Elsevier, 2021).

Schreiber, KJ & Rojas, JL Los Pozos de Nasca. Lat. Soy. antigüedad 6, 229–254 (1995).

Artículo Google Académico

Coningham, R. & Young, R. La arqueología del sur de Asia: del Indo a Asoka, c.6500 a. C.–200 d. C. 101–278 (Cambridge Univ. Press, 2015).

Wright, R. Una breve historia del progreso (House of Anansi, 2004).

Price, M. Los orígenes del famoso sistema de plomería de tuberías de la antigua Roma revelados en muestras de suelo. Ciencia (28 de agosto de 2017).

Bierkens, MFP & Wada, Y. Uso de agua subterránea no renovable y agotamiento de agua subterránea: una revisión. Reinar. Res. Letón. 14, 063002 (2019).

Artículo Google Académico

Gordon, L., Dunlop, M. & Foran, B. Cambio de cobertura terrestre y flujos de vapor de agua: aprendizaje de Australia. Fil. Trans. R. Soc. largo B. Biol. ciencia B 29, 358 (2003).

Google Académico

Liu, W., Iordan, CM, Cherubini, F., Hu, X. & Fu, D. Evaluación de impactos ambientales de los sistemas de tratamiento de aguas residuales y eliminación de lodos bajo dos estándares de descarga de aguas residuales: un estudio de caso en Kunshan, China. J. Limpio. Pinchar. 287, 125046 (2021).

Artículo CAS Google Académico

Elsaid, K. et al. Impacto ambiental de las tecnologías de desalinización: una revisión. ciencia Entorno Total. 748, 141528 (2020).

Artículo CAS PubMed Google Académico

da Silva, GCX et al. Impactos ambientales del llenado de reservorios de represas en la Amazonía Oriental. Frente. Agua https://doi.org/10.3389/frwa.2020.00011 (2020).

Resumen de progreso de ONU-Agua, actualización 2021: ODS 6: agua y saneamiento para todos (Naciones Unidas, 2021).

IPCC Cambio Climático 2022: Impactos, Adaptación y Vulnerabilidad (eds Pörtner, H.-O. et al.) (Cambridge Univ. Press, 2022).

Russell, SJ & Norvig, P. Inteligencia artificial: un enfoque moderno (Prentice Hall, 2020).

Rozos, E. Aprendizaje automático, gestión de recursos hídricos urbanos y política operativa. Recursos 8, 173 (2019).

Artículo Google Académico

Informe de los Objetivos de Desarrollo Sostenible 2022 (Naciones Unidas, 2022).

Yamazaki, D. & Trigg, MA La dinámica del agua superficial de la Tierra. Naturaleza 540, 348–349 (2016).

Artículo CAS PubMed Google Académico

Kadow, C., Hall, DM y Ulbrich, U. La inteligencia artificial reconstruye la información climática faltante. Nat. Geosci. 13, 408–413 (2020).

Artículo CAS Google Académico

Pekel, J.-F., Cottam, A., Gorelick, N. & Belward, AS Mapeo de alta resolución del agua superficial global y sus cambios a largo plazo. Naturaleza 540, 418–422 (2016).

Artículo CAS PubMed Google Académico

Larson, A. Una visión más clara del ciclo del agua de la Tierra a través de redes neuronales y datos satelitales. Nat. Rev. Medio Ambiente. 3, 361 (2022).

Artículo CAS Google Académico

Koppa, A., Rains, D., Hulsman, P., Poyatos, R. & Miralles, DG Un modelo híbrido de evaporación terrestre global basado en el aprendizaje profundo. Nat. común 13, 1912 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Espeholt, L. et al. Aprendizaje profundo para pronósticos de precipitación de doce horas. Nat. común 13, 5145 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Muste, M., Kim, D. y Kim, K. Un prototipo de pronóstico de cresta de inundación para inundaciones de ríos utilizando solo mediciones en la corriente. común Entorno terrestre. 3, 78 (2022).

Artículo Google Académico

Vereecken, H. et al. Hidrología del suelo en el sistema Tierra. Nat. Rev. Medio Ambiente. 3, 573–587 (2022).

Artículo Google Académico

Shen, LQ, Amatulli, G., Sethi, T., Raymond, P. y Domisch, S. Estimación de las concentraciones de nitrógeno y fósforo en arroyos y ríos, dentro de un marco de aprendizaje automático. ciencia Datos 7, 161 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Podgorski, J. & Berg, M. Análisis global y predicción de fluoruro en aguas subterráneas. Nat. común 13, 4232 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Sharafati, A., Asadollah, SBHS & Neshat, A. Una nueva estrategia de inteligencia artificial para predecir el nivel del agua subterránea sobre el acuífero de Rafsanjan en Irán. J. Hydrol. 591, 125468 (2020).

Artículo Google Académico

Zaniolo, M., Giuliani, M., Sinclair, S., Burlando, P. y Castelletti, A. Cuando el tiempo importa: el llenado de presas mal diseñado afecta la sostenibilidad de la energía hidroeléctrica. Nat. común 12, 3056 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Chakkaravarthy, GV y Lavanya, R. en Integrating AI in IoT Analytics on the Cloud for Healthcare Applications (ed. Jeya Mala, D.) 57–66 (IGI Global, 2022).

Mozo, A. et al. Sensor suave de clorofila basado en modelos de aprendizaje automático para predicciones de proliferación de algas. Sci Rep. 12, 13529 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Massarelli, C., Campanale, C. & Uricchio, VF en Informática de aplicaciones IoT (eds Singh, I. et al.) Cap. 10 (Intech Open, 2021).

Zarei, M. et al. Algoritmos de aprendizaje automático para la operación de embalses basada en pronósticos (FIRO) para reducir los daños por inundaciones. ciencia Rep. 11, 24295 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Riga, R. Brisbane Las víctimas de las inundaciones de 2011 ganan $440 millones en un acuerdo parcial de demanda colectiva sobre la operación de la represa Wivenhoe. ABC News https://web.archive.org/web/20130127022836/http://www.australiangeographic.com.au/journal/the-worst-floods-in-australian-history.htm (2021).

Oksen, P. y Favre, L. Tecnología innovadora en el sector del agua, el saneamiento y la higiene (WASH) (OMPI, 2020); https://www.wipo.int/edocs/pubdocs/en/wipo_pub_gc_20_1.pdf

Fankhauser, K. et al. Estimación del uso y la demanda de agua subterránea en las zonas áridas de Kenia a través de la asimilación de datos satelitales y sensores in situ con aprendizaje automático para la acción temprana contra la sequía. ciencia Entorno Total. 831, 154453 (2022).

Artículo CAS PubMed Google Académico

Bauer, P. et al. La revolución digital de la ciencia del sistema terrestre. Nat. computar ciencia 1, 104–113 (2021).

Artículo Google Académico

Irrgang, C. et al. Hacia el modelado del sistema neural de la Tierra mediante la integración de la inteligencia artificial en la ciencia del sistema terrestre. Nat. Mach. Intel. 3, 667–674 (2021).

Artículo Google Académico

Hess, P., Drüke, M., Petri, S., Strnad, FM y Boers, N. Redes antagónicas generativas limitadas físicamente para mejorar los campos de precipitación de los modelos del sistema terrestre. Nat. Mach. Intel. 4, 828–839 (2022).

Artículo Google Académico

Fecht, S. Uso de inteligencia artificial para localizar represas riesgosas. Noticias de la Escuela de Clima de Columbia https://news.climate.columbia.edu/2018/08/23/artificial-intelligence-find-risky-dams/ (2018).

van Vliet, MTH et al. Escasez mundial de agua, incluida la calidad del agua superficial y la expansión de tecnologías de agua limpia. Reinar. Res. Letón. 16, 24020 (2021).

Artículo Google Académico

Hosseiny, H., Nazari, F., Smith, V. & Nataraj, C. Un marco para modelar la profundidad de inundación usando un híbrido de hidráulica y aprendizaje automático. ciencia Rep. 10, 8222 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Perera, D., Smakhtin, V., Williams, S., North, T. y Curry, A. Infraestructura de almacenamiento de agua envejecida: un riesgo global emergente (UNU-INWEH, 2021); https://inweh.unu.edu/wp-content/uploads/2021/01/Ageing-Water-Storage-Infrastructure-An-Emerging-Global-Risk_web-version.pdf

Maleki, R. et al. Descubrimiento de materiales de membranas selectivas de iones usando inteligencia artificial. común química 5, 132 (2022).

Artículo PubMed PubMed Central Google Académico

Seo, DH et al. Membranas antiincrustantes a base de grafeno para una desalinización eficaz del agua. Nat. común 9, 683 (2018).

Artículo PubMed PubMed Central Google Académico

Kim, H. et al. Dispositivo de recolección de agua atmosférica basado en adsorción para climas áridos. Nat. común 9, 1191 (2018).

Artículo PubMed PubMed Central Google Académico

Pham Vu Hong, S. & Nguyen Thanh, V. Aplicación de algoritmos de inteligencia artificial para optimizar el diseño del sistema de distribución de agua. En t. J.Constr. Administrar. https://doi.org/10.1080/15623599.2022.2101593 (2022).

Tzachor, A., Sabri, S., Richards, CE, Acuto, M. & Rajabifard, A. Potencial y limitaciones de los gemelos digitales para alcanzar los Objetivos de Desarrollo Sostenible. Nat. Sostener. 5, 822–829 (2022).

Wong, THF, Rogers, BC & Brown, RR Transformando ciudades a través de principios y prácticas sensibles al agua. Una Tierra 3, 436–447 (2020).

Artículo Google Académico

Li, L., Rong, S., Wang, R. y Yu, S. Avances recientes en inteligencia artificial y aprendizaje automático para el análisis de relaciones no lineales y el control de procesos en el tratamiento del agua potable: una revisión. química Ing. J. 405, 126673 (2021).

Artículo CAS Google Académico

Nguyen, XC et al. en Desarrollos Actuales en Biotecnología y Bioingeniería: Avances en Sistemas Biológicos de Tratamiento de Aguas Residuales (eds Bui, X.-T. et al.) 587–608 (Elsevier, 2022).

Sakiewicz, P., Piotrowski, K., Ober, J. & Karwot, J. Enfoque innovador de redes neuronales artificiales para el modelado integrado de biogás y sistemas de tratamiento de aguas residuales: efecto de los parámetros operativos de la planta en la intensificación del proceso. Renovar. Sostener. Energía Rev. 124, 109784 (2020).

Artículo CAS Google Académico

Rani, A., Snyder, SW, Kim, H., Lei, Z. y Pan, S.-Y. Caminos hacia un sector del agua con cero emisiones netas de carbono a través de tecnologías de extracción de energía de aguas residuales. npj Agua Limpia 5, 49 (2022).

Artículo CAS Google Académico

Cómo la IA está llevando los sistemas SCADA al siguiente nivel. Veolia https://blog.veolianorthamerica.com/how-ai-take-scada-systems-to-next-level (2022).

Aumento de la eficiencia de las bombas de agua mediante inteligencia artificial. Melbourne Water 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. Un enfoque basado en el aprendizaje hacia el control predictivo basado en datos de redes de aguas residuales combinadas: un estudio experimental. Agua Res. 221, 118782 (2022).

Artículo CAS PubMed Google Académico

El aprendizaje automático puede ayudar a proteger el agua urbana. Así es cómo. Foro Económico Mundial https://www.weforum.org/agenda/2022/04/how-to-prevent-urban-water-stress-through-machine-learning/ (2022).

Vanijjirattikhan, R. et al. Detección acústica de fugas basada en IA en sistemas de distribución de agua. Resultados Ing. 15, 100557 (2022).

Artículo Google Académico

Dawood, T., Elwakil, E., Novoa, HM & Delgado, JFG Inteligencia artificial para el modelado de mecanismos de deterioro de tuberías de agua. automático Constr. 120, 103398 (2020).

Artículo Google Académico

Zhou, B., Lau, V. & Wang, X. Identificación de eventos de fuga basada en aprendizaje automático para sistemas inteligentes de suministro de agua. IEEE Internet Things J. 7, 2277–2292 (2020).

Artículo Google Académico

Fu, G., Jin, Y., Sun, S., Yuan, Z. & Butler, D. El papel del aprendizaje profundo en la gestión del agua urbana: una revisión crítica. Agua Res. 223, 118973 (2022).

Artículo CAS PubMed Google Académico

Aprovechando la Cuarta Revolución Industrial para el Agua (Foro Económico Mundial, 2018).

Stańczyk, J., Kajewska-Szkudlarek, J., Lipiński, P. & Rychlikowski, P. Mejora de la previsión de la demanda de agua a corto plazo mediante algoritmos evolutivos. ciencia Reps. 12, 13522 (2022).

Artículo PubMed PubMed Central Google Académico

Organización de Comida y Agricultura. Extracción anual de agua dulce, agricultura (% de la extracción total de agua dulce). Datos del Banco Mundial https://data.worldbank.org/indicator/ER.H2O.FWAG.ZS (2018).

Tzachor, A., Richards, CE & Jeen, S. Transformando los sistemas de producción agroalimentaria y las cadenas de suministro con gemelos digitales. ciencia npj Alimentos 6, 47 (2022).

Artículo PubMed PubMed Central Google Académico

Dehghanisanij, H., Emami, H., Emami, S. & Rezaverdinejad, V. Un enfoque de aprendizaje automático híbrido para estimar la eficiencia del uso del agua y el rendimiento en la agricultura. ciencia Rep. 12, 6728 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Bauer, A. et al. Combinación de visión por computadora y aprendizaje profundo para permitir el fenotipado aéreo a ultraescala y la agricultura de precisión: un estudio de caso de producción de lechuga. Hortico. Res. 6, 70 (2019).

Artículo PubMed PubMed Central Google Académico

García, L., Rodríguez, JD, Wijnen, M. & Pakulski, I. Observación de la Tierra para la Gestión de Recursos Hídricos: Uso Actual y Oportunidades Futuras para el Sector Hídrico (Banco Mundial, 2016).

Cominola, A. et al. La conservación del agua a largo plazo se fomenta mediante la retroalimentación basada en medidores inteligentes y la participación de los usuarios digitales. npj Agua Limpia 4, 29 (2021).

Artículo Google Académico

Aprovechamiento de la inteligencia artificial para la Tierra (Foro Económico Mundial, 2018).

Bedell, E., Harmon, O., Fankhauser, K., Shivers, Z. y Thomas, E. Un sensor de fluorescencia continuo, in situ y de tiempo cercano junto con un modelo de aprendizaje automático para la detección del riesgo de contaminación fecal en bebidas agua: diseño, caracterización y validación en campo. Agua Res. 220, 118644 (2022).

Artículo CAS PubMed Google Académico

Andres, L., Boateng, K., Borja-Vega, C. & Thomas, E. Una revisión de las tecnologías de detección remota e in situ para monitorear las intervenciones de agua y saneamiento. Agua https://doi.org/10.3390/w10060756 (2018).

Swan, A., Cooper, N., Gamble, W. y Pritchard, M. Uso de bombas inteligentes para ayudar a brindar acceso universal a agua potable segura y asequible. proc. Inst. civ. Ing. Ing. Sostener. 171, 277–285 (2017).

Google Académico

Aiken, E., Bellue, S., Karlan, D., Udry, C. y Blumenstock, JE El aprendizaje automático y los datos telefónicos pueden mejorar la orientación de la ayuda humanitaria. Naturaleza 603, 864–870 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Pandey, R. et al. Una aplicación de aprendizaje automático para crear conciencia sobre WASH en tiempos de la pandemia de COVID-19. ciencia Rep. 12, 810 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

De Santi, M. et al. Modelado de cloro residual en el punto de consumo en la respuesta humanitaria: ¿puede el aprendizaje sensible a los costos mejorar los pronósticos probabilísticos? Agua PLoS 1, e0000040 (2022).

Artículo Google Académico

Progreso en agua potable, saneamiento e higiene en el hogar 2000-2020: cinco años después de los ODS (Organización Mundial de la Salud y Fondo de las Naciones Unidas para la Infancia, 2021).

Guenat, S. et al. Cumplir los objetivos de desarrollo sostenible a través de la robótica y los sistemas autónomos. Nat. común 13, 3559 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

El ritmo lento de la innovación sigue frustrando la cadena de suministro. British Water https://www.britishwater.co.uk/news/602860/Slow-pace-of-innovation-continues-to-frustrate-supply-chain-.htm (2022).

Sin alfabetización universal en IA, la IA nos fallará. Foro Económico Mundial https://www.weforum.org/agenda/2022/03/without-universal-ai-literacy-ai-will-fail-us/ (2022).

Brundage, M. et al. El uso malicioso de la inteligencia artificial: previsión, prevención y mitigación. Apolo https://doi.org/10.17863/CAM.22520 (2018)

Tzachor, A., Devare, M., King, B., Avin, S. & Ó hÉigeartaigh, S. La inteligencia artificial responsable en la agricultura requiere una comprensión sistémica de los riesgos y las externalidades. Nat. Mach. Intel. 4, 104–109 (2022).

Artículo Google Académico

Amodei, D. et al. Problemas concretos en seguridad de la IA. Preimpresión en https://doi.org/10.48550/arXiv.1606.06565 (2016).

Trávníček, P., Junga, P., Kotek, L. & Vítěz, T. Análisis de accidentes en plantas de tratamiento de aguas residuales municipales en Europa. J. Pérdida anterior. industria del proceso 74, 104634 (2022).

Artículo Google Académico

Doorn, N. Inteligencia artificial en el dominio del agua: oportunidades para un uso responsable. ciencia Entorno Total. 755, 142561 (2021).

Artículo CAS PubMed Google Académico

Rulli, MC, Saviori, A. & D'Odorico, P. Acaparamiento global de tierras y agua. proc. Academia Nacional. ciencia USA 110, 892–897 (2013).

Artículo CAS PubMed PubMed Central Google Scholar

Gallagher, R. Proveedor de agua del Reino Unido afectado por un ciberataque 'extremadamente preocupante'. Bloomberg. https://www.bloomberg.com/news/articles/2022-08-17/uk-water-supplier-hit-by-extremely-concerning-cyberattack (2022).

Taddeo, M., McCutcheon, T. & Floridi, L. Confiar en la inteligencia artificial en la ciberseguridad es un arma de doble filo. Nat. Mach. Intel. 1, 557–560 (2019).

Artículo Google Académico

Milne, S. Cómo la escasez de agua está gestando guerras. BBC Future https://www.bbc.com/future/article/20210816-how-water-shortages-are-brewing-wars (2021).

Omerspahic, M., Al-Jabri, H., Siddiqui, SA y Saadaoui, I. Características de la salmuera de desalinización y sus impactos en la química y la salud marinas, con énfasis en el Golfo Pérsico/Arábigo: una revisión. Frente. Ciencia de marzo. https://doi.org/10.3389/fmars.2022.845113 (2022).

Zaidi, SMA et al. Aprendizaje automático para el nexo energía-agua: desafíos y oportunidades. Big Earth Data 2, 228–267 (2018).

Artículo Google Académico

Patterson, DA et al. Emisiones de carbono y formación de grandes redes neuronales. Preimpresión en https://arxiv.org/abs/2104.10350 (2021).

Kaack, LH et al. Alineando la inteligencia artificial con la mitigación del cambio climático. Nat. Clima Cambio 12, 518–527 (2022).

Artículo Google Académico

Alonso, C., Kothari, S. & Rehman, S. Cómo la inteligencia artificial podría ampliar la brecha entre las naciones ricas y pobres (Fondo Monetario Internacional, 2020).

Sarni, W., White, C., Webb, R., Cross, K. y Glotzbach, R. Digital Water: Industry lEaders Chart the Transformation Journey (IWA, 2019); https://iwa-network.org/wp-content/uploads/2019/06/IWA_2019_Digital_Water_Report.pdf

Barredo Arrieta, A. et al. Inteligencia artificial explicable (XAI): conceptos, taxonomías, oportunidades y desafíos hacia una IA responsable. información Fusión 58, 82–115 (2020).

Artículo Google Académico

Gunning, D. et al. XAI: inteligencia artificial explicable. ciencia Robot. 4, eaay7120 (2019).

Artículo PubMed Google Académico

Pautas éticas para una IA confiable. Comisión Europea https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai (2023).

Avín, S. et al. Llenar los vacíos en el desarrollo confiable de la IA. Ciencia 374, 1327–1329 (2021).

Artículo CAS PubMed Google Académico

Brundage, M. et al. Hacia un desarrollo de IA confiable: mecanismos para respaldar afirmaciones verificables (2020).

Gobernanza de la IA: un enfoque holístico para implementar la ética en la IA (Foro Económico Mundial, 2019).

Davenport, TH & Ronanki, R. Inteligencia artificial para el mundo real: no empiece con disparos a la luna. Harvard Business Review https://www.hbsp.harvard.edu/product/R1801H-PDF-ENG (2018).

Martineau, P. Toronto aprovechó la inteligencia artificial para advertir a los nadadores. El experimento fracasó. La información https://www.theinformation.com/articles/when-artificial-intelligence-isnt-smarter (2022).

Descargar referencias

Este documento fue posible gracias al apoyo de una subvención de Templeton World Charity Foundation. Las opiniones expresadas en esta publicación son las del autor(es) y no reflejan necesariamente los puntos de vista de Templeton World Charity Foundation. Agradecemos a K. Atanasova por su ayuda con la producción de Figs. 1 y 2

Centro para el Estudio del Riesgo Existencial, Universidad de Cambridge, Cambridge, Reino Unido

Catherine E. Richards, Asaf Tzachor y Shahar Avin

Departamento de Ingeniería, Universidad de Cambridge, Cambridge, Reino Unido

catherine e. richards y richard fenner

Escuela de Sostenibilidad, Universidad Reichman (IDC Herzliya), Herzliya, Israel

Asaf Tzajor

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

CER, AT, SA y RF desarrollaron y contribuyeron conjuntamente a la redacción de este documento.

Correspondencia a Catherine E. Richards o Asaf Tzachor.

Los autores declaran no tener conflictos de intereses.

Nature Water agradece a Evan Thomas, Guangtao Fu y los otros revisores anónimos por su contribución a la revisión por pares de este trabajo.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Springer Nature o su licenciante (p. ej., una sociedad u otro socio) posee los derechos exclusivos de este artículo en virtud de un acuerdo de publicación con los autores u otros titulares de derechos; el autoarchivo del autor de la versión manuscrita aceptada de este artículo se rige únicamente por los términos de dicho acuerdo de publicación y la ley aplicable.

Reimpresiones y permisos

Richards, CE, Tzachor, A., Avin, S. et al. Recompensas, riesgos y despliegue responsable de inteligencia artificial en sistemas de agua. Agua natural 1, 422–432 (2023). https://doi.org/10.1038/s44221-023-00069-6

Descargar cita

Recibido: 11 noviembre 2022

Aceptado: 13 de marzo de 2023

Publicado: 11 mayo 2023

Fecha de emisión: mayo de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt