اگه فکر می‌کنی تصفیه فاضلاب فقط یه بحث فنی خسته‌کننده‌س، اینو بخون تا نظرت عوض شه! هرچی داریم بیشتر مصرف می‌کنیم، آب فاضلاب هم داره بیشتر میشه و تصفیه‌اش کم‌کم داره تبدیل میشه به یه چالش حسابی، مخصوصاً از لحاظ مصرف انرژی و آلودگی هوا.
اینجا محققای یه مقاله توی arXiv یک ایده خیلی باحال معرفی کردن که الهام‌گرفته از صخره‌های مرجانیه! اول اینو بگم که صخره‌های مرجانی کلی موجودات مختلف دارن که زندگی‌شون کلی باهم جوشش داره و می‌تونن خیلی کارا رو با همکاری پیش ببرن. حالا همین روش همکاری یا تعامل رو تو هوش مصنوعی هم آوردن و بهش می‌گن Swarm Intelligence یا هوش جمعی—یعنی الگوریتم‌هایی که موجودات زیادی (حالا اینجا یا تو طبیعت یا تو کامپیوتر) با هم کار می‌کنن تا یه کار رو بهتر انجام بدن.
مدلی که ساختن اسمش هست Swarm Interaction Network یا همون «شبکه تعامل گروهی»، که یه چیزیه شبیه به کاری که مرجان‌ها و بقیه ساکنین صخره انجام می‌دن، فقط اینجا به‌جای ماهی و مرجان، داده‌ها و الگوریتم‌ها داریم! یک بخش مهمش هم Morphogenetic Abstraction هست—این یعنی چجوری یه سیستم می‌تونه مثل طبیعت شکل و ساختار پیدا کنه، اما به زبان ساده‌تر یعنی اونم مثل طبیعت توش یه جور رشد و شکل‌گیری داره.
حالا چرا این روش قشنگه؟ چون هم می‌تونه همزمان چند تا کار رو انجام بده (که توی مقاله بهش گفتن Multi-task Carbon Awareness؛ یعنی سیستم حواسش به مصرف کربن و انجام چندین وظیفه باهم هست)، هم اینکه مقیاس‌پذیره و می‌تونن هرچی بزرگترش کنن، باز پیچیدگیش به صورت خطی بیشتر میشه (linearly scalable)، یعنی رمقی نمیره و گره نمی‌افته!
تو آزمایش‌هاشون اینو با هفت تا روش دیگه مقایسه کردن، نتیجه‌ش خیلی توپ بوده: ۹۶٫۷٪ از آلودگی‌ها رو حذف کرده، ۰٫۳۱ کیلووات‌ساعت بر مترمکعب انرژی مصرف کرده (یعنی انرژی خیلی کمی می‌خواد!) و فقط ۱۴٫۲ گرم دی‌اکسید کربن در هر مترمکعب تولید کرده. دی‌اکسید کربن همون گاز گلخانه‌ای معروفه که کلی دردسر برای آب و هوا درست می‌کنه.
یک خوبی دیگه‌ش اینه که نسبت به مشکل sensor drift مقاومه، یعنی وقتی سنسورهایی که کیفیت آب رو اندازه می‌گیرن کم‌کم از دقتشون کم بشه یا عددهاشون تغییر کنه، باز هم این مدل درست کار می‌کنه. اینم کم چیزی نیست!
مساله مهم‌تر اینه که توی شرایط مختلف مثل تالاب‌های جزیره‌ای، موج غافلگیرکننده حاصل از تولید آبجوی کارخانه‌ها (که آب فاضلاب با کیفیت متغیر زیاد میشه)، یا گلخانه‌های وسط بیابون، این سیستم می‌تونه تا ۲۲٪ تو مصرف دیزل صرفه‌جویی کنه. یعنی نه فقط کم‌مصرف و کم‌آلاینده‌س، بلکه صرفه‌جو هم هست!
البته بیاید با واقعیت روبرو بشیم: حالا حالاها یه خورده مشکل نیروی انسانی داریم تو این داستان، یعنی دیتا ساینتیست یا متخصص علم داده (آدمايي که بلدن با داده‌ها و الگوریتم‌ها کار کنن) کمن و همین باعث شده این پروژه‌ها سریع نباشه.
پیشنهاد دادن تو کارای آینده AutoML رو هم وارد کنن—AutoML یعنی ابزارهایی که خودشون مدل‌های یادگیری ماشین رو به طور خودکار طراحی و اجرا می‌کنن، پس نیاز به آدم‌های فنی کمتر میشه. فقط یه دردسر هست: قوانین و محدودیت‌های مربوط به governance (یعنی حاکمیت داده و اینکه چه کسی به داده‌ها و مدل‌ها دسترسی داره و قراره فهمیدنی بمونه و قابل توضیح باشه) یکمی کار رو سخت می‌کنه چون باید مدل‌ها رو به شکلی درست کنیم که توضیح‌پذیر بمونن و مردم/ناظرا بدونن چی‌داره اتفاق میفته. برای حل اینم قراره سراغ Visual Analytics برن، یعنی ابزارهای تصویری و تعاملی که توضیح بدن مدل چیکار داره می‌کنه.
در کل، این تیم داره نشون می‌ده که الگوبرداری از طبیعت، هوش جمعی و توجه به کربن می‌تونه مسیر آینده تصفیه فاضلاب رو کلی سبزتر، هوشمندتر و کاراتر کنه!
منبع: +
