当“水中刀”遇上“神经漫游者”，机器学习如何助力美国西南部的水质检测

大数据文摘出品

编译：蔡婕、小七

在Paolo Bacigalupi的反乌托邦气候变化小说《水中刀》(the Water Knife)中，美国西南部由于气候变化即将面临解体之灾。

在William Gibson的反乌托邦赛博朋克小说《神经漫游者》(Neuromancer)中，为了达到自己的目的，人工智能开始干扰人类生活。

在Clean Technica上撰写的最近一篇文章中，有人提出，继佛罗里达州之后，亚利桑那州的房地产市场将受到全球变暖的冲击。

这些事件之间存在什么关联？

但正是这些看似毫无关联的事件，使得Ketos和南内华达州水务局发布了合作公告。

虽然当局正在与Ketos这家有机器学习组件的公司合作，但还没有达到用天网卫星Skynet供水的地步。不过Ketos正在开始利用人工智能的进步所带来的机遇，改善水的使用量和以水作为关键输入或输出系统的质量。

基于通用的双向通信结构构建

从商标上可以明显看出，Ketos是cetos（希腊语，意为任何巨大的海怪）的一个语音派生词。

但也有人认为Ketos是逆戟鲸或虎鲸，这类捕食者往往移动迅速、高度机敏，这类人的关注焦点在于逆戟鲸或虎鲸是处于食物链顶端的哺乳动物。同时，它们也是人类不当使用水资源的受害者。

Ketos有两种产品，两者共享许多组件和设计原则。第一种是KetosWave，一种水流测量工具，第二种是KetosShield，一种水质测量工具。

Wave外形正如独立自供电的显示器那样，能利用流经的水产生电能用以运行传感器和通信。Wave内置有一个专门的网状网络，可以在没有wifi和蜂窝信号的情况下通信，并且数据可以在Wave单元之间跳跃，直到与信号更强的网络建立连接为止。

设计的重点是应用于水流动且通信困难的地方，无需布线或外部路由器即可进行近距离的电子通信。通信栈基于LoRaWan，一种常见的远程低功耗无线芯片组，已在全球许多物联网(IoT)网络中使用。

另一方面，盾牌则设计用于存在通讯和电源的地方，更通常是在使用点和设施入口。它使用光学光谱仪和其他专利传感器来提供有关水的广泛和高质量的数据，包括对重金属毒素（例如铅、铜、砷、铬等）的检测。通信是通过以太网或蜂窝网络进行连接的。

它们都是基于通用的双向通信结构构建的，到目前为止，标准依然如此。带有传感器和通信的物联网设备并不多见，但它们比十年前普及得多。机器学习组件的使用开始引起人们的极大兴趣。

机器增强人类注意力系统的相关技术

机器学习是在过去几年里取得了重大进展的一个领域，已经建立了用于训练图像处理系统的标准图像库ImageNet。

视觉图像处理的分层架构已经出现，YoshuaBengio，GeoffreyHinton和YannLeCun，曾分别在大学、Facebook和谷歌进行过研究，但因共同的创新和洞察力获得2018年图灵奖(Turingaward)，分享了100万美金的奖金。

RetinaNet是一个预训练的多层图像识别神经网络，它始于ImageNet图像集，并发现和组合了越来越多的抽象图案，这些图案可以包含在新的解决方案中，使用有限的新图像集来寻找价值，而不必重新创建所有的原始学习。

一个最新的、免费的机器学习课程使用RetinaNet，以少量的猫狗图片在亚马逊的云服务平台（AmazonWeb Services）上进行了两分钟的培训，用96%的准确率正确识别了猫狗品种。在语言处理方面，类似的可重复使用的神经网络称为ELMo，在自然语言处理和翻译过程中，它可以结合上下文进行深度建模预测，这是阶梯式的进步。

对CleanTechnica普通读者的警告。正如去年我深入研究的清洁技术解决方案的区块链一样，这是关于将机器学习应用于我们向低碳未来转型的系列文章的早期文章之一。

在机器学习领域的一个主要联系人是和我断断续续进行了几项合作的伙伴DavidClement。他和我一起参与了几个温哥华互联网公司的IPO开发项目，同事也会有一些其他研究，从基于群体的机器人技术到工业设计，正式这些研究让我获得了新的见解，在Tesla Has The Right Approach ToSelf-Driving Cars这篇文章中，对特斯拉在自动驾驶汽车方面的优势进行了阐述。

在过去的两年里，他作为一名在机器学习技术领域具有实践经验的架构师，深入而广泛地进行研究，并创造了实时视频处理能力，这些能力处于可能的最前沿。想象一下，可以从人们穿着普通衣服做任何事情的iPhone视频中获得电影级别质量的运动捕捉，你就会开始理解他正在进行创新的领域。

我们正在探索机器增强人类注意力系统的世界，当然我的重点关注领域之一是清洁技术，所以阈值界定和Ketos的定位能够轻而易举地吸引我的注意力。

客户数量的增加会使系统逐渐改进

进一步讲，神经网络可以接收任何定期更新的复杂数据流，只要它可以转换成图像或文本，就有可能快速找到数据中感兴趣的特性，并开始在解决方案中使用机器学习组件来创造价值。

机器学习组件可以持续关注并自动检测它可以观察到的东西，人类可以找出这些特征中哪些具有意义，而且在许多情况下，人类还可以训练它将机器无法轻易看到的特征联系起来，从而产生更深刻的见解。

想象一个人类专家在光谱分析中看到两个他认为有意义的峰，在明显不同的特征之间建立联系，然后让神经网络自动检测它们。

核心概念之一是持续关注与问题领域相关的一个或多个数据流。第二，机器学习工具中存在着一种相对较低灵活性的神经网络，具有有效的无限关注流的能力。第三，人类有一个高度灵活的神经网络，它可以和计算机神经网络一起工作，并训练计算机神经网络去查看新事物，它将能够一直看到新事物。人类和计算机神经网络在集中注意力方面合作得越来越好。

回归到Ketos，安装Wave和Shield传感器的每一个新客户都在向他们的神经网络提供信息，这将使他们更好地看到传感器反馈的内容，这些内容可以通过他们的中心门户为所有客户提供有价值的信息。

就像特斯拉的早期使用者注意到在某些情况下打开自动驾驶仪之后，他们的汽车在快速驾驶性能方面会变得更佳，这是由于特斯拉的机器学习系统在某些情况下会进行人为校正并因此将自身训练为更好。因此，随着更多客户进入系统，每个Ketos的客户也将会看到改进。

但这还不是全部，扩展点不仅限于水流和质量。该公司可以使用客户特定的数据扩展提要，并开始查看功能并优化大型系统的结果。换句话说，神经网络学习系统可以扩展到用水的领域，客户不仅可以看到用水量，还可以看到优化。

回顾一下Ketos传感器在农业和工业中可能安装的结构图，再想想其他能保留作物或者质量指标的传感器集，需要改进的流程和结果就得到了。

南内华达水务局专注于为客户提供最高质量的水，所以它不太关注流程的变化。然而，他们认为应该能够大幅降低对20种污染物进行水质检测的成本。由于淡水在该地区极有可能继续变得越来越稀少，因而在该地区淡水的价格也越来越贵，因此寻找其他相关资源来减少成本增加是至关重要的。

Ketos和当局的工作正在继续推动“水中刀”的反乌托邦未来，以便在未来几年或几十年内，拉斯维加斯的赌徒和婚礼派对上的客人都能喝到水。

Ketos正致力于创造一个与Kebson同名著作《霄霄石头》(Wintermute)或《神经漫游者》中的人工智能相比智能化程度低得多，但更有用的神经网络。