Nouvelles

Jun 27, 2023

Avantages, risques et déploiement responsable de l'intelligence artificielle dans les systèmes d'eau

Nature Eau tome 1, pages

Nature Water volume 1, pages 422–432 (2023)Citer cet article

2468 accès

29 Altmétrique

Détails des métriques

L'intelligence artificielle (IA) est de plus en plus proposée pour combler les lacunes des systèmes d'approvisionnement en eau, qui laissent actuellement environ 25 % de la population mondiale sans eau potable, environ 50 % sans services d'assainissement et environ 30 % sans installations d'hygiène. L'IA est sur le point d'améliorer les informations sur l'approvisionnement, la gestion des bassins versants et les interventions d'urgence, d'améliorer la conception, l'exploitation et la maintenance des stations de traitement et des réseaux de distribution, et de faire progresser la disponibilité des services, la gestion de la demande et la justice de l'eau. Cependant, la prolifération de cette technologie naissante pourrait déclencher des problèmes graves et inattendus, y compris des compromis à l'échelle du système en raison d'erreurs de conception, de dysfonctionnements et de cyberattaques, ainsi que des expositions à des liens socio-écologiques en cascade, eau-énergie-alimentation et à des défaillances couplées d'infrastructures critiques. En réponse, nous formulons trois recommandations pour un déploiement sûr et responsable de l'IA dans les systèmes d'approvisionnement en eau potable et d'évacuation des eaux usées : combler les lacunes dans les infrastructures de base et la culture numérique ; établir des mécanismes institutionnels, logiciels et matériels pour une IA digne de confiance ; et hiérarchiser les demandes en fonction de notre cadre d'évaluation systématique des avantages et des risques proposé.

Les premiers développements scientifiques dans les systèmes d'approvisionnement en eau potable et d'évacuation des eaux usées (ci-après dénommés «systèmes d'eau») ont permis aux sociétés anciennes de se transformer en métropoles urbaines au-delà de leurs origines fluviales et de renforcer la résilience aux perturbations météorologiques, y compris les périodes humides et sèches1. Par exemple, les Nazcans ont construit des aqueducs souterrains pour transporter l'eau potable sur de longues distances tout en atténuant les pertes par évaporation2, et la civilisation de la vallée de l'Indus a construit des égouts en briques pour drainer les bains et les latrines dans des puisards isolés afin d'atténuer l'exposition des personnes aux eaux usées3.

Alors que les exploits d'ingénierie ont produit de nombreux avantages, certains cas d'innovation technologique ont entraîné des « pièges de progrès » : des événements où l'ingéniosité humaine pour résoudre un problème donné manifeste par inadvertance des problèmes imprévus qui dépassent la capacité de la société et de la technologie à les résoudre ensuite4. Par exemple, la plomberie en plomb de la Rome antique était une merveille d'ingénierie, reliant sa vaste population à des réseaux d'eau et d'eaux usées fiables, mais ses écoulements ont également été liés à la contamination de l'eau du port par du plomb, empoisonnant potentiellement la vie marine et les personnes5.

Plus récemment, l'irrigation agricole artificielle a épuisé les nappes phréatiques6 et provoqué la salinisation7. Le traitement des eaux usées a contribué par inadvertance au réchauffement climatique, à la toxicité et à l'acidification8. Le dessalement de l'eau de mer a provoqué une pollution atmosphérique, marine et terrestre9. Les innovations dans les secteurs adjacents réalisant des avantages à court terme ont créé des problèmes à plus long terme pour les ressources en eau, tels que les barrages hydroélectriques pour la production d'énergie dégradant les écosystèmes aquatiques, la dynamique biogéochimique et la qualité de l'eau10. Malgré des innovations réussies et essentielles dans les systèmes d'eau, notre soif de résolution de problèmes basée sur la technologie nous a souvent enfermés dans des pièges de progrès chroniques.

Aujourd'hui, environ 25 % de la population mondiale n'ont pas accès à l'eau potable, 50 % n'ont pas accès aux services d'assainissement et 30 % n'ont pas accès aux installations d'hygiène11. Le changement climatique anthropique menace d'exacerber ces problèmes, avec des températures plus élevées qui augmentent la pénurie d'eau à l'échelle mondiale et des événements extrêmes, notamment des tempêtes, des inondations et des sécheresses, endommageant les infrastructures des systèmes d'eau dans les pays développés et sapant les efforts en matière d'eau, d'assainissement et d'hygiène (WASH) dans les pays en développement12.

Dans ce contexte, l'intelligence artificielle (IA), et sa subdivision d'apprentissage automatique (ML), est la dernière intervention technologique proposée pour résoudre les problèmes dans les systèmes d'eau en renforçant la résilience climatique, en améliorant les performances des infrastructures et, dans des cas limités, en aidant les efforts WASH. Cependant, les applications en plein essor de l'IA peuvent donner lieu à des problèmes graves et inattendus qui sont sous-estimés et doivent être gérés de manière responsable et préventive pour éviter de saper involontairement les efforts visant à atteindre l'objectif de développement durable 6.

Dans cette perspective, nous fournissons une considération équilibrée de l'IA dans les systèmes d'eau. Nous étudions les avantages potentiels des applications d'IA à l'échelle du système, du bassin vers l'utilisateur final. Ensuite, nous mettons en évidence les barrières systémiques potentielles, les risques directs et les expositions à des défaillances en cascade, qui peuvent s'avérer catastrophiques pour les communautés. Enfin, nous proposons une approche d'atténuation des risques à trois niveaux, nécessaire pour empêcher la prolifération de cette technologie actuellement naissante perpétuant le phénomène de piège du progrès.

Ici, nous définissons l'IA comme un « agent intelligent » basé sur une machine capable d'interagir avec son environnement à l'aide de capteurs, d'interpréter les informations pour la prise de décision et de prendre des mesures de manière autonome pour obtenir des résultats axés sur les objectifs via un actionneur humain ou robotique, tandis que ML fait référence au sous-ensemble de modèles algorithmiques qui apprennent et prédisent les résultats grâce à l'observation passive de l'environnement13.

Compte tenu de l'absence actuelle de déploiement à grande échelle dans le « monde réel », nous mettons en évidence les avantages présumés des applications d'IA à trois niveaux couvrant les systèmes d'eau de bout en bout : (1) l'approvisionnement en eau (au niveau du bassin versant), y compris des informations améliorées sur l'approvisionnement, la gestion du bassin versant et l'intervention d'urgence ; (2) la distribution et l'évacuation de l'eau (au niveau du réseau), y compris la conception, l'exploitation et l'entretien efficaces des infrastructures de traitement et de réseau ; et (3) la demande en eau (au niveau de l'utilisateur final), y compris l'amélioration de la disponibilité des services, la gestion de la demande et la justice de l'eau (Fig. 1).

L'IA a le potentiel d'apporter des avantages à l'échelle du système, allant d'une amélioration des informations sur les bassins versants à une efficacité optimisée du réseau en passant par un service amélioré pour les utilisateurs finaux.

Au-delà des applications spécifiques aux composants détaillées ci-dessous, l'IA avancée peut également être utilisée pour simuler, informer et optimiser la politique d'exploitation de l'ensemble des systèmes d'eau conformément aux principes de gestion intégrée des ressources en eau14.

Plus de 10 % des personnes dans le monde sont exposées à un stress hydrique élevé et critique, et le changement climatique devrait aggraver cette exposition dans les zones urbaines comme rurales15. À ce titre, une analyse complète, à haute résolution et fiable des ressources en eau naturelles de la Terre, des cycles hydrologiques et des perturbations anthropiques est essentielle pour surveiller et gérer l'approvisionnement en eau16.

Les modèles ML peuvent traiter de grands ensembles de données, tels que l'imagerie radar interférométrique à synthèse d'ouverture, et (re-)construire les données manquantes17 pour fournir des estimations quantitatives précises de l'emplacement et de la persistance historiques de l'eau douce, y compris le prélèvement et la reconstitution, ce qui facilite l'identification médico-légale des facteurs de stress et de pénurie hydriques18. Des algorithmes complémentaires analysant les données des satellites, des drones, des terres et des réservoirs peuvent prendre en charge l'observation en temps réel, la détection des anomalies et les prévisions rapides à court terme du cycle hydrologique et des conditions météorologiques19. Cela comprend des paramètres de quantité, tels que l'évapotranspiration20, la condensation, les précipitations21, l'infiltration, le ruissellement de surface, le débit22, le débit souterrain et l'humidité du sol23, ainsi que des facteurs de qualité, par exemple, des nutriments tels que le phosphore et l'azote24 et des minéraux tels que le fluorure25.

Ces applications d'IA peuvent être utilisées pour optimiser les calendriers de rabattement des aquifères afin de maintenir les nappes phréatiques dans des limites durables26 et les calendriers de remplissage des barrages afin de minimiser les dommages aux écosystèmes aquatiques liés aux altérations hydrologiques en amont et en aval27. Ceux-ci permettent la détection automatisée des risques pour la santé publique, y compris les panaches de pollution, les agents pathogènes d'origine hydrique, tels que les protozoaires (par exemple, Giardia), les bactéries (par exemple, la dysenterie), les virus et les vers parasites28, ainsi que l'eutrophisation et les proliférations d'algues nuisibles29. De même, ils peuvent aider à détecter les activités accidentelles illégales et nuisibles, telles que le déversement ou le rejet de produits chimiques dangereux dans des réservoirs ou des plans d'eau récréatifs30.

Dans la prévention, la préparation et la réponse aux urgences, en intégrant des données pluviométriques en temps réel avec des systèmes d'alerte précoce et des technologies de contrôle, l'IA peut surveiller les apports du réservoir et communiquer avec la télémétrie du barrage pour gérer les rejets de déversoir en toute sécurité31. Ces technologies peuvent intervenir dans la mauvaise gestion humaine des barrages, atténuant des événements comme l'inondation de Brisbane en 2011, qui a entraîné des dommages de plus de 2 milliards de dollars australiens32. Pendant ce temps, des systèmes de surveillance intelligents du « nuage de pluie aux eaux pluviales », utilisant la télédétection et les observations communautaires, pourraient améliorer la réponse aux inondations33. La gestion intelligente des eaux souterraines, en tirant parti des capteurs de forage, des données satellitaires et du ML, peut également améliorer la résilience grâce à une action d'alerte précoce dans les régions sujettes à la sécheresse, comme le Kenya34.

La volonté de gestion intégrée des bassins versants nécessite une compréhension de la dynamique du cycle de l'eau dans les modèles du système terrestre (ESM) pour prévoir la variabilité climatique à court terme et à long terme et les influences associées sur la sécheresse, la désertification, les ondes de tempête et la prévalence et l'intensité de l'insécurité hydrique35. Bien qu'encore à leurs balbutiements, les ESM neuronaux36 peuvent améliorer la compréhension de la physique sous-jacente, découvrir des paramètres cachés et élargir les options de simulation37.

Sur la base de ces prévisions, des algorithmes d'optimisation pourraient soutenir une planification durable et à long terme des bassins versants et des infrastructures. Par exemple, les sorties ESM activées par l'IA associées à des systèmes d'information géographique pourraient examiner efficacement les risques climatiques pour les barrages et les dommages en aval associés à une rupture de barrage38. Il peut informer l'expansion des sources d'eau artificielles, telles que le dessalement ou l'eau recyclée39, où la pénurie d'eau est prévue. En outre, les modèles hydrauliques améliorés par l'IA, caractérisant les voies et les vitesses d'écoulement des eaux des bassins versants, les empreintes d'inondation et les niveaux de marée, peuvent affiner l'ingénierie fluviale, la mise à niveau des barrages et des murs et la mise en œuvre de barrières contre les ondes de tempête40.

Compte tenu de la demande croissante de la population sur les systèmes d'approvisionnement en eau, l'IA peut soutenir le développement de nouvelles infrastructures d'eau potable, d'eaux pluviales et d'égouts façonnées par des innovations techniques33 parallèlement à une gestion efficace des actifs critiques vieillissants41.

Les systèmes d'IA axés sur les objectifs, associés à des environnements de test virtuels, peuvent accélérer le prototypage et les tests de matériaux plus durables42, tels que les membranes de nanomatériaux à base de graphène pour le dessalement43 ou les cadres métallo-organiques pour la collecte de l'eau du désert44.

Des algorithmes d'optimisation pourraient être mis en œuvre pour améliorer la fiabilité, la longévité et la minimisation des dépenses - essentielles pour les services publics - dans la conception, la construction et la mise à niveau des installations de traitement et de distribution45. Les jumeaux numériques de villes alimentés par l'IA46 peuvent également aider à faire évoluer rapidement la conception urbaine sensible à l'eau47, y compris le placement prioritaire de systèmes de biorétention, de bandes tampons et de baissières, de tranchées d'infiltration, de pavage poreux, de rétention de sédimentation, de zones humides artificielles, de systèmes de collecte des eaux de pluie et de systèmes de stockage et de récupération des aquifères.

Ensemble, l'IA, les appareils de l'Internet des objets et la robotique peuvent améliorer l'efficacité opérationnelle des installations d'eau et d'eaux usées. Par exemple, les processus de coagulation, de floculation, de sédimentation, de filtration (par exemple, l'osmose inverse) et de désinfection (par exemple, la chloration) dans les usines de traitement de l'eau pourraient être ajustés intelligemment pour répondre aux normes d'eau potable en tirant parti des données des capteurs sur le contenu microbien et contaminant des entrées et des sorties à tout moment48.

De même, les performances des usines de traitement des eaux usées pourraient être améliorées grâce à des processus unitaires auto-adaptatifs, y compris le criblage préliminaire et le dessablage, la séparation des phases primaires (par exemple, la clarification), le traitement secondaire (par exemple, film fixe) et tertiaire (par exemple, le charbon actif) et la désinfection (par exemple, la lumière ultraviolette), sur la base du contenu organique et inorganique en temps réel des entrées d'eaux usées et des exigences de rejet des effluents49. De plus, les digesteurs anaérobies intelligents peuvent stimuler la production de biogaz et d'électricité à partir des boues de sous-produits50, tandis que la classification et le tri intelligents pourraient maximiser l'efficacité et la sécurité des biosolides pour la réutilisation agricole51.

Les systèmes de distribution intelligents offrent également des avantages par rapport aux systèmes traditionnels de contrôle de surveillance et d'acquisition de données52. Les modèles ML utilisant des données en temps réel provenant de capteurs de réseau pourraient mesurer, surveiller et optimiser la pression et la vitesse d'écoulement pour améliorer l'efficacité énergétique et les coûts d'exploitation en contrôlant et en configurant de manière autonome les stations de pompage d'eau sans surveillance humaine53. Des systèmes informatiques avancés peuvent aider à prévenir les débordements d'eaux usées nocifs lors d'événements météorologiques humides en ajustant l'utilisation du stockage dans les stations de pompage des eaux usées, les tuyaux et les regards, et accélérer les alertes aux équipes de nettoyage en cas de déversements imprévus54.

Les technologies intelligentes peuvent transformer les activités de maintenance de routine et réduire les temps d'arrêt. Les fuites de réseau entraînent la perte de 45 milliards de litres d'eau potable par jour dans les pays en développement, ce qui équivaut à hydrater 180 millions de personnes, et les fuites majeures des pipelines peuvent court-circuiter les câbles à haute intensité, constituant une menace mortelle pour les personnes55. L'analyse prédictive, soutenue par des capteurs et le cloud computing, peut détecter les anomalies, localiser les emplacements et hiérarchiser la gravité des fuites pour accélérer les isolations et les réparations en temps réel56, avec des efforts pour prévoir la détérioration des conduites57 et résoudre la transférabilité des algorithmes sur des pipelines hétérogènes58 améliorant déjà la précision des applications d'identification des fuites activées par l'IA. Les modèles ML associés aux données de vidéosurveillance traditionnelles, utilisés pour la classification des images, l'identification des objets et la segmentation sémantique, peuvent également être mis en œuvre pour prédire, diagnostiquer et corriger les défauts et les blocages du réseau d'eaux usées59.

De plus, l'IA pourrait prolonger la durée de vie des actifs et optimiser les dépenses en capital en automatisant les opérations de maintenance, telles que le nettoyage des membranes d'ultrafiltration dans les usines de traitement, et en concevant des calendriers de mise à niveau prédictifs basés sur des évaluations historiques et en temps réel de l'état des actifs60.

Au niveau communautaire, l'intelligence informatique pourrait contribuer à un accès plus durable, résilient et équitable aux systèmes d'approvisionnement en eau. Par exemple, l'analyse basée sur l'IA des données historiques, des compteurs intelligents, des images satellite et des prévisions de consommation d'eau peut éclairer la gestion des demandes sectorielles et transfrontalières conflictuelles avec des allocations précises, ainsi que surveiller la conformité des retraits61.

Le secteur agricole est responsable de 70 % des prélèvements annuels d'eau douce, dont 60 % (soit 42 % du total mondial) sont gaspillés62. Des applications d'IA ciblées pourraient aider à réduire cette consommation inutile. L'IA peut permettre une expérimentation rapide dans des «fermes virtuelles» pour déterminer les volumes et les calendriers d'irrigation minimaux afin de maximiser les rendements des cultures dans diverses conditions63. De tels programmes mis en œuvre parallèlement aux technologies de jumeau numérique et de robotique pourraient permettre une agriculture de précision avec des systèmes d'irrigation intelligents64. Le traitement autonome de l'imagerie hyperspectrale par satellite ou par drone, activé par la vision par ordinateur et les algorithmes ML65, peut fournir des cartes détaillées de l'humidité du sol et des conditions des cultures, que les autorités de l'eau pourraient utiliser pour surveiller les déficits ou les excès d'irrigation et ajuster les allocations d'approvisionnement en conséquence66.

Au niveau des ménages, les dispositifs intelligents d'économie d'eau, tels que les toilettes, les robinets et les gicleurs intelligents, peuvent réduire la consommation d'eau des ménages, tandis que les compteurs intelligents associés à l'analyse prédictive de la demande et des prix pourraient inciter à modifier les comportements en faveur de la conservation de l'eau67. En outre, l'IA peut contrôler des systèmes d'eau potable, d'eaux pluviales et d'égouts sûrs et décentralisés, tels que des réservoirs d'eau de pluie automatisés, le recyclage de l'eau domestique et des biodigesteurs domestiques68. Les unités domestiques comprenant des capteurs de fluorescence en temps réel couplés au ML peuvent prédire et intervenir avec précision sur la contamination fécale de l'eau potable conformément aux niveaux de risque de l'Organisation mondiale de la santé afin de prévenir les épidémies courantes dans les pays à revenu élevé et à faible revenu69.

Alors que la plupart de ces applications reposent sur une infrastructure de systèmes d'eau établie, l'IA a également le potentiel d'améliorer la justice de l'eau. Les ESM neuronaux et les algorithmes d'optimisation pourraient aider les agences de développement internationales et les gouvernements à déterminer où prioriser les investissements dans les efforts WASH pour résoudre efficacement les problèmes les plus urgents tout en renforçant la résilience climatique.

Les technologies intelligentes de l'eau, y compris les installations hors réseau, telles que les « distributeurs automatiques d'eau »70 alimentés à l'énergie solaire, et les appareils portables, tels que les « pompes à main intelligentes »71, pourraient être distribuées et surveillées à distance pour améliorer l'accès à l'eau potable, en particulier pour les femmes et les filles. La prolifération des téléphones intelligents personnels dans les pays en développement72 pourrait également permettre une communication massive de la contamination de l'eau potable ou des informations éducatives sur les pratiques menstruelles et d'hygiène de la même manière que lors de la pandémie de COVID-1973. Les systèmes d'IA portables peuvent être formés pour évaluer la qualité de l'eau potable, sur la base de la teneur en chlore résiduel libre, afin de prévenir l'apparition de maladies d'origine hydrique dans les établissements humanitaires74.

Comme en témoigne l'histoire, la résolution de problèmes technologiques peut entraîner des conséquences imprévues, qui peuvent s'avérer plus difficiles que le problème initial. Compte tenu de la prolifération potentielle de l'IA dans les systèmes d'eau, comme souligné ci-dessus, il est important de comprendre le paysage des risques. À cette fin, nous soulignons les problèmes susceptibles de compromettre les applications potentiellement bénéfiques de l'IA dans les systèmes d'approvisionnement en eau, notamment : les obstacles liés aux infrastructures et au capital humain ; les risques directs liés aux erreurs de conception et aux utilisations malveillantes ; et exposition indirecte à des défaillances en cascade (Fig. 2).

Les obstacles liés à l'infrastructure et au capital humain, les risques directs liés aux erreurs de conception et à la mauvaise utilisation et les risques indirects liés aux défaillances système en cascade peuvent compromettre les avantages potentiels de l'IA s'ils ne sont pas gérés de manière responsable.

L'IA n'est aussi bonne que les systèmes dans lesquels elle est intégrée et les personnes responsables de son développement. Bon nombre des applications potentielles de l'IA décrites ci-dessus nécessitent une infrastructure de systèmes d'eau établie, une infrastructure de soutien des technologies de l'information et des communications (TIC) et une expertise dans le domaine. Dans cet ordre d'idées, nous soulignons ci-dessous les exemples prévus de la manière dont les besoins en infrastructure et en capital humain peuvent créer des obstacles techniques et socio-économiques qui limitent le déploiement de l'IA dans le secteur de l'eau et donnent lieu à des problèmes imprévus associés à celle-ci.

Le manque d'infrastructures de base et gérées en toute sécurité, y compris les barrages, les stations d'épuration, les canalisations, les toilettes, les douches et les robinets - laissant actuellement une personne sur quatre sans eau potable et deux personnes sur quatre sans services d'assainissement adéquats - sapera la capacité de l'IA à remédier à ces lacunes des systèmes d'approvisionnement en eau dans les régions à faible revenu, privant ainsi les populations les plus vulnérables des avantages qui en découlent75.

Même dans les pays développés dotés d'une infrastructure de systèmes d'eau bien établie, la complexité et le coût associés à l'intégration des technologies numériques avancées, qui sont nécessaires pour prendre en charge les applications d'IA, dans l'ensemble du secteur de l'eau peuvent limiter la faisabilité du déploiement de l'IA à court terme76. En effet, l'industrie de l'eau se présente comme lente et pénible, plus que d'autres secteurs, en matière d'innovation en raison de ses longs délais de projet, de ses contraintes d'investissement et de sa nature conservatrice77.

Actuellement, les applications d'IA doivent être adaptées au contexte spécifique, et un développement algorithmique supplémentaire est nécessaire pour plus de précision dans la plupart des situations. Bien qu'il puisse exister des applications réussies dans le monde réel dans d'autres secteurs, ou des démonstrations d'algorithmes spécifiques aux systèmes d'eau dans la littérature, il est peu probable qu'elles soient facilement transférables aux systèmes d'eau dans la pratique.

Le déploiement à grande échelle de l'IA nécessitera un capital humain possédant à la fois une expertise dans le domaine de l'IA et du secteur de l'eau. Ainsi, les lacunes en matière de culture numérique parmi les travailleurs et les consommateurs du secteur de l'eau, et le manque de capital humain au sein des organisations non gouvernementales (ONG) dans les contextes WASH, peuvent encore entraver l'accès aux avantages potentiels de l'IA dans le secteur de l'eau78.

Au-delà de limiter le déploiement de l'IA dans le secteur de l'eau, en particulier dans les régions en développement, la répartition inégale de ces obstacles peut également donner lieu à des problèmes inattendus alors que l'IA commence à proliférer dans des hubs plus numériques à travers le monde. Par exemple, les «fractures numériques» dans le capital humain, où la main-d'œuvre hautement qualifiée est avantagée tandis que la main-d'œuvre peu qualifiée est désavantagée, pourrait renforcer les inégalités mondiales76.

En outre, le déploiement de l'IA là où les obstacles n'existent que partiellement mais n'ont pas été entièrement résolus, par exemple lorsque les praticiens du secteur de l'eau développent des compétences suffisantes pour mettre en œuvre des systèmes d'IA mais insuffisantes pour identifier et corriger efficacement les erreurs et les dysfonctionnements, pourrait saper tout avantage potentiel en entraînant de graves conséquences, comme indiqué ci-dessous.

La robustesse technique, la gouvernance et l'éthique de l'IA79, qui sont de plus en plus explorées dans d'autres secteurs tels que l'agriculture80, engendrent un paysage de risque distinct dans le contexte des systèmes d'eau. Nous fournissons ci-dessous des exemples possibles de la manière dont les erreurs et les biais dans les données et les modèles algorithmiques, y compris le mauvais alignement des objectifs81, ainsi que l'exposition accrue à une utilisation abusive par des acteurs malveillants, peuvent voir les applications potentielles de l'IA dans le secteur de l'eau causer des dommages sociaux, économiques et environnementaux substantiels.

Au niveau du bassin versant, les applications de l'IA nécessitent une connaissance approfondie des processus très complexes du système terrestre, y compris le cycle de l'eau et le changement climatique. L'extraction de données hydrologiques erronées à partir de flux satellitaires ou de données de prévisions météorologiques à partir d'un ESM neuronal par un modèle ML non supervisé optimisant les allocations d'eau dans les régions à forte concurrence pourrait entraîner des pénuries inattendues d'approvisionnement en eau pour la consommation humaine. Un algorithme d'IA chargé de minimiser les dommages en cas de rupture de barrage pourrait par inadvertance donner la priorité à la réduction des pertes économiques au détriment de la vie humaine s'il était accidentellement programmé pour optimiser des plages d'objectifs erronées ou trop étroites81.

Au niveau du réseau, des erreurs dans la programmation des modèles de stations d'épuration intelligentes, comme pour la maintenance automatisée des unités de traitement secondaires biologiques, pourraient provoquer un crash du procédé, conduisant à un rejet en aval d'effluents non traités ou à des débordements du réseau en amont82. Un tel événement pourrait exposer la vie humaine et marine à des eaux usées non traitées et entraîner des amendes de rejet environnemental pour l'opérateur. Pendant ce temps, l'IA axée sur les objectifs pour optimiser l'entretien des conduites d'eau en fonction de la probabilité de défaillance et de la prévision des dommages pourrait par inadvertance compromettre la sécurité de l'eau des populations à faible revenu en donnant la priorité aux infrastructures dans les zones plus riches83.

Au niveau de l'utilisateur final, des erreurs dans les ensembles de données de formation, un défaut de capteur ou des échecs dans les généralisations algorithmiques d'un modèle ML dirigeant l'eau recyclée vers différentes utilisations finales sur la base de données de qualité en temps réel pourraient entraîner une crise de santé publique si de l'eau non potable, ou pire, de l'eau contaminée par des agents pathogènes, est distribuée aux ménages pour la consommation. Les outils d'IA collectant des données sur la consommation d'eau des ménages peuvent soulever des problèmes de confidentialité concernant le profilage de l'utilisation, tandis que les applications de réduction de la demande en eau activées par l'IA peuvent utiliser par inadvertance des « micro-coups de pouce » biaisés conduisant à un accès à l'eau non démocratique, portant atteinte à la dignité et à l'autonomie des populations à risque83.

L'intégration de l'IA dans les systèmes d'eau augmente collectivement le risque de défaillances à l'échelle du réseau. Plus précisément, une dépendance excessive à l'IA, que ce soit dans les composants critiques des systèmes d'eau ou par un couplage élevé entre les composants des systèmes d'eau, pourrait entraîner des risques systémiques, où les risques isolés décrits ci-dessus pourraient potentiellement compromettre l'ensemble des actifs et des services d'un service public.

En outre, l'eau fait déjà l'objet d'une géopolitique intra et internationale et de la concurrence des entreprises - où l'appropriation de l'eau douce est associée à l'accaparement des terres agricoles estimé à 310 milliards de mètres cubes d'eau verte (c'est-à-dire l'eau de pluie) et 140 milliards de mètres cubes d'eau bleue (c'est-à-dire l'eau d'irrigation) par an84 - et la cybersécurité est une préoccupation croissante compte tenu de l'augmentation récente des événements de compromission du système dans le secteur85. Alors que les générations précédentes de cyberattaques, y compris le déni de service distribué (DDoS), les rançongiciels, l'injection de langage de requête structuré (SQL) et le cheval de Troie, étaient perturbatrices, la présence d'IA intégrée avec une surveillance humaine minimale peut donner aux pirates la possibilité de prendre le contrôle total de systèmes hautement interconnectés86.

De telles défaillances à l'échelle du réseau peuvent mettre des communautés entières en danger d'insécurité hydrique et pourraient rapidement se traduire par des crises humanitaires et des conflits en raison de la nature relativement localisée des ressources en eau qui, contrairement aux chaînes d'approvisionnement mondiales établies en énergie et en ressources alimentaires, ne sont pas facilement remplacées ou commercialisées en masse au niveau international87.

Les échecs directs de l'IA dans les systèmes d'eau mis en évidence ci-dessus peuvent indirectement se transformer en catastrophes locales et régionales en dehors de l'industrie de l'eau. En soulignant ces cas ci-dessous avec des exemples présumés, nous notons que ces défaillances pourraient se produire indépendamment, mais qu'une IA défectueuse, associée à un manque de surveillance humaine, peut exacerber la fréquence et la gravité de ces risques indirects.

Une forte dépendance à l'IA pourrait créer des interdépendances fragiles entre les systèmes d'infrastructures critiques. Les scénarios pourraient inclure un couplage à trois voies où le cloud computing sous-tend l'IA dans les systèmes d'eau et les systèmes énergétiques, tandis que le refroidissement par eau est nécessaire pour le cloud computing et la production d'électricité, et l'alimentation du réseau est nécessaire pour les systèmes d'eau et le fonctionnement du centre de données. Une telle connectivité étroite amplifie le risque de défaillances accidentelles ou de cyberattaques malveillantes en cascade sur les systèmes et rend la récupération après des événements autrement isolés beaucoup plus difficile.

Nonobstant ce qui précède, les applications apparemment réussies de l'IA dans les systèmes d'eau peuvent avoir des répercussions négatives inattendues. Des conséquences socio-écologiques involontaires peuvent se produire lorsqu'un jumeau numérique activé par l'IA optimise les processus d'une installation de dessalement d'eau de mer mais ne tient pas compte avec précision des effets de la saumure sur les écosystèmes au point de rejet, entraînant des dommages à l'environnement marin et à la biodiversité88. De même, des problèmes de sécurité énergétique et alimentaire pourraient survenir lorsque les modèles d'IA mis en œuvre par l'industrie de l'eau sont biaisés, de sorte que les compromis entre l'eau, l'énergie et l'alimentation ne sont pas correctement représentés89.

En outre, alors que les progrès du ML peuvent réduire la demande d'énergie de calcul90, l'utilisation étendue de systèmes d'IA inefficaces peut augmenter l'intensité énergétique des centres de données, augmentant ainsi la consommation d'eau dans les technologies de refroidissement liquide et les émissions de gaz à effet de serre qui, par retour, compromettent la sécurité de l'eau91.

Pour garantir que les applications potentielles de l'IA dans les systèmes d'eau réalisent les avantages escomptés et ne perpétuent pas involontairement les pièges du progrès, nous formulons trois séries de recommandations pour que l'industrie de l'eau déploie en toute sécurité cette technologie numérique naissante. Détaillé tour à tour ci-dessous, le premier aborde les lacunes en matière d'infrastructure et de littératie numérique, le deuxième décrit les mécanismes techniques pour une IA fiable et le troisième propose un cadre à six niveaux pour guider l'évaluation des avantages et des risques des applications d'IA dans les systèmes d'eau dans la pratique.

Là où les actifs fondamentaux de captage, de traitement et de distribution et les installations d'hygiène font défaut, l'IA a peu de potentiel pour résoudre les lacunes actuelles des systèmes d'approvisionnement en eau. Les gouvernements, les fonds de développement, les philanthropes et les start-up qui cherchent à renforcer les efforts WASH dans les pays en développement doivent tenir compte de l'équité sociale et de l'efficacité économique lors de l'évaluation des applications d'IA à la place ou en complément des projets « briques et mortiers »92.

Dans les pays développés, les services d'eau doivent s'assurer qu'une infrastructure TIC adéquate, telle que des capteurs et des capacités de cloud computing, est prise en compte dans la planification des applications d'IA. En outre, les services d'eau doivent développer des stratégies et des architectures claires, telles que des interfaces de programmation d'applications, pour l'intégration et l'interopérabilité des systèmes, compte tenu de la nécessité de maintenir l'infrastructure existante, y compris les structures physiques et les équipements électromécaniques, ainsi que les silos de données hétérogènes contenant des informations critiques sur les opérations, ainsi que les nouvelles technologies numériques93.

Lorsque les applications d'IA sont jugées appropriées, l'industrie de l'eau devra gérer le perfectionnement, la reconversion et les nouvelles compétences de sa main-d'œuvre, afin de s'assurer que le secteur est doté du capital humain nécessaire pour concevoir, exploiter et gérer des systèmes d'IA. Les associations professionnelles et les syndicats devraient s'engager avec les institutions académiques et les ONG spécialisées dans l'IA pour développer de nouveaux cours et certifications.

À cette fin, il est important que l'IA dans les systèmes d'eau soit explicable. D'une part, une IA explicable est nécessaire pour que les experts du domaine puissent confirmer, remettre en question et transférer de manière significative les connaissances à travers les cas d'utilisation94. Pendant ce temps, le passage des paramètres basés sur la recherche aux applications pratiques rend le déploiement et la communication de la boîte blanche (c'est-à-dire des algorithmes fournissant des résultats compréhensibles), plutôt que de la boîte noire (c'est-à-dire des algorithmes qui peuvent difficilement être compris même par des experts du domaine), des algorithmes par des experts en IA essentiels pour garantir que les praticiens de l'industrie de l'eau et les utilisateurs finaux civils manquant d'expertise peuvent faire confiance et interagir avec l'IA dans les systèmes d'eau en comprenant sa fonctionnalité95.

Enfin, l'industrie de l'eau doit élaborer et promulguer des lois, des réglementations et des politiques sectorielles adaptées à la gestion des nuances de l'IA dans les systèmes d'eau, en particulier lorsqu'il s'agit de questions de normes techniques et de transparence, d'action humaine et de surveillance, de sûreté et de sécurité, de responsabilité et de responsabilité, et de diversité et d'inclusion. Lorsque de tels cadres de gouvernance font défaut, les services publics qui cherchent à mettre en œuvre l'IA dans leurs systèmes d'eau devraient tenir dûment compte des problèmes en évolution tels que les assurances et les responsabilités liées à la défaillance des systèmes d'IA.

À l'heure actuelle, notre compréhension de l'IA est dans un état de développement rapide, de sorte que l'industrie de l'eau doit se tenir au courant des questions liées à la robustesse technique, à la gouvernance et à l'éthique à mesure que le domaine de la sécurité de l'IA évolue (par exemple, voir les directives éthiques de l'Union européenne pour une IA digne de confiance)96. Nous décrivons ici les mécanismes institutionnels, logiciels et matériels que l'industrie de l'eau devrait développer et maintenir dans sa "boîte à outils" pour assurer un déploiement responsable de l'IA dans les systèmes d'eau.

Les mécanismes institutionnels façonnent les connaissances, les incitations et la responsabilité97. Des exercices de routine de l'équipe rouge, où des experts en cybersécurité sont engagés en interne pour trouver des vulnérabilités dans les systèmes d'IA, devraient être menés par les services publics d'eau pour garder une longueur d'avance sur les acteurs malveillants cherchant à compromettre l'infrastructure critique des systèmes d'eau. Les programmes de primes contre les bogues, les biais et la sécurité peuvent également être utilisés pour inciter les parties prenantes externes et les bénéficiaires à divulguer les problèmes liés aux systèmes d'IA dans la pratique. De tels schémas peuvent être particulièrement utiles lorsqu'il s'agit de cartographier les expositions systémiques aux conséquences socio-écologiques en cascade et les compromis entre l'eau, l'énergie et l'alimentation. Au-delà de ces exercices, à mesure que l'industrie de l'eau acquiert une expérience du monde réel avec l'IA, des banques de connaissances intersectorielles collaboratives sur les meilleures pratiques de mise en œuvre, les incidents de sécurité et les leçons apprises doivent être maintenues.

Les mécanismes logiciels traitent des spécificités, de la compréhension et de la surveillance des systèmes d'IA eux-mêmes97. L'industrie de l'eau devrait travailler avec des experts universitaires pour établir des normes de conception, des manuels d'interprétabilité et des méthodes de test utilisateur afin d'assurer la reproductibilité, la préservation de la confidentialité et la vérification. Les processus de conception centrée sur l'humain, sûrs dès la conception et sécurisés dès la conception pourraient aider à atténuer plusieurs des risques décrits ci-dessus. Des banques de connaissances intersectorielles de codes sources d'IA standard validés, pour des applications typiques telles que la détection de fuites de canalisations et l'optimisation des processus de traitement, pourraient être maintenues pour accélérer les meilleures pratiques. Les services publics d'eau doivent également conserver des pistes d'audit de la définition des problèmes, de la conception, du développement et de l'exploitation des systèmes d'IA et doivent faire analyser ces journaux traçables par des auditeurs tiers experts afin de maximiser la capture des incidents et des leçons apprises.

Les mécanismes matériels confrontent la capacité, l'accessibilité et la fiabilité des ressources physiques98. Les services publics d'eau doivent s'assurer que les applications d'IA intègrent des sécurités permettant un arrêt automatisé ou déclenché par l'homme et des solutions de contournement pour atténuer les catastrophes potentielles causées par des systèmes défectueux ou compromis. Des inspecteurs du contrôle de la qualité devraient être engagés pour mesurer et rendre compte régulièrement des performances de l'IA et des systèmes cyber-physiques intelligents au cas par cas et à l'échelle du système d'eau. Les parties prenantes du secteur de l'eau devraient également envisager d'établir des partenariats de recherche et de développement en libre accès avec des experts universitaires, qui n'ont généralement pas accès à du matériel à l'échelle commerciale, afin d'accélérer les avancées collaboratives inter et intersectorielles en matière d'IA de confiance pour les systèmes d'eau.

L'industrie de l'eau doit établir un cadre transparent pour un déploiement responsable de l'IA en ce qui concerne le contrôle de ses infrastructures et de ses services, qui fournit une évaluation équilibrée des avantages et des risques99. L'IA n'est pas un objectif final en soi et doit être traitée comme une réponse technologique à des problèmes clairement définis. « Ne commencez pas par des coups de lune » : une approche holistique doit inclure une compréhension approfondie des lacunes des systèmes d'eau, une évaluation des systèmes d'IA typiques qui permettront de remédier en toute sécurité à ces lacunes, et des processus de prototypage, de pilotage et de déploiement par étapes100.

À cette fin, nous proposons un exemple de cadre à six couches (tableau 1), qui élabore des concepts généraux à partir des lignes directrices fiables sur l'IA en matière de robustesse technique, de gouvernance et d'éthique, qui aborde le dépistage théorique, la preuve de concept et les considérations pratiques de mise à l'échelle pour le déploiement de l'IA dans les systèmes d'eau. Les exemples de considérations fournis ici sont destinés à inspirer les praticiens du secteur de l'eau avec la base d'un « tableau de bord en direct » pour qualifier la proposition de valeur nette d'une application d'IA donnée avant, à mi-et après la mise en œuvre dans le monde réel.

Le monde n'est pas sur la bonne voie pour atteindre l'objectif de développement durable 6. Plus de 1,6 million de personnes meurent chaque année à cause de services d'eau potable, d'eaux pluviales et d'assainissement insalubres et inaccessibles, et le changement climatique devrait exacerber les problèmes liés à l'eau. En réponse, l'IA a été proposée comme la dernière innovation technologique pour aider à combler les lacunes des systèmes d'eau. Cependant, la technologie ne peut à elle seule résoudre les problèmes d'approvisionnement en eau et d'évacuation des eaux usées. Une prolifération mal gérée de l'IA dans les systèmes d'eau peut donner lieu à des pièges de progrès qui pourraient encore saper et compliquer la sécurité de l'eau.

En tant que telle, cette perspective visait à croiser les connaissances cloisonnées par domaine et à contextualiser les informations synthétisées, à partir des systèmes techniques d'eau et de la littérature sur la sécurité de l'IA, afin de sensibiliser les universitaires, les praticiens de l'industrie de l'eau et de l'IA et les utilisateurs finaux profanes à la nécessité de donner la priorité au « déploiement responsable » de l'IA dans les systèmes d'eau pour atténuer les risques.

Étant donné que l'IA n'a pas encore proliféré et que son déploiement est particulièrement naissant dans le secteur de l'eau, les données empiriques sur les applications dans le monde réel sont relativement rares. En tant que tels, les exemples d'applications d'IA à l'échelle du système d'eau décrits ici, pour mettre en évidence la portée potentielle de l'IA à l'échelle du système, sont basés sur des démonstrations d'algorithmes d'IA ou des études de cas isolées dans la littérature universitaire. De même, les exemples de risques d'IA fournis sont spéculatifs, bien qu'informés par la littérature de pointe sur la sécurité de l'IA.

Nonobstant ce qui précède, un exemple concret d'échec d'une application d'IA causant des dommages à des personnes a été signalé en novembre 2022101. Dans ce cas, le service de santé publique de Toronto, au Canada, a remplacé sa méthode traditionnelle d'utilisation de tests de laboratoire d'un jour par un outil d'évaluation prédictive de la qualité de l'eau basé sur le ML pour déterminer si la qualité de l'eau sur les plages locales était sans danger pour la baignade. Plutôt que d'être plus précis que prévu, l'outil ML n'a identifié qu'environ 30 % des jours d'eau de plage insalubres, ce qui a entraîné 50 cas de baigneurs publics exposés à des niveaux de bactéries dangereuses au cours de l'été. Cela met en évidence le préjudice très réel que l'échec de l'IA peut causer si les principes de déploiement responsable ne sont pas priorisés et efficacement exécutés.

Alors que les données empiriques sur les applications réussies et infructueuses de l'IA dans les systèmes d'eau deviennent plus facilement disponibles, nous encourageons les chercheurs et les praticiens à baser rigoureusement ces informations et à les évaluer afin de construire une compréhension approfondie des avantages réels et des risques réels, nécessaires pour faire évoluer les pratiques de gestion des risques à mesure que l'IA prolifère. Nous espérons que le cadre conceptualisé ici fournira une base à partir de laquelle les universitaires multidisciplinaires et les praticiens de l'industrie de l'eau et de l'IA pourront développer des pratiques proactives et critiques de gestion des risques, éclairées par des approches participatives qui engagent et éduquent les utilisateurs finaux.

Enfin, l'industrie de l'eau doit adopter une approche à plusieurs niveaux de l'anticipation et de l'atténuation des risques pour assurer un déploiement responsable de l'IA dans les systèmes d'eau, notamment en s'attaquant aux obstacles liés à l'infrastructure et à la culture numérique, en établissant des mécanismes institutionnels, logiciels et matériels pour une IA fiable et en hiérarchisant les applications sur la base d'une évaluation rigoureuse des avantages et des risques. Avec un investissement prévu de 6,3 milliards de dollars américains dans les technologies de l'eau de l'IA, nous exhortons le secteur de l'eau, en particulier les services publics les plus importants et les plus développés qui mènent l'incursion dans l'eau numérique, à allouer une partie substantielle de ce financement du renforcement des capacités purement techniques aux initiatives de sécurité de l'IA qui aideront à garantir que les avantages potentiels de l'IA dans les systèmes d'eau sont réalisés à grande échelle.

Hosseiny , SH , Bozorg-Haddad , O. & Bocchiola , D. dans Economic, Political, and Social Issues in Water Resources (Ed. Bozorg-Haddad, O.) 189–216 (Elsevier, 2021).

Schreiber, KJ & Rojas, JL Les Puits de Nazca. Lat. Suis. Antiq. 6, 229–254 (1995).

Article Google Scholar

Coningham, R. & Young, R. L'archéologie de l'Asie du Sud: de l'Indus à Asoka, vers 6500 avant notre ère – 200 CE 101–278 (Cambridge Univ. Press, 2015).

Wright, R. Une courte histoire du progrès (House of Anansi, 2004).

Price, M. Les origines du célèbre système de plomberie de la Rome antique révélées dans des échantillons de sol. Sciences (28 août 2017).

Bierkens, MFP & Wada, Y. Utilisation des eaux souterraines non renouvelables et épuisement des eaux souterraines : un examen. Environ. Rés. Lett. 14, 063002 (2019).

Article Google Scholar

Gordon, L., Dunlop, M. & Foran, B. Changement de la couverture terrestre et flux de vapeur d'eau : leçons tirées de l'Australie. Phil. Trans. R. Soc. Londres. B. Biol. Sci. B 29, 358 (2003).

Google Scholar

Liu, W., Iordan, CM, Cherubini, F., Hu, X. & Fu, D. Évaluation des impacts environnementaux des systèmes de traitement des eaux usées et d'élimination des boues selon deux normes de rejet des eaux usées : une étude de cas à Kunshan, en Chine. J. Propre. Prod. 287, 125046 (2021).

Article CAS Google Scholar

Elsaid, K. et al. Impact environnemental des technologies de dessalement : un bilan. Sci. Environ. 748, 141528 (2020).

Article CAS PubMed Google Scholar

da Silva, GCX et al. Impacts environnementaux du remplissage du réservoir de barrage en Amazonie orientale. Devant. Eau https://doi.org/10.3389/frwa.2020.00011 (2020).

Mise à jour récapitulative des progrès réalisés par ONU-Eau 2021 : ODD 6 — Eau et assainissement pour tous (Nations Unies, 2021).

IPCC Climate Change 2022: Impacts, Adaptation and Vulnerability (eds Pörtner, H.-O. et al.) (Cambridge Univ. Press, 2022).

Russell, SJ & Norvig, P. Intelligence artificielle : une approche moderne (Prentice Hall, 2020).

Rozos, E. Apprentissage automatique, gestion des ressources en eau urbaines et politique d'exploitation. Ressources 8, 173 (2019).

Article Google Scholar

Le rapport sur les objectifs de développement durable 2022 (Nations Unies, 2022).

Yamazaki, D. & Trigg, MA La dynamique de l'eau de surface de la Terre. Nature 540, 348–349 (2016).

Article CAS PubMed Google Scholar

Kadow, C., Hall, DM et Ulbrich, U. L'intelligence artificielle reconstruit les informations climatiques manquantes. Nat. Géosci. 13, 408–413 (2020).

Article CAS Google Scholar

Pekel, J.-F., Cottam, A., Gorelick, N. & Belward, AS Cartographie haute résolution des eaux de surface mondiales et de ses changements à long terme. Nature 540, 418–422 (2016).

Article CAS PubMed Google Scholar

Larson, A. Une vision plus claire du cycle de l'eau de la Terre via les réseaux de neurones et les données satellitaires. Nat. Rev. Earth Environ. 3, 361 (2022).

Article CAS Google Scholar

Koppa, A., Rains, D., Hulsman, P., Poyatos, R. & Miralles, DG Un modèle hybride basé sur l'apprentissage profond de l'évaporation terrestre globale. Nat. Commun. 13, 1912 (2022).

Article CAS PubMed PubMed Central Google Scholar

Espeholt, L. et al. Apprentissage en profondeur pour les prévisions de précipitations sur 12 heures. Nat. Commun. 13, 5145 (2022).

Article CAS PubMed PubMed Central Google Scholar

Muste, M., Kim, D. & Kim, K. Un prototype de prévision de crête de crue pour les crues de rivière utilisant uniquement des mesures dans le cours d'eau. Commun. Terre Environ. 3, 78 (2022).

Article Google Scholar

Vereecken, H. et al. Hydrologie des sols dans le système terrestre. Nat. Rev. Earth Environ. 3, 573–587 (2022).

Article Google Scholar

Shen, LQ, Amatulli, G., Sethi, T., Raymond, P. & Domisch, S. Estimation des concentrations d'azote et de phosphore dans les ruisseaux et les rivières, dans un cadre d'apprentissage automatique. Sci. Données 7, 161 (2020).

Article CAS PubMed PubMed Central Google Scholar

Podgorski, J. & Berg, M. Analyse globale et prévision du fluorure dans les eaux souterraines. Nat. Commun. 13, 4232 (2022).

Article CAS PubMed PubMed Central Google Scholar

Sharafati, A., Asadollah, SBHS & Neshat, A. Une nouvelle stratégie d'intelligence artificielle pour prédire le niveau des eaux souterraines sur l'aquifère de Rafsanjan en Iran. J. Hydrol. 591, 125468 (2020).

Article Google Scholar

Zaniolo, M., Giuliani, M., Sinclair, S., Burlando, P. & Castelletti, A. Lorsque le timing compte, un remplissage de barrage mal conçu a un impact sur la durabilité de l'hydroélectricité. Nat. Commun. 12, 3056 (2021).

Article CAS PubMed PubMed Central Google Scholar

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

Mozo, A. et al. Capteur logiciel de chlorophylle basé sur des modèles d'apprentissage automatique pour les prévisions de prolifération d'algues. Sci Rep. 12, 13529 (2022).

Article CAS PubMed PubMed Central Google Scholar

Massarelli, C., Campanale, C. & Uricchio, VF en informatique d'applications IoT (eds Singh, I. et al.) Ch. 10 (IntechOpen, 2021).

Zarei, M. et al. Algorithmes d'apprentissage automatique pour l'exploitation des réservoirs en fonction des prévisions (FIRO) afin de réduire les dommages causés par les inondations. Sci. Rep. 11, 24295 (2021).

Article CAS PubMed PubMed Central Google Scholar

Riga, R. Brisbane Les victimes des inondations de 2011 gagnent 440 millions de dollars en règlement partiel d'un recours collectif concernant l'exploitation du barrage de 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. & Favre, L. Technologies innovantes dans le secteur de l'eau, de l'assainissement et de l'hygiène (WASH) (OMPI, 2020) ; https://www.wipo.int/edocs/pubdocs/en/wipo_pub_gc_20_1.pdf

Fankhauser, K. et al. Estimation de l'utilisation et de la demande d'eau souterraine dans le Kenya aride grâce à l'assimilation de données satellitaires et de capteurs in situ avec l'apprentissage automatique en vue d'une action précoce contre la sécheresse. Sci. Environ. 831, 154453 (2022).

Article CAS PubMed Google Scholar

Bauer, P. et al. La révolution numérique de la science du système terrestre. Nat. Calcul. Sci. 1, 104–113 (2021).

Article Google Scholar

Irrgang, C. et al. Vers la modélisation du système neuronal terrestre en intégrant l'intelligence artificielle dans la science du système terrestre. Nat. Mach. Renseignement. 3, 667–674 (2021).

Article Google Scholar

Hess, P., Drüke, M., Petri, S., Strnad, FM et Boers, N. Réseaux antagonistes génératifs physiquement contraints pour améliorer les champs de précipitations à partir des modèles du système terrestre. Nat. Mach. Renseignement. 4, 828–839 (2022).

Article Google Scholar

Fecht, S. Utilisation de l'intelligence artificielle pour localiser les barrages à risque. Columbia Climate School News https://news.climate.columbia.edu/2018/08/23/artificial-intelligence-find-risky-dams/ (2018).

van Vliet, MTH et al. Pénurie mondiale d'eau, y compris la qualité des eaux de surface et l'expansion des technologies de l'eau propre. Environ. Rés. Lett. 16, 24020 (2021).

Article Google Scholar

Hosseiny, H., Nazari, F., Smith, V. & Nataraj, C. Un cadre pour la modélisation de la profondeur d'inondation à l'aide d'un hybride d'hydraulique et d'apprentissage automatique. Sci. Rep. 10, 8222 (2020).

Article CAS PubMed PubMed Central Google Scholar

Perera, D., Smakhtin, V., Williams, S., North, T. & Curry, A. Infrastructure vieillissante de stockage de l'eau : un risque mondial émergent (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. Découverte de matériaux de membranes sélectives d'ions à l'aide de l'intelligence artificielle. Commun. Chim. 5, 132 (2022).

Article PubMed PubMed Central Google Scholar

Seo, DH et al. Membranes antisalissures à base de graphène pour un dessalement efficace de l'eau. Nat. Commun. 9, 683 (2018).

Article PubMed PubMed Central Google Scholar

Kim, H. et al. Dispositif de collecte d'eau atmosphérique basé sur l'adsorption pour les climats arides. Nat. Commun. 9, 1191 (2018).

Article PubMed PubMed Central Google Scholar

Pham Vu Hong, S. & Nguyen Thanh, V. Application d'un algorithme d'intelligence artificielle pour optimiser la conception d'un système de distribution d'eau. Int. J. Constr. Gérer. https://doi.org/10.1080/15623599.2022.2101593 (2022).

Tzachor, A., Sabri, S., Richards, CE, Acuto, M. & Rajabifard, A. Potentiel et limites des jumeaux numériques pour atteindre les objectifs de développement durable. Nat. Soutenir. 5, 822–829 (2022).

Wong, THF, Rogers, BC & Brown, RR Transformer les villes grâce à des principes et pratiques sensibles à l'eau. Une Terre 3, 436–447 (2020).

Article Google Scholar

Li, L., Rong, S., Wang, R. et Yu, S. Progrès récents de l'intelligence artificielle et de l'apprentissage automatique pour l'analyse des relations non linéaires et le contrôle des processus dans le traitement de l'eau potable : un examen. Chim. Ing. J. 405, 126673 (2021).

Article CAS Google Scholar

Nguyen, XC et al. dans Current Developments in Biotechnology and Bioengineering: Advances in Biological Wastewater Treatment Systems (eds Bui, X.-T. et al.) 587–608 (Elsevier, 2022).

Sakiewicz, P., Piotrowski, K., Ober, J. & Karwot, J. Approche innovante de réseaux de neurones artificiels pour la modélisation intégrée du système de traitement des eaux usées et du biogaz : effet des paramètres de fonctionnement de l'usine sur l'intensification des procédés. Renouveler. Soutenir. Énergie Rev. 124, 109784 (2020).

Article CAS Google Scholar

Rani, A., Snyder, SW, Kim, H., Lei, Z. & Pan, S.-Y. Voies vers un secteur de l'eau à zéro carbone grâce aux technologies d'extraction d'énergie des eaux usées. npj Clean Water 5, 49 (2022).

Article CAS Google Scholar

Comment l'IA fait passer les systèmes SCADA au niveau supérieur. Veolia https://blog.veolianorthamerica.com/how-ai-taking-scada-systems-to-next-level (2022).

Augmenter l'efficacité de la pompe à eau grâce à l'intelligence artificielle. 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. Une approche basée sur l'apprentissage pour le contrôle prédictif basé sur les données des réseaux combinés d'eaux usées - une étude expérimentale. Eau Rés. 221, 118782 (2022).

Article CAS PubMed Google Scholar

L'apprentissage automatique peut aider à protéger l'eau urbaine. Voici comment. Forum économique mondial https://www.weforum.org/agenda/2022/04/how-to-prevent-urban-water-stress-through-machine-learning/ (2022).

Vanijjirattikhan, R. et al. Détection acoustique des fuites basée sur l'IA dans les systèmes de distribution d'eau. Résultats Ing. 15, 100557 (2022).

Article Google Scholar

Dawood, T., Elwakil, E., Novoa, HM & Delgado, JFG Intelligence artificielle pour la modélisation des mécanismes de détérioration des conduites d'eau. Autom. Constr. 120, 103398 (2020).

Article Google Scholar

Zhou, B., Lau, V. et Wang, X. Identification des événements de fuite basée sur l'apprentissage automatique pour les systèmes d'approvisionnement en eau intelligents. IEEE Internet Things J. 7, 2277–2292 (2020).

Article Google Scholar

Fu, G., Jin, Y., Sun, S., Yuan, Z. & Butler, D. Le rôle de l'apprentissage en profondeur dans la gestion de l'eau urbaine : un examen critique. Eau Rés. 223, 118973 (2022).

Article CAS PubMed Google Scholar

Exploiter la quatrième révolution industrielle pour l'eau (Forum économique mondial, 2018).

Stańczyk, J., Kajewska-Szkudlarek, J., Lipiński, P. & Rychlikowski, P. Améliorer la prévision de la demande en eau à court terme à l'aide d'algorithmes évolutifs. sci. représentant 12, 13522 (2022).

Article PubMed PubMed Central Google Scholar

Organisation pour l'alimentation et l'agriculture. Prélèvements annuels d'eau douce, agriculture (% du prélèvement total d'eau douce). Données de la Banque mondiale https://data.worldbank.org/indicator/ER.H2O.FWAG.ZS (2018).

Tzachor, A., Richards, CE et Jeen, S. Transformer les systèmes de production agroalimentaire et les chaînes d'approvisionnement avec des jumeaux numériques. npj Sci. Nourriture 6, 47 (2022).

Article PubMed PubMed Central Google Scholar

Dehghanisanij, H., Emami, H., Emami, S. & Rezaverdinejad, V. Une approche hybride d'apprentissage automatique pour estimer l'efficacité et le rendement de l'utilisation de l'eau dans l'agriculture. Sci. Rep. 12, 6728 (2022).

Article CAS PubMed PubMed Central Google Scholar

Bauer, A. et al. Combiner la vision par ordinateur et l'apprentissage en profondeur pour permettre le phénotypage aérien à ultra-échelle et l'agriculture de précision : une étude de cas sur la production de laitue. Hortique. Rés. 6, 70 (2019).

Article PubMed PubMed Central Google Scholar

García, L., Rodríguez, JD, Wijnen, M. & Pakulski, I. Observation de la Terre pour la gestion des ressources en eau : utilisation actuelle et opportunités futures pour le secteur de l'eau (Banque mondiale, 2016).

Cominola, A. et al. La conservation de l'eau à long terme est favorisée par la rétroaction basée sur les compteurs intelligents et l'engagement des utilisateurs numériques. npj Clean Water 4, 29 (2021).

Article Google Scholar

Exploiter l'intelligence artificielle pour la Terre (Forum économique mondial, 2018).

Bedell, E., Harmon, O., Fankhauser, K., Shivers, Z. & Thomas, E. Un capteur de fluorescence continu, in situ et proche du temps couplé à un modèle d'apprentissage automatique pour la détection du risque de contamination fécale dans l'eau potable : conception, caractérisation et validation sur le terrain. Eau Rés. 220, 118644 (2022).

Article CAS PubMed Google Scholar

Andres, L., Boateng, K., Borja-Vega, C. & Thomas, E. Un examen des technologies de détection in situ et à distance pour surveiller les interventions en matière d'eau et d'assainissement. Eau https://doi.org/10.3390/w10060756 (2018).

Swan, A., Cooper, N., Gamble, W. & Pritchard, M. Utiliser des pompes intelligentes pour aider à fournir un accès universel à une eau potable sûre et abordable. Proc. Inst. Civ. Ing. Ing. Soutenir. 171, 277-285 (2017).

Google Scholar

Aiken, E., Bellue, S., Karlan, D., Udry, C. & Blumenstock, JE L'apprentissage automatique et les données téléphoniques peuvent améliorer le ciblage de l'aide humanitaire. Nature 603, 864–870 (2022).

Article CAS PubMed PubMed Central Google Scholar

Pandey, R. et al. Une application d'apprentissage automatique pour sensibiliser le public à WASH à l'époque de la pandémie de COVID-19. Sci. Rep. 12, 810 (2022).

Article CAS PubMed PubMed Central Google Scholar

De Santi, M. et al. Modélisation du chlore résiduel au point de consommation dans les interventions humanitaires : un apprentissage sensible aux coûts peut-il améliorer les prévisions probabilistes ? PLoS Water 1, e0000040 (2022).

Article Google Scholar

Progress on Household Drinking Water, Sanitation and Hygiene 2000–2020: Five Years Into the SDGs (Organisation mondiale de la Santé et Fonds des Nations Unies pour l'enfance, 2021).

Guénat, S. et al. Atteindre les objectifs de développement durable via la robotique et les systèmes autonomes. Nat. Commun. 13, 3559 (2022).

Article CAS PubMed PubMed Central Google Scholar

La lenteur de l'innovation continue de frustrer la chaîne d'approvisionnement. British Water https://www.britishwater.co.uk/news/602860/Slow-pace-of-innovation-continues-to-frustrate-supply-chain-.htm (2022).

Sans littératie universelle en IA, l'IA nous fera défaut. Forum économique mondial https://www.weforum.org/agenda/2022/03/without-universal-ai-literacy-ai-will-fail-us/ (2022).

Brundage, M. et al. L'utilisation malveillante de l'intelligence artificielle : prévision, prévention et atténuation. Apollon https://doi.org/10.17863/CAM.22520 (2018)

Tzachor, A., Devare, M., King, B., Avin, S. & Ó hÉigeartaigh, S. L'intelligence artificielle responsable en agriculture nécessite une compréhension systémique des risques et des externalités. Nat. Mach. Renseignement. 4, 104-109 (2022).

Article Google Scholar

Amodei, D. et al. Problèmes concrets de sécurité de l'IA. Préimpression sur https://doi.org/10.48550/arXiv.1606.06565 (2016).

Trávníček, P., Junga, P., Kotek, L. & Vítěz, T. Analyse des accidents dans les stations d'épuration municipales en Europe. J. Perte Préc. Ind. de processus 74, 104634 (2022).

Article Google Scholar

Doorn, N. L'intelligence artificielle dans le domaine de l'eau : opportunités pour une utilisation responsable. Sci. Environ. 755, 142561 (2021).

Article CAS PubMed Google Scholar

Rulli , MC , Saviori , A. & D'Odorico , P. Accaparement mondial des terres et de l'eau. Proc. Natl Acad. Sci. États-Unis 110, 892–897 (2013).

Article CAS PubMed PubMed Central Google Scholar

Gallagher, R. Le fournisseur d'eau britannique touché par une cyberattaque "extrêmement préoccupante". 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. Faire confiance à l'intelligence artificielle dans la cybersécurité est une arme à double tranchant. Nat. Mach. Renseignement. 1, 557–560 (2019).

Article Google Scholar

Milne, S. Comment les pénuries d'eau préparent des guerres. BBC Future https://www.bbc.com/future/article/20210816-how-water-shortages-are-brewing-wars (2021).

Omerspahic, M., Al-Jabri, H., Siddiqui, SA & Saadaoui, I. Caractéristiques de la saumure de dessalement et ses impacts sur la chimie et la santé marines, en mettant l'accent sur le golfe Persique/arabe : une revue. Devant. Mars Sci. https://doi.org/10.3389/fmars.2022.845113 (2022).

Zaidi, SMA et al. Apprentissage automatique pour le lien énergie-eau : défis et opportunités. Big Earth Data 2, 228–267 (2018).

Article Google Scholar

Patterson, DA et al. Formation sur les émissions de carbone et les grands réseaux de neurones. Préimpression sur https://arxiv.org/abs/2104.10350 (2021).

Kaack, LH et al. Aligner l'intelligence artificielle sur l'atténuation du changement climatique. Nat. Clim. Modification 12, 518–527 (2022).

Article Google Scholar

Alonso, C., Kothari, S. & Rehman, S. How Artificial Intelligence Could Widen the Gap between Rich and Poor Nations (Fonds monétaire international, 2020).

Sarni, W., White, C., Webb, R., Cross, K. & 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. Intelligence artificielle explicable (XAI) : concepts, taxonomies, opportunités et défis vers une IA responsable. Inf. Fusion 58, 82-115 (2020).

Article Google Scholar

Gunning, D. et al. XAI—intelligence artificielle explicable. Sci. Robot. 4, eaay7120 (2019).

Article PubMed Google Scholar

Lignes directrices éthiques pour une IA digne de confiance. Commission européenne https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai (2023).

Avin, S. et al. Combler les lacunes dans le développement fiable de l'IA. Sciences 374, 1327-1329 (2021).

Article CAS PubMed Google Scholar

Brundage, M. et al. Vers un développement fiable de l'IA : Mécanismes de prise en charge des allégations vérifiables (2020).

Gouvernance de l'IA : une approche holistique pour mettre en œuvre l'éthique dans l'IA (Forum économique mondial, 2019).

Davenport, TH & Ronanki, R. L'intelligence artificielle pour le monde réel : ne commencez pas par des clichés lunaires. Harvard Business Review https://www.hbsp.harvard.edu/product/R1801H-PDF-ENG (2018).

Martineau, P. Toronto a exploité l'intelligence artificielle pour avertir les nageurs. L'expérience a échoué. L'information https://www.theinformation.com/articles/when-artificial-intelligence-isnt-smarter (2022).

Télécharger les références

Cet article a été rendu possible grâce au soutien d'une subvention de la Templeton World Charity Foundation. Les opinions exprimées dans cette publication sont celles des auteurs et ne reflètent pas nécessairement les vues de Templeton World Charity Foundation. Nous remercions K. Atanasova pour son aide à la production des Figs. 1 et 2.

Centre pour l'étude du risque existentiel, Université de Cambridge, Cambridge, Royaume-Uni

Catherine E. Richards, Asaf Tzachor et Shahar Avin

Département d'ingénierie, Université de Cambridge, Cambridge, Royaume-Uni

Catherine E. Richards et Richard Fenner

École de durabilité, Université Reichman (IDC Herzliya), Herzliya, Israël

Asaf Tzachor

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

CER, AT, SA et RF ont développé et contribué conjointement à la rédaction de ce document.

Correspondance à Catherine E. Richards ou Asaf Tzachor.

Les auteurs ne déclarent aucun intérêt concurrent.

Nature Water remercie Evan Thomas, Guangtao Fu et les autres évaluateurs anonymes pour leur contribution à l'évaluation par les pairs de ce travail.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Springer Nature ou son concédant (par exemple une société ou un autre partenaire) détient les droits exclusifs sur cet article en vertu d'un accord de publication avec le ou les auteurs ou autre(s) titulaire(s) des droits ; l'auto-archivage par l'auteur de la version manuscrite acceptée de cet article est uniquement régi par les termes de cet accord de publication et la loi applicable.

Réimpressions et autorisations

Richards, CE, Tzachor, A., Avin, S. et al. Avantages, risques et déploiement responsable de l'intelligence artificielle dans les systèmes d'eau. Nat Water 1, 422–432 (2023). https://doi.org/10.1038/s44221-023-00069-6

Télécharger la citation

Reçu : 11 novembre 2022

Accepté : 13 mars 2023

Publié: 11 mai 2023

Date d'émission : Mai 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt