Nachricht

Jun 27, 2023

Chancen, Risiken und verantwortungsvoller Einsatz künstlicher Intelligenz in Wassersystemen

Nature Water Band 1, Seiten

Nature Water Band 1, Seiten 422–432 (2023)Diesen Artikel zitieren

2468 Zugriffe

29 Altmetrisch

Details zu den Metriken

Künstliche Intelligenz (KI) wird zunehmend vorgeschlagen, um Mängel in Wassersystemen zu beheben, die derzeit dazu führen, dass etwa 25 % der Weltbevölkerung kein sauberes Wasser, etwa 50 % keine sanitären Einrichtungen und etwa 30 % keine Hygieneeinrichtungen haben. KI ist bereit, Einblicke in die Versorgung, das Einzugsgebietsmanagement und die Notfallreaktion zu verbessern, das Design, den Betrieb und die Wartung von Aufbereitungsanlagen und Verteilungsnetzen zu verbessern sowie die Serviceverfügbarkeit, das Nachfragemanagement und die Wassergerechtigkeit zu verbessern. Die Verbreitung dieser aufkommenden Technologie könnte jedoch schwerwiegende und unerwartete Probleme auslösen, einschließlich systemweiter Kompromittierungen aufgrund von Konstruktionsfehlern, Fehlfunktionen und Cyberangriffen sowie der Gefährdung durch kaskadierende sozioökologische, Wasser-Energie-Nahrungs-Nexus-Verknüpfungen und damit verbundene Ausfälle kritischer Infrastrukturen. Als Reaktion darauf geben wir drei Empfehlungen für den sicheren und verantwortungsvollen Einsatz von KI in Trinkwasserversorgungs- und Abwasserentsorgungssystemen: Behebung von Lücken in der grundlegenden Infrastruktur und der digitalen Kompetenz; Einrichtung institutioneller Software- und Hardwaremechanismen für vertrauenswürdige KI; und priorisieren Sie Anwendungen auf der Grundlage unseres vorgeschlagenen systematischen Nutzen- und Risikobewertungsrahmens.

Frühe wissenschaftliche Entwicklungen bei Trinkwasserversorgungs- und Abwasserentsorgungssystemen (im Folgenden als „Wassersysteme“ bezeichnet) ermöglichten es antiken Gesellschaften, sich über ihre Ursprünge am Flussufer hinaus in städtische Metropolen zu verwandeln und Widerstandsfähigkeit gegen Wetterstörungen, einschließlich Nässe- und Trockenperioden, aufzubauen1. Beispielsweise bauten die Nazcaner unterirdische Aquädukte, um Trinkwasser über weite Strecken zu transportieren und gleichzeitig Verdunstungsverluste zu verringern2, und die Indus-Tal-Zivilisation baute gemauerte Abwasserkanäle, um Bäder und Latrinen in isolierte Einweichgruben zu entleeren, um die Belastung der Menschen durch Abwasser zu verringern3.

Während technische Meisterleistungen vielfältige Vorteile gebracht haben, haben einige Fälle technologischer Innovation zu „Fortschrittsfallen“ geführt: Ereignisse, bei denen der menschliche Einfallsreichtum zur Lösung eines bestimmten Problems unbeabsichtigt unerwartete Probleme zum Ausdruck bringt, die die Fähigkeit der Gesellschaft – und der Technologie –, sie dann zu lösen, übersteigen4. Beispielsweise waren die Bleileitungen des antiken Roms ein Wunderwerk der Ingenieurskunst und verbanden die große Bevölkerung des antiken Roms mit zuverlässigen Wasser- und Abwassernetzen. Ihre Abflüsse wurden jedoch auch mit der Verunreinigung des Hafenwassers mit Blei in Verbindung gebracht, was möglicherweise zu einer Vergiftung von Meereslebewesen und Menschen führte5.

In jüngerer Zeit hat die künstliche Bewässerung in der Landwirtschaft zu einer Erschöpfung der Grundwasserleiter6 und zu einer Versalzung7 geführt. Die Abwasserbehandlung hat unbeabsichtigt zur globalen Erwärmung, Toxizität und Versauerung beigetragen8. Die Entsalzung von Meerwasser hat zu Luft-, Meeres- und Landverschmutzung geführt9. Innovationen in angrenzenden Sektoren, die kurzfristige Vorteile bringen, haben längerfristige Probleme für die Wasserressourcen geschaffen, wie zum Beispiel Wasserkraftwerke zur Energieerzeugung, die aquatische Ökosysteme, die biogeochemische Dynamik und die Wasserqualität beeinträchtigen10. Trotz erfolgreicher und wesentlicher Innovationen in allen Wassersystemen hat uns unser Drang nach technologiebasierter Problemlösung oft in chronische Fortschrittsfallen gefangen.

Heute haben etwa 25 % der Weltbevölkerung keinen Zugang zu sauberem Wasser, 50 % haben keinen Zugang zu sanitären Einrichtungen und 30 % haben keinen Zugang zu Hygieneeinrichtungen11. Der vom Menschen verursachte Klimawandel droht diese Probleme zu verschärfen, da höhere Temperaturen weltweit zu Wasserknappheit führen und extreme Ereignisse wie Stürme, Überschwemmungen und Dürren die Infrastruktur der Wassersysteme in entwickelten Ländern schädigen und die Bemühungen in den Bereichen Wasser, Sanitärversorgung und Hygiene (WASH) in Entwicklungsländern untergraben12.

Vor diesem Hintergrund ist künstliche Intelligenz (KI) und ihre Unterteilung des maschinellen Lernens (ML) der neueste technologische Eingriff, der vorgeschlagen wird, um Probleme in Wassersystemen zu lösen, indem Klimaresilienz aufgebaut, die Leistung der Infrastruktur verbessert und in begrenzten Fällen WASH-Bemühungen unterstützt werden . Die zunehmende Anwendung von KI kann jedoch zu schwerwiegenden und unerwarteten Problemen führen, die unterschätzt werden und verantwortungsvoll und präventiv angegangen werden müssen, um zu vermeiden, dass die Bemühungen zur Erreichung des Ziels 6 für nachhaltige Entwicklung unbeabsichtigt untergraben werden.

In dieser Perspektive bieten wir eine ausgewogene Betrachtung der KI in Wassersystemen. Wir untersuchen potenzielle systemweite Vorteile von KI-Anwendungen vom Einzugsgebiet bis zum Endbenutzer. Anschließend beleuchten wir potenzielle systemische Hindernisse, direkte Risiken und die Gefahr kaskadierender Ausfälle, die sich für Gemeinden als katastrophal erweisen können. Abschließend schlagen wir einen dreistufigen Ansatz zur Risikominderung vor, der notwendig ist, um zu verhindern, dass die Verbreitung dieser derzeit im Entstehen begriffenen Technologie das Phänomen der Fortschrittsfalle fortsetzt.

Hier definieren wir KI als einen maschinenbasierten „intelligenten Agenten“, der in der Lage ist, mithilfe von Sensoren mit seiner Umgebung zu interagieren, Informationen für die Entscheidungsfindung zu interpretieren und autonom Maßnahmen zu ergreifen, um über einen menschlichen oder robotischen Aktuator zielorientierte Ergebnisse zu erzielen, während ML bezieht sich auf die Teilmenge algorithmischer Modelle, die durch passive Beobachtung der Umgebung lernen und Ergebnisse vorhersagen13.

Angesichts des derzeitigen Mangels an großflächigem Einsatz in der „realen Welt“ beleuchten wir die mutmaßlichen Vorteile von KI-Anwendungen auf drei Ebenen, die Wassersysteme durchgängig abdecken: (1) Wasserversorgung (Einzugsgebietsebene), einschließlich verbesserter Einblicke in die Versorgung, Einzugsgebietsmanagement und Notfallmaßnahmen; (2) Wasserverteilung und -entsorgung (Netzwerkebene), einschließlich effizienter Aufbereitung und Entwurf, Betrieb und Wartung der Netzwerkinfrastruktur; und (3) Wassernachfrage (Endverbraucherebene), einschließlich verbesserter Serviceverfügbarkeit, Nachfragemanagement und Wassergerechtigkeit (Abb. 1).

KI hat das Potenzial, systemweite Vorteile zu erzielen, die von verbesserten Einblicken in das Einzugsgebiet über optimierte Netzwerkeffizienz bis hin zu verbessertem Service für Endbenutzer reichen.

Über die unten aufgeführten komponentenspezifischen Anwendungen hinaus kann fortschrittliche KI möglicherweise auch zur Simulation, Information und Optimierung der Betriebsrichtlinien für gesamte Wassersysteme im Einklang mit den Grundsätzen des integrierten Wasserressourcenmanagements eingesetzt werden14.

Über 10 % der Menschen weltweit sind einem hohen und kritischen Wasserstress ausgesetzt, und der Klimawandel wird diese Belastung voraussichtlich sowohl in städtischen als auch in ländlichen Gebieten verschlimmern15. Daher ist eine vollständige, hochauflösende und zuverlässige Analyse der natürlichen Wasserressourcen, Wasserkreisläufe und anthropogenen Störungen der Erde für die Überwachung und Steuerung der Wasserversorgung unerlässlich16.

ML-Modelle können große Datensätze wie interferometrische Radarbilder mit synthetischer Apertur verarbeiten und fehlende Daten (re-)konstruieren17, um präzise quantitative Schätzungen des historischen Standorts und der Persistenz von Süßwasser, einschließlich Entnahme und Wiederauffüllung, zu liefern, was die forensische Identifizierung von Ursachen für Wasserstress und -knappheit unterstützt18 . Komplementäre Algorithmen, die Satelliten-, Drohnen-, terrestrische und Reservoirdaten analysieren, können die Echtzeitbeobachtung, die Erkennung von Anomalien und schnelle kurzfristige Vorhersagen des Wasserkreislaufs und der Wettermuster unterstützen19. Dazu gehören Mengenparameter wie Evapotranspiration20, Kondensation, Niederschlag21, Infiltration, Oberflächenabfluss, Strömung22, Untergrundströmung und Bodenfeuchtigkeit23 sowie Qualitätsfaktoren wie Nährstoffe wie Phosphor und Stickstoff24 und Mineralien wie Fluorid25.

Solche KI-Anwendungen können zur Optimierung von Grundwasserabsenkungsplänen verwendet werden, um den Grundwasserspiegel innerhalb nachhaltiger Grenzen zu halten26, und von Dammfüllplänen, um Schäden an aquatischen Ökosystemen im Zusammenhang mit flussauf- und stromabwärts gelegenen hydrologischen Veränderungen zu minimieren27. Diese ermöglichen die automatisierte Erkennung von Gefahren für die öffentliche Gesundheit, einschließlich Schadstofffahnen, durch Wasser übertragene Krankheitserreger wie Protozoen (z. B. Giardien), Bakterien (z. B. Ruhr), Viren und parasitäre Würmer28 sowie Eutrophierung und schädliche Algenblüten29. Ebenso können sie dazu beitragen, illegale und schädliche unbeabsichtigte Aktivitäten aufzudecken, beispielsweise das Abladen oder Einleiten gefährlicher Chemikalien in Stauseen oder Freizeitgewässer30.

Bei der Notfallprävention, -vorsorge und -reaktion kann KI durch die Integration von Echtzeit-Niederschlagsdaten mit Frühwarnsystemen und Kontrolltechnologien die Zuflüsse von Stauseen überwachen und mit der Telemetrie des Staudamms kommunizieren, um sichere Entlastungen aus Überläufen zu steuern31. Solche Technologien können in das menschliche Missmanagement von Staudämmen eingreifen und Ereignisse wie die Überschwemmung in Brisbane im Jahr 2011 mildern, die zu Schäden von über 2 Milliarden AU$ führte32. Unterdessen könnten intelligente „Regenwolken-zu-Regenwasser“-Überwachungssysteme, die Fernerkundung und Beobachtungen der Bevölkerung nutzen, die Reaktion auf Überschwemmungskatastrophen verbessern33. Intelligentes Grundwassermanagement unter Nutzung von Bohrlochsensoren, Satellitendaten und ML kann auch die Widerstandsfähigkeit durch Frühwarnmaßnahmen in dürregefährdeten Regionen wie Kenia verbessern34.

Das Streben nach einem integrierten Einzugsgebietsmanagement erfordert ein Verständnis der Dynamik des Wasserkreislaufs in Erdsystemmodellen (ESMs), um kurzfristige Wetter- und langfristige Klimaschwankungen sowie die damit verbundenen Einflüsse auf Dürre, Wüstenbildung, Sturmflut sowie Prävalenz und Intensität der Wasserunsicherheit vorherzusagen35. Auch wenn neuronale ESMs36 noch in den Kinderschuhen stecken, können sie das Verständnis der zugrunde liegenden Physik verbessern, verborgene Parameter aufdecken und Simulationsmöglichkeiten erweitern37.

Auf der Grundlage solcher Prognosen könnten Optimierungsalgorithmen eine nachhaltige, langfristige Wassereinzugsgebiets- und Infrastrukturplanung unterstützen. Beispielsweise könnten KI-gestützte ESM-Ergebnisse gepaart mit geografischen Informationssystemen Klimarisiken für Staudämme und stromabwärts gelegene Schäden im Zusammenhang mit Staudammversagen effizient untersuchen38. Es kann den Ausbau künstlicher Wasserquellen wie Entsalzung oder recyceltes Wasser39 beeinflussen, wenn Wasserknappheit vorhergesagt wird. Darüber hinaus können KI-gestützte hydraulische Modelle, die Wasserströmungswege und -geschwindigkeiten in Einzugsgebieten, Überschwemmungsflächen und Gezeitenpegel charakterisieren, die Flusstechnik, Wehr- und Mauerverbesserungen von Staudämmen sowie die Implementierung von Sturmflutsperren verbessern40.

Angesichts der wachsenden Anforderungen der Bevölkerung an Wassersysteme kann KI die Entwicklung neuer Trinkwasser-, Regenwasser- und Abwasserinfrastrukturen unterstützen, die durch technische Innovationen33 sowie ein effektives Management alternder kritischer Anlagen41 geprägt sind.

Zielgerichtete KI-Systeme, gepaart mit virtuellen Testumgebungen, können das Prototyping und Testen nachhaltigerer Materialien42 beschleunigen, wie etwa graphenbasierte Nanomaterialmembranen für die Entsalzung43 oder metallorganische Gerüste für die Wassergewinnung in der Wüste44.

Optimierungsalgorithmen könnten implementiert werden, um die Zuverlässigkeit, Langlebigkeit und Kostenminimierung zu verbessern – was für öffentliche Versorgungsunternehmen von entscheidender Bedeutung ist – bei der Planung, dem Bau und der Modernisierung von Aufbereitungs- und Verteilungsanlagen45. KI-gestützte digitale Zwillinge von Städten46 können auch dazu beitragen, wasserempfindliche Stadtdesigns47 schnell zu skalieren, einschließlich der priorisierten Platzierung von Bioretentionssystemen, Pufferstreifen und Mulden, Versickerungsgräben, porösem Pflaster, Sedimentationsrückhaltung, künstlichen Feuchtgebieten, Regenwassernutzungssystemen und Grundwasserleiterspeicherung und Wiederherstellungssysteme.

Gemeinsam können KI, Geräte für das Internet der Dinge und Robotik die betriebliche Effizienz in Wasser- und Abwasseranlagen verbessern. Beispielsweise könnten Koagulations-, Flockungs-, Sedimentations-, Filtrations- (z. B. Umkehrosmose) und Desinfektionsprozesse (z. B. Chlorierung) in Wasseraufbereitungsanlagen durch die Nutzung von Sensordaten zum Mikroben- und Schadstoffgehalt intelligent auf die Einhaltung der Trinkwasserstandards abgestimmt werden der Zu- und Abflüsse zu einem bestimmten Zeitpunkt48.

Ebenso könnte die Leistung von Abwasseraufbereitungsanlagen durch selbstanpassende Einheitsprozesse verbessert werden, einschließlich Vorsiebung und Sandentfernung, primäre Phasentrennung (z. B. Klärung), sekundäre (z. B. Festfilm) und tertiäre Behandlung (z. B , Aktivkohle) und Desinfektion (z. B. ultraviolettes Licht), basierend auf dem aktuellen organischen und anorganischen Gehalt der Abwasserzuflüsse und den Abwasserableitungsanforderungen49. Darüber hinaus können intelligente anaerobe Fermenter die Biogas- und Stromproduktion aus Nebenproduktschlamm steigern50, während eine intelligente Klassifizierung und Sortierung die Wirksamkeit und Sicherheit von Biofeststoffen für die Wiederverwendung in der Landwirtschaft maximieren könnte51.

Intelligente Verteilungssysteme bieten auch Vorteile gegenüber herkömmlichen Überwachungskontroll- und Datenerfassungssystemen52. ML-Modelle, die Echtzeitdaten von Netzwerksensoren nutzen, könnten den Strömungsdruck und die Strömungsgeschwindigkeit messen, überwachen und optimieren, um die Energieeffizienz und die Betriebskosten zu verbessern, indem sie Wasserpumpstationen ohne menschliche Aufsicht autonom steuern und konfigurieren53. Fortgeschrittene Rechensysteme können dazu beitragen, schädliche Abwasserüberläufe bei Regenwetterereignissen zu verhindern, indem sie die Speichernutzung in Abwasserpumpstationen, Rohren und Schächten optimieren und die Reinigungsteams schneller alarmieren, wenn es zu ungeplanten Einleitungen kommt54.

Intelligente Technologien können routinemäßige Wartungsaktivitäten verändern und Ausfallzeiten reduzieren. Netzlecks führen in Entwicklungsländern zum Verlust von 45 Milliarden Litern Trinkwasser pro Tag, was der Versorgung von 180 Millionen Menschen mit Wasser entspricht, und große Pipeline-Lecks können Hochspannungskabel kurzschließen, was eine tödliche Gefahr für die Menschen darstellt55. Prädiktive Analysen, unterstützt durch Sensoren und Cloud Computing, können Anomalien erkennen, Standorte lokalisieren und den Schweregrad von Lecks priorisieren, um Isolierungen und Reparaturen in Echtzeit zu beschleunigen -fähige Anwendungen zur Leckerkennung. ML-Modelle gepaart mit herkömmlichen CCTV-Daten, die zur Bildklassifizierung, Objektidentifizierung und semantischen Segmentierung verwendet werden, können in ähnlicher Weise implementiert werden, um Defekte und Blockaden im Abwassernetz vorherzusagen, zu diagnostizieren und zu beheben59.

Darüber hinaus könnte KI die Lebensdauer von Anlagen verlängern und die Investitionsausgaben optimieren, indem sie Wartungsvorgänge automatisiert, beispielsweise die Reinigung von Ultrafiltrationsmembranen in Aufbereitungsanlagen, und vorausschauende Modernisierungspläne auf der Grundlage historischer und Echtzeitbewertungen des Anlagenzustands erstellt60.

Auf kommunaler Ebene könnte rechnergestützte Intelligenz zu einem nachhaltigeren, widerstandsfähigeren und gerechteren Zugang zu Wassersystemen beitragen. Beispielsweise kann die KI-basierte Analyse historischer, intelligenter Messgeräte, Satellitenbilder und Wasserverbrauchsprognosedaten das Management über widersprüchliche sektorale und grenzüberschreitende Anforderungen mit präzisen Zuteilungen informieren und die Einhaltung der Entnahmevorschriften überwachen61.

Der Agrarsektor ist für 70 % der jährlichen Süßwasserentnahmen verantwortlich, von denen 60 % (d. h. 42 % der weltweiten Gesamtmenge) verschwendet werden62. Gezielte KI-Anwendungen könnten helfen, diesen unnötigen Verbrauch zu reduzieren. KI kann schnelle Experimente in „virtuellen Farmen“ ermöglichen, um minimale Bewässerungsmengen und -pläne zu bestimmen, um die Ernteerträge unter verschiedenen Bedingungen zu maximieren63. Solche Programme, die zusammen mit digitalen Zwillingen und Robotertechnologien umgesetzt werden, könnten Präzisionslandwirtschaft mit intelligenten Bewässerungssystemen ermöglichen64. Die autonome Verarbeitung von hyperspektralen Satelliten- oder Drohnenbildern, ermöglicht durch Computer Vision und ML-Algorithmen65, kann detaillierte Karten der Bodenfeuchtigkeit und des Erntezustands liefern, die Wasserbehörden nutzen könnten, um Bewässerungsdefizite oder -überschüsse zu überwachen und die Versorgungszuweisungen entsprechend anzupassen66.

Auf Haushaltsebene können intelligente wassersparende Geräte wie intelligente Toiletten, Wasserhähne und Sprinkler den Wasserverbrauch im Haushalt senken, während intelligente Zähler in Verbindung mit vorausschauender Nachfrage- und Preisanalyse Anreize bieten könnten, Verhaltensänderungen in Richtung Wassersparen voranzutreiben67. Darüber hinaus kann KI sichere, dezentrale Trinkwasser-, Regenwasser- und Abwassersysteme steuern, beispielsweise automatisierte Regenwassertanks, häusliches Wasserrecycling und heimische Biodigester68. Haushaltseinheiten, die Echtzeit-Fluoreszenzsensoren in Verbindung mit ML umfassen, können die fäkale Kontamination des Trinkwassers im Einklang mit den Risikostufen der Weltgesundheitsorganisation genau vorhersagen und eingreifen, um Krankheitsausbrüche zu verhindern, die sowohl in Ländern mit hohem als auch in Ländern mit niedrigem Einkommen häufig vorkommen69.

Während die meisten dieser Anwendungen auf einer etablierten Wassersysteminfrastruktur basieren, hat KI auch das Potenzial, die Wassergerechtigkeit zu verbessern. Neuronale ESMs und Optimierungsalgorithmen könnten internationale Entwicklungsagenturen und Regierungen dabei unterstützen, zu bestimmen, wo Investitionen in WASH-Bemühungen priorisiert werden sollten, um die dringendsten Probleme wirksam anzugehen und gleichzeitig die Klimaresilienz aufzubauen.

Intelligente Wassertechnologien, darunter netzunabhängige Einrichtungen wie solarbetriebene „Wasser-Geldautomaten“70 und tragbare Geräte wie „intelligente Handpumpen“71, könnten verteilt und aus der Ferne überwacht werden, um den sicheren Zugang zu Wasser, insbesondere für Frauen und Mädchen, zu verbessern . Die Verbreitung persönlicher Smartphones in Entwicklungsländern72 könnte auch eine Massenkommunikation über Trinkwasserverschmutzung oder Aufklärungsinformationen über Menstruations- und Hygienepraktiken ermöglichen, ähnlich wie während der COVID-19-Pandemie73. Tragbare KI-Systeme können darauf trainiert werden, die Trinkwasserqualität anhand des Gehalts an freiem Restchlor zu bewerten, um den Ausbruch wasserbedingter Krankheiten in humanitären Siedlungen zu verhindern74.

Wie sich im Laufe der Geschichte gezeigt hat, kann die Lösung technischer Probleme unbeabsichtigte Folgen nach sich ziehen, die sich als schwieriger erweisen können als das ursprüngliche Problem. Angesichts der potenziellen Verbreitung von KI in allen Wassersystemen, wie oben hervorgehoben, ist es wichtig, die Risikolandschaft zu verstehen. Zu diesem Zweck heben wir Probleme hervor, die potenziell vorteilhafte Anwendungen von KI in Wassersystemen untergraben könnten, darunter: Hindernisse im Zusammenhang mit Infrastruktur und Humankapital; direkte Risiken im Zusammenhang mit Designfehlern und böswilliger Nutzung; und indirekte Exposition gegenüber kaskadierenden Ausfällen (Abb. 2).

Infrastruktur- und Humankapitalhindernisse, direkte Risiken im Zusammenhang mit Konstruktionsfehlern und Missbrauch sowie indirekte Risiken im Zusammenhang mit kaskadierenden Systemausfällen können den potenziellen Nutzen von KI zunichte machen, wenn sie nicht verantwortungsvoll gemanagt wird.

KI ist nur so gut wie die Systeme, in die sie integriert ist, und die Menschen, die für ihre Entwicklung verantwortlich sind. Viele der oben beschriebenen potenziellen KI-Anwendungen erfordern eine etablierte Infrastruktur für Wassersysteme, eine unterstützende Infrastruktur für Informations- und Kommunikationstechnologie (IKT) und Fachwissen in diesem Bereich. In diesem Sinne heben wir im Folgenden mögliche Beispiele dafür hervor, wie Infrastruktur- und Humankapitalanforderungen technische und sozioökonomische Barrieren schaffen können, die den Einsatz von KI im Wassersektor einschränken und unbeabsichtigte Probleme im Zusammenhang mit dieser KI verursachen.

Der Mangel an grundlegender und sicher verwalteter Infrastruktur, einschließlich Dämmen, Kläranlagen, Rohren, Toiletten, Duschen und Wasserhähnen, wodurch derzeit jeder vierte Mensch kein sauberes Trinkwasser und zwei von vier Menschen keine angemessene Sanitärversorgung hat, wird die Leistungsfähigkeit der KI untergraben um diese Defizite in den Wassersystemen in Regionen mit niedrigem Einkommen zu beheben und so die am stärksten gefährdeten Bevölkerungsgruppen von den damit verbundenen Vorteilen auszuschließen75.

Selbst in entwickelten Ländern mit einer gut ausgebauten Wassersysteminfrastruktur können die Komplexität und die Kosten, die mit der Integration fortschrittlicher digitaler Technologien verbunden sind, die zur Unterstützung von KI-Anwendungen im gesamten Wassersektor erforderlich sind, die Machbarkeit des Einsatzes von KI kurzfristig einschränken76. Tatsächlich bezeichnet sich die Wasserindustrie aufgrund ihrer langen Projektlaufzeiten, Investitionsbeschränkungen und ihres konservativen Charakters mehr als andere Sektoren als langsam und mühsam, wenn es um Innovationen geht77.

Derzeit müssen KI-Anwendungen auf den spezifischen Kontext zugeschnitten werden, und für die Genauigkeit in den meisten Situationen ist eine weitere Algorithmenentwicklung erforderlich. Auch wenn es in der Literatur möglicherweise erfolgreiche reale Anwendungen in anderen Bereichen oder Demonstrationen wassersystemspezifischer Algorithmen gibt, ist es unwahrscheinlich, dass diese ohne weiteres auf Wassersysteme in der Praxis übertragbar sind.

Für den großflächigen Einsatz von KI ist Humankapital erforderlich, das sowohl über KI- als auch über Fachkenntnisse im Wassersektor verfügt. Daher können Defizite in der digitalen Kompetenz von Arbeitnehmern und Verbrauchern im Wassersektor sowie ein Mangel an Humankapital bei Nichtregierungsorganisationen (NGOs) im WASH-Kontext den Zugang zu den potenziellen Vorteilen von KI im Wassersektor weiter beeinträchtigen78.

Abgesehen davon, dass der Einsatz von KI im Wassersektor, insbesondere in Entwicklungsregionen, eingeschränkt wird, kann die ungleiche Verteilung dieser Hindernisse auch zu unerwarteten Problemen führen, da sich KI in digital leistungsfähigeren Zentren auf der ganzen Welt zu verbreiten beginnt. Beispielsweise könnten „digitale Kluften“ im Humankapital, bei denen hochqualifizierte Arbeitskräfte im Vorteil sind, während gering qualifizierte Arbeitskräfte benachteiligt werden, die globalen Ungleichheiten verstärken76.

Darüber hinaus könnte der Einsatz von KI dort, wo Hindernisse nur teilweise bestehen, aber noch nicht vollständig gelöst wurden, etwa dort, wo Fachleute im Wassersektor Fähigkeiten entwickeln, die ausreichen, um KI-Systeme zu implementieren, aber nicht ausreichen, um Fehler und Fehlfunktionen effektiv zu erkennen und zu beheben, potenzielle Vorteile zunichtemachen, indem sie zu Problemen führen schwerwiegende Folgen haben, wie unten beschrieben.

Technische Robustheit, Governance und Ethik der KI79, die zunehmend in anderen Sektoren wie der Landwirtschaft80 untersucht werden, erzeugen eine ausgeprägte Risikolandschaft im Kontext der Wassersysteme. Im Folgenden stellen wir mögliche Beispiele dafür vor, wie Fehler und Verzerrungen in Daten und algorithmischen Modellen, einschließlich Zielfehlausrichtung81, sowie eine erhöhte Anfälligkeit für Missbrauch durch böswillige Akteure dazu führen können, dass potenzielle Anwendungen von KI im Wassersektor erhebliche soziale, wirtschaftliche und ökologische Schäden verursachen können.

Auf der Einzugsgebietsebene erfordern KI-Anwendungen umfassende Kenntnisse über hochkomplexe Prozesse im Erdsystem, einschließlich des Wasserkreislaufs und des Klimawandels. Die Extraktion fehlerhafter hydrologischer Daten aus Satelliteneinspeisungen oder Wettervorhersagedaten aus einem neuronalen ESM durch ein unbeaufsichtigtes ML-Modell zur Optimierung der Wasserzuteilung in stark umkämpften Regionen könnte zu unerwarteten Engpässen bei der Wasserversorgung für den menschlichen Verbrauch führen. Ein KI-Algorithmus, der die Aufgabe hat, Schäden im Falle eines Dammbruchs zu minimieren, könnte unbeabsichtigt der Reduzierung wirtschaftlicher Verluste auf Kosten von Menschenleben Priorität einräumen, wenn er versehentlich so programmiert würde, dass er für falsche oder zu enge Zielbereiche optimiert81.

Auf Netzwerkebene könnten Fehler bei der Programmierung intelligenter Kläranlagenmodelle, beispielsweise bei der automatisierten Wartung biologischer Nachbehandlungseinheiten, zu einem Prozessabsturz führen, der zur Einleitung unbehandelten Abwassers nach unten oder zu Netzwerküberläufen vorgelagert führt82. Ein solches Ereignis könnte dazu führen, dass Menschen und Meereslebewesen unbehandelten Abwässern ausgesetzt werden und der Betreiber mit Bußgeldern für die Einleitung in die Umwelt rechnen muss. In der Zwischenzeit könnte eine zielorientierte KI zur Optimierung der Wartung von Wasserleitungen auf der Grundlage von Ausfallwahrscheinlichkeiten und Schadensvorhersagen unbeabsichtigt die Wassersicherheit von Bevölkerungsgruppen mit niedrigem Einkommen gefährden, indem sie der Infrastruktur in wohlhabenderen Gebieten Vorrang einräumt83.

Auf Endbenutzerebene könnten Fehler in Trainingsdatensätzen, ein Sensorfehler oder Fehler in der algorithmischen Verallgemeinerung eines ML-Modells, das recyceltes Wasser auf der Grundlage von Echtzeit-Qualitätsdaten verschiedenen Endverwendungen zuführt, zu einer Krise der öffentlichen Gesundheit führen, wenn es nicht trinkbar ist Wasser, oder schlimmer noch, Wasser, das mit Krankheitserregern kontaminiert ist, wird zum Verbrauch an Haushalte verteilt. KI-Tools, die Daten zum Wasserverbrauch von Haushalten sammeln, können Datenschutzbedenken hinsichtlich der Erstellung von Nutzungsprofilen aufwerfen, während KI-gestützte Anwendungen zur Reduzierung des Wasserbedarfs versehentlich voreingenommenes „Micro-Nudging“ einsetzen können, was zu einem undemokratischen Wasserzugang führt und die Würde und Autonomie gefährdeter Bevölkerungsgruppen untergräbt83 .

Die Integration von KI in Wassersysteme erhöht insgesamt das Risiko netzwerkweiter Ausfälle. Insbesondere könnte eine übermäßige Abhängigkeit von KI, entweder in kritischen Komponenten von Wassersystemen oder durch eine starke Kopplung zwischen Wassersystemkomponenten, zu systemischen Risiken führen, wobei die oben beschriebenen isolierten Risiken möglicherweise dazu führen könnten, dass die Vermögenswerte und Dienste eines gesamten Versorgungsunternehmens gefährdet werden.

Darüber hinaus ist Wasser bereits Gegenstand inner- und internationaler Geopolitik und Unternehmenskonkurrenz – wobei die Aneignung von Süßwasser mit landwirtschaftlicher Landnahme verbunden ist, die auf schätzungsweise 310 Milliarden Kubikmeter grünes Wasser (d. h. Regenwasser) und 140 Milliarden Kubikmeter blaues Wasser geschätzt wird Wasser (d. h. Bewässerungswasser) pro Jahr84 – und Cybersicherheit ist angesichts der jüngsten Zunahme von Systemkompromittierungen im gesamten Sektor von wachsender Bedeutung85. Während frühere Generationen von Cyberangriffen, darunter Distributed Denial-of-Service (DDoS), Ransomware, SQL-Injektion (Structured Query Language) und Trojaner, störend waren, bietet das Vorhandensein eingebetteter KI mit minimaler menschlicher Aufsicht Hackern möglicherweise die Möglichkeit, das Ganze auszunutzen Kontrolle hochgradig vernetzter Systeme86.

Solche netzwerkweiten Ausfälle können die Wasserversorgung ganzer Gemeinden gefährden und schnell zu humanitären Krisen und Konflikten führen, da die Wasserressourcen relativ lokalisiert sind und – anders als die etablierten globalen Lieferketten für Energie- und Nahrungsmittelressourcen – nicht einfach ersetzt werden können oder massenhaft international gehandelt87.

Die oben hervorgehobenen direkten Ausfälle der KI in Wassersystemen können indirekt zu lokalen und regionalen Katastrophen außerhalb der Wasserindustrie führen. Indem wir solche Fälle im Folgenden anhand mutmaßlicher Beispiele hervorheben, stellen wir fest, dass diese Ausfälle unabhängig voneinander auftreten können, dass jedoch fehlerhafte KI zusammen mit mangelnder menschlicher Aufsicht die Häufigkeit und Schwere solcher indirekten Risiken verschärfen kann.

Eine starke Abhängigkeit von KI könnte zu fragilen gegenseitigen Abhängigkeiten zwischen kritischen Infrastruktursystemen führen. Zu den Szenarien könnte eine Drei-Wege-Kopplung gehören, bei der Cloud Computing die KI in Wassersystemen und Energiesystemen unterstützt, während Wasserkühlung für Cloud Computing und Stromerzeugung erforderlich ist und Netzstrom für Wassersysteme und den Betrieb von Rechenzentren erforderlich ist. Eine solche enge Konnektivität erhöht das Risiko unbeabsichtigter Ausfälle oder böswilliger Cyberangriffe, die sich über Systeme hinweg ausbreiten, und macht die Wiederherstellung nach ansonsten isolierten Ereignissen wesentlich schwieriger.

Ungeachtet des oben Gesagten können scheinbar erfolgreiche Anwendungen von KI in Wassersystemen unerwartete negative Auswirkungen haben. Unbeabsichtigte sozioökologische Folgen können auftreten, wenn ein KI-gestützter digitaler Zwilling die Prozesse einer Meerwasserentsalzungsanlage optimiert, aber die Auswirkungen der Sole auf die Ökosysteme an der Einleitungsstelle nicht genau berücksichtigt, was zu Schäden an der Meeresumwelt und der Artenvielfalt führt88. Ebenso könnten Probleme bei der Energie- und Ernährungssicherheit auftreten, wenn die von der Wasserindustrie implementierten KI-Modelle so verzerrt sind, dass die Kompromisse zwischen Wasser, Energie und Nahrungsmitteln nicht angemessen dargestellt werden89.

Darüber hinaus können ML-Fortschritte zwar den Rechenenergiebedarf senken90, der verstärkte Einsatz ineffizienter KI-Systeme kann jedoch die Leistungsintensität von Rechenzentren erhöhen und dadurch den Wasserverbrauch bei Flüssigkeitskühlungstechnologien und Treibhausgasemissionen erhöhen, die wiederum die Wassersicherheit gefährden91.

Um sicherzustellen, dass potenzielle Anwendungen von KI in Wassersystemen die beabsichtigten Vorteile erzielen und nicht unbeabsichtigt Fortschrittsfallen aufrechterhalten, geben wir der Wasserindustrie drei Empfehlungen für den sicheren Einsatz dieser aufkommenden digitalen Technologie. Im Folgenden wird der Reihe nach auf Lücken in der Infrastruktur und der digitalen Kompetenz eingegangen, im zweiten werden technische Mechanismen für vertrauenswürdige KI beschrieben und im dritten wird ein sechsstufiger Rahmen vorgeschlagen, um die Nutzen- und Risikobewertung von KI-Anwendungen in allen Wassersystemen in der Praxis zu steuern.

Wo es an grundlegenden Auffang-, Aufbereitungs- und Verteilungsanlagen sowie Hygieneeinrichtungen mangelt, gibt es kaum Potenzial für KI, aktuelle Mängel in den Wassersystemen zu beheben. Regierungen, Entwicklungsfonds, Philanthropen und Start-ups, die die WASH-Bemühungen in Entwicklungsländern vorantreiben möchten, müssen soziale Gerechtigkeit und wirtschaftliche Effizienz berücksichtigen, wenn sie KI-Anwendungen anstelle oder als Ergänzung zu „stationären“ Projekten bewerten92.

In entwickelten Ländern sollten Wasserversorger sicherstellen, dass bei der Planung von KI-Anwendungen eine angemessene IKT-Infrastruktur wie Sensoren und Cloud-Computing-Funktionen berücksichtigt wird. Darüber hinaus müssen Wasserversorger klare Strategien und Architekturen, wie z. B. Anwendungsprogrammierschnittstellen, für die Systemintegration und Interoperabilität entwickeln, da gleichzeitig die Legacy-Infrastruktur, einschließlich physischer Strukturen und elektromechanischer Ausrüstung sowie heterogener Datensilos mit betriebskritischen Informationen, aufrechterhalten werden muss neue digitale Technologien93.

Wo KI-Anwendungen als angemessen erachtet werden, muss die Wasserwirtschaft die Weiterqualifizierung, Umschulung und Neuqualifizierung ihrer Arbeitskräfte verwalten, um sicherzustellen, dass der Sektor mit dem Humankapital ausgestattet ist, das für die Entwicklung, den Betrieb und die Verwaltung von KI-Systemen erforderlich ist. Berufsverbände und Gewerkschaften sollten mit akademischen Institutionen und NGOs mit Fachwissen im Bereich KI zusammenarbeiten, um neue Bildungskurse und Zertifizierungen zu entwickeln.

Dazu ist es wichtig, dass KI in Wassersystemen erklärbar ist. Einerseits ist erklärbare KI für Fachexperten notwendig, um Wissen über Anwendungsfälle hinweg sinnvoll zu bestätigen, zu hinterfragen und zu übertragen94. Mittlerweile erfordert der Übergang von forschungsbasierten Einstellungen zu praktischen Anwendungen den Einsatz und die Kommunikation von White-Box-Algorithmen (d. h. Algorithmen, die verständliche Ergebnisse liefern) und nicht von Black-Box-Algorithmen (d. h. Algorithmen, die selbst von Fachexperten kaum verstanden werden können). von KI-Experten ist unerlässlich, um sicherzustellen, dass Praktiker der Wasserwirtschaft und zivile Endnutzer, denen es an Fachwissen mangelt, KI in Wassersystemen vertrauen und mit ihr interagieren können, indem sie ihre Funktionalität verstehen95.

Schließlich muss die Wasserwirtschaft sektorspezifische Gesetze, Vorschriften und Richtlinien entwickeln und erlassen, die für den Umgang mit den Nuancen der KI in Wassersystemen geeignet sind, insbesondere wenn es um technische Standards und Transparenz, menschliche Handlungsfähigkeit und Aufsicht sowie Sicherheit geht , Rechenschaftspflicht und Haftung sowie Vielfalt und Inklusion. Wo solche Governance-Rahmen fehlen, sollten Versorgungsunternehmen, die KI in ihren Wassersystemen implementieren möchten, die sich entwickelnden Probleme wie Versicherungen und Haftungen im Zusammenhang mit dem Ausfall von KI-Systemen gebührend berücksichtigen.

Derzeit befindet sich unser Verständnis von KI in einem rasanten Entwicklungsstadium, daher muss die Wasserindustrie mit Fragen im Zusammenhang mit technischer Robustheit, Governance und Ethik auf dem Laufenden bleiben, während sich der Bereich der KI-Sicherheit weiterentwickelt (siehe beispielsweise die Ethik der Europäischen Union). Richtlinien für vertrauenswürdige KI)96. Hier skizzieren wir institutionelle, Software- und Hardwaremechanismen, die die Wasserindustrie in ihrem „Werkzeugkasten“ entwickeln und pflegen sollte, um einen verantwortungsvollen Einsatz von KI in allen Wassersystemen sicherzustellen.

Institutionelle Mechanismen prägen Wissen, Anreize und Verantwortlichkeit97. Routinemäßige Red-Team-Übungen, bei denen Cybersicherheitsexperten intern damit beauftragt werden, Schwachstellen in KI-Systemen zu finden, sollten von Wasserversorgern durchgeführt werden, um böswilligen Akteuren, die die Infrastruktur kritischer Wassersysteme gefährden wollen, einen Schritt voraus zu sein. Bug-, Bias- und Safety-Bounty-Programme können auch genutzt werden, um externen Stakeholdern und Begünstigten Anreize zu geben, Probleme mit KI-Systemen in der Praxis offenzulegen. Solche Systeme können besonders nützlich sein, wenn es darum geht, systemische Belastungen mit kaskadierenden sozioökologischen Folgen und Kompromissen im Zusammenhang zwischen Wasser, Energie und Nahrungsmitteln abzubilden. Über diese Übungen hinaus sollten, während die Wasserindustrie praktische Erfahrungen mit KI sammelt, kollaborative, branchenübergreifende Wissensdatenbanken mit Best Practices für die Umsetzung, Sicherheitsvorfällen und gewonnenen Erkenntnissen gepflegt werden.

Softwaremechanismen befassen sich mit den Besonderheiten, dem Verständnis und der Überwachung von KI-Systemen selbst97. Die Wasserwirtschaft sollte mit akademischen Experten zusammenarbeiten, um Designstandards, Interpretationshandbücher und Benutzertestmethoden festzulegen, um Reproduzierbarkeit, Wahrung der Privatsphäre und Überprüfung sicherzustellen. Prozesse des menschenzentrierten Designs, „Safe by Design“ und „Secure by Design“, könnten dazu beitragen, mehrere der oben genannten Risiken zu mindern. Branchenübergreifende Wissensdatenbanken validierter Standard-KI-Quellcodes für typische Anwendungen wie die Erkennung von Rohrlecks und die Optimierung von Behandlungsprozessen könnten gepflegt werden, um Best Practices zu beschleunigen. Wasserversorger müssen außerdem Prüfprotokolle zur Problemdefinition, zum Design, zur Entwicklung und zum Betrieb von KI-Systemen führen und diese nachvollziehbaren Protokolle von fachkundigen externen Prüfern analysieren lassen, um die Erfassung von Vorfällen und gewonnenen Erkenntnissen zu maximieren.

Hardwaremechanismen stellen die Leistungsfähigkeit, Zugänglichkeit und Zuverlässigkeit physischer Ressourcen in Frage98. Wasserversorger müssen sicherstellen, dass KI-Anwendungen über Ausfallsicherungen verfügen, die eine automatische oder vom Menschen initiierte Abschaltung und Problemumgehungen ermöglichen, um potenzielle Katastrophen durch Fehlfunktionen oder kompromittierte Systeme abzumildern. Qualitätskontrollinspektoren sollten damit beauftragt werden, die Leistung von KI und intelligenten cyber-physikalischen Systemen regelmäßig von Fall zu Fall und im gesamten Wassersystem zu messen und darüber Bericht zu erstatten. Interessenvertreter des Wassersektors sollten auch den Aufbau offen zugänglicher Forschungs- und Entwicklungspartnerschaften mit akademischen Experten in Betracht ziehen, die im Allgemeinen keinen Zugang zu kommerzieller Hardware haben, um kollaborative und branchenübergreifende Fortschritte bei der vertrauenswürdigen KI für Wassersysteme zu beschleunigen.

Die Wasserwirtschaft muss einen transparenten Rahmen für den verantwortungsvollen Einsatz von KI in Bezug auf die Kontrolle ihrer Infrastruktur und Dienste schaffen, der eine ausgewogene Bewertung von Nutzen und Risiken ermöglicht99. KI ist kein Endziel an sich und sollte als technologische Antwort auf klar definierte Probleme betrachtet werden. „Beginnen Sie nicht mit Mondaufnahmen“: Ein ganzheitlicher Ansatz muss ein gründliches Verständnis der Mängel von Wassersystemen, die Bewertung typischer KI-Systeme, die solche Mängel sicher beheben können, sowie abgestufte Prototyping-, Pilot- und Einführungsprozesse umfassen100.

Zu diesem Zweck schlagen wir ein beispielhaftes sechsschichtiges Framework vor (Tabelle 1), das allgemeine Konzepte aus den vertrauenswürdigen KI-Richtlinien zu technischer Robustheit, Governance und Ethik ausarbeitet und sich mit theoretischem Screening, Proof of Concept und praktischen Überlegungen zur Skalierung befasst Einsatz von KI in Wassersystemen. Die hier bereitgestellten Beispielüberlegungen sollen Praktiker des Wassersektors anhand einer „Live-Scorecard“ dazu inspirieren, den Nettowert einer bestimmten KI-Anwendung vor, in der Mitte und nach der Implementierung in der realen Welt zu qualifizieren.

Die Welt ist nicht auf dem richtigen Weg, Ziel 6 für nachhaltige Entwicklung zu erreichen. Über 1,6 Millionen Menschen sterben jedes Jahr an unsicherem und unzugänglichem Trinkwasser, Regenwasser und Abwasserleitungen, und der Klimawandel wird voraussichtlich die wasserbezogenen Probleme verschärfen. Als Reaktion darauf wurde KI als neueste technologische Innovation vorgeschlagen, um Mängel in Wassersystemen zu beheben. Allerdings kann Technologie allein die Probleme der Wasserversorgung und Abwasserentsorgung nicht lösen. Eine schlecht gesteuerte Verbreitung von KI in Wassersystemen kann zu Fortschrittsfallen führen, die die Wassersicherheit weiter untergraben und erschweren könnten.

Daher zielte diese Perspektive darauf ab, domänenspezifisches Wissen gegenseitig zu befruchten und synthetisierte Erkenntnisse aus der Fachliteratur zu technischen Wassersystemen und KI-Sicherheit zu kontextualisieren, um Akademiker, Praktiker der Wasser- und KI-Branche und Laien-Endnutzer für die Notwendigkeit zu sensibilisieren Priorisieren Sie den „verantwortungsvollen Einsatz“ von KI in Wassersystemen, um Risiken zu mindern.

Angesichts der Tatsache, dass sich KI noch nicht stark verbreitet hat und ihr Einsatz im Wassersektor noch in den Kinderschuhen steckt, sind empirische Daten zu realen Anwendungen relativ rar. Daher basieren die hier beschriebenen beispielhaften wassersystemweiten KI-Anwendungen, um die potenzielle systemweite Reichweite von KI hervorzuheben, auf Demonstrationen von KI-Algorithmen oder isolierten Fallstudien in der akademischen Literatur. Ebenso sind die bereitgestellten Beispiele für KI-Risiken spekulativ, obwohl sie auf modernster KI-Sicherheitsliteratur basieren.

Ungeachtet des oben Gesagten wurde im November 2022 über ein reales Beispiel einer fehlgeschlagenen KI-Anwendung berichtet, die Menschen Schaden zufügte ML-basiertes prädiktives Tool zur Bewertung der Wasserqualität, um festzustellen, ob die Wasserqualität an örtlichen Stränden zum Schwimmen sicher ist. Anstatt wie behauptet genauer zu sein, identifizierte das ML-Tool nur etwa 30 % der Tage mit unsicherem Strandwasser, was dazu führte, dass 50 öffentliche Badegäste im Sommer gefährlichen Bakterienkonzentrationen ausgesetzt waren. Dies verdeutlicht den sehr realen Schaden, den ein KI-Ausfall verursachen kann, wenn verantwortungsvolle Einsatzprinzipien nicht priorisiert und effektiv umgesetzt werden.

Da empirische Daten zu erfolgreichen und erfolglosen Anwendungen von KI in Wassersystemen immer leichter verfügbar werden, ermutigen wir Forscher und Praktiker, diese Informationen gründlich zu datenbanken und auszuwerten, um ein umfassendes Verständnis der tatsächlichen Vorteile und tatsächlichen Risiken zu entwickeln, die für die Entwicklung von Risikomanagementpraktiken erforderlich sind KI breitet sich aus. Wir hoffen, dass der hier konzipierte Rahmen eine Grundlage bietet, auf der multidisziplinäre Akademiker und Praktiker der Wasser- und KI-Branche proaktive und kritische Risikomanagementpraktiken entwickeln können, die auf partizipativen Ansätzen basieren, die Endnutzer einbeziehen und aufklären.

Schließlich muss die Wasserwirtschaft einen abgestuften Ansatz zur Risikovorhersage und -minderung verfolgen, um einen verantwortungsvollen Einsatz von KI in Wassersystemen sicherzustellen. Dazu gehört die Beseitigung von Hindernissen im Zusammenhang mit Infrastruktur und digitaler Kompetenz, die Einrichtung institutioneller, Software- und Hardwaremechanismen für vertrauenswürdige KI und die Priorisierung anwendungsbasierter Anwendungen auf einer strengen Nutzen-Risiko-Bewertung. Angesichts der geplanten Investitionen in Höhe von 6,3 Milliarden US-Dollar in KI-Wassertechnologien fordern wir den Wassersektor, insbesondere die größeren und weiter entwickelten Versorgungsunternehmen, die den Vorstoß in das digitale Wasser vorantreiben, dringend auf, einen erheblichen Teil dieser Mittel vom rein technischen Kapazitätsaufbau für KI-Sicherheitsinitiativen bereitzustellen wird dazu beitragen, dass potenzielle Vorteile der KI in Wassersystemen in großem Maßstab realisiert werden.

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

Schreiber, KJ & Rojas, JL Die Brunnen von Nasca. Lat. Bin. Antik. 6, 229–254 (1995).

Artikel Google Scholar

Coningham, R. & Young, R. Die Archäologie Südasiens: Vom Indus bis Asoka, ca. 6500 v. Chr.–200 n. Chr. 101–278 (Cambridge Univ. Press, 2015).

Wright, R. Eine kurze Geschichte des Fortschritts (House of Anansi, 2004).

Price, M. Die Ursprünge des berühmten Rohrleitungssystems des antiken Roms wurden in Bodenproben entdeckt. Wissenschaft (28. August 2017).

Bierkens, MFP & Wada, Y. Nicht erneuerbare Grundwassernutzung und Grundwasserverarmung: eine Übersicht. Umgebung. Res. Lette. 14, 063002 (2019).

Artikel Google Scholar

Gordon, L., Dunlop, M. & Foran, B. Landbedeckungsveränderung und Wasserdampfströme: Lernen aus Australien. Phil. Trans. R. Soc. London. B. Biol. Wissenschaft. B 29, 358 (2003).

Google Scholar

Liu, W., Iordan, CM, Cherubini, F., Hu, J. Sauber. Prod. 287, 125046 (2021).

Artikel CAS Google Scholar

Elsaid, K. et al. Umweltauswirkungen von Entsalzungstechnologien: eine Überprüfung. Wissenschaft. Gesamtumgebung. 748, 141528 (2020).

Artikel CAS PubMed Google Scholar

da Silva, GCX et al. Umweltauswirkungen der Staudammfüllung im östlichen Amazonasgebiet. Vorderseite. Wasser https://doi.org/10.3389/frwa.2020.00011 (2020).

UN-Water Summary Progress Update 2021: SDG 6 – Wasser und Sanitärversorgung für alle (Vereinte Nationen, 2021).

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

Russell, SJ & Norvig, P. Künstliche Intelligenz: Ein moderner Ansatz (Prentice Hall, 2020).

Rozos, E. Maschinelles Lernen, städtisches Wasserressourcenmanagement und Betriebspolitik. Ressourcen 8, 173 (2019).

Artikel Google Scholar

Der Sustainable Development Goals Report 2022 (Vereinte Nationen, 2022).

Yamazaki, D. & Trigg, MA Die Dynamik des Oberflächenwassers der Erde. Natur 540, 348–349 (2016).

Artikel CAS PubMed Google Scholar

Kadow, C., Hall, DM & Ulbrich, U. Künstliche Intelligenz rekonstruiert fehlende Klimainformationen. Nat. Geosci. 13, 408–413 (2020).

Artikel CAS Google Scholar

Pekel, J.-F., Cottam, A., Gorelick, N. & Belward, AS Hochauflösende Kartierung des globalen Oberflächenwassers und seiner langfristigen Veränderungen. Natur 540, 418–422 (2016).

Artikel CAS PubMed Google Scholar

Larson, A. Eine klarere Sicht auf den Wasserkreislauf der Erde mithilfe neuronaler Netze und Satellitendaten. Nat. Rev. Earth Environ. 3, 361 (2022).

Artikel CAS Google Scholar

Koppa, A., Rains, D., Hulsman, P., Poyatos, R. & Miralles, DG Ein auf Deep Learning basierendes Hybridmodell der globalen terrestrischen Verdunstung. Nat. Komm. 13, 1912 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Espeholt, L. et al. Deep Learning für zwölfstündige Niederschlagsvorhersagen. Nat. Komm. 13, 5145 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Muste, M., Kim, D. & Kim, K. Ein Prototyp zur Vorhersage von Hochwasserscheiteln für Flussüberschwemmungen, bei dem nur In-Stream-Messungen verwendet werden. Komm. Erdumgebung. 3, 78 (2022).

Artikel Google Scholar

Vereecken, H. et al. Bodenhydrologie im Erdsystem. Nat. Rev. Earth Environ. 3, 573–587 (2022).

Artikel Google Scholar

Shen, LQ, Amatulli, G., Sethi, T., Raymond, P. & Domisch, S. Schätzung der Stickstoff- und Phosphorkonzentrationen in Bächen und Flüssen innerhalb eines maschinellen Lernrahmens. Wissenschaft. Daten 7, 161 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Podgorski, J. & Berg, M. Globale Analyse und Vorhersage von Fluorid im Grundwasser. Nat. Komm. 13, 4232 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Sharafati, A., Asadollah, SBHS & Neshat, A. Eine neue Strategie der künstlichen Intelligenz zur Vorhersage des Grundwasserspiegels über dem Rafsanjan-Grundwasserleiter im Iran. J. Hydrol. 591, 125468 (2020).

Artikel Google Scholar

Zaniolo, M., Giuliani, M., Sinclair, S., Burlando, P. & Castelletti, A. Wenn es auf das Timing ankommt – wirkt sich eine falsch konzipierte Dammfüllung auf die Nachhaltigkeit der Wasserkraft aus. Nat. Komm. 12, 3056 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

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

Mozo, A. et al. Chlorophyll-Softsensor basierend auf Modellen des maschinellen Lernens zur Vorhersage der Algenblüte. Sci Rep. 12, 13529 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Massarelli, C., Campanale, C. & Uricchio, VF in IoT Applications Computing (Hrsg. Singh, I. et al.) Kap. 10 (IntechOpen, 2021).

Zarei, M. et al. Maschinelle Lernalgorithmen für den vorhersagebasierten Reservoirbetrieb (FIRO) zur Reduzierung von Hochwasserschäden. Wissenschaft. Rep. 11, 24295 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Riga, R. Brisbane Opfer der Überschwemmung 2011 gewinnen 440 Millionen US-Dollar in einer Sammelklage wegen des Betriebs des Wivenhoe-Staudamms. 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. Innovative Technologie im Wasser-, Sanitär- und Hygienesektor (WASH) (WIPO, 2020); https://www.wipo.int/edocs/pubdocs/en/wipo_pub_gc_20_1.pdf

Fankhauser, K. et al. Abschätzung der Grundwassernutzung und -nachfrage im trockenen Kenia durch Integration von Satellitendaten und In-situ-Sensoren mit maschinellem Lernen für frühzeitige Maßnahmen bei Dürre. Wissenschaft. Gesamtumgebung. 831, 154453 (2022).

Artikel CAS PubMed Google Scholar

Bauer, P. et al. Die digitale Revolution der Erdsystemwissenschaft. Nat. Berechnen. Wissenschaft. 1, 104–113 (2021).

Artikel Google Scholar

Irrgang, C. et al. Auf dem Weg zur neuronalen Erdsystemmodellierung durch Integration künstlicher Intelligenz in die Erdsystemwissenschaft. Nat. Mach. Intel. 3, 667–674 (2021).

Artikel Google Scholar

Hess, P., Drüke, M., Petri, S., Strnad, FM & Boers, N. Physikalisch eingeschränkte generative gegnerische Netzwerke zur Verbesserung von Niederschlagsfeldern aus Erdsystemmodellen. Nat. Mach. Intel. 4, 828–839 (2022).

Artikel Google Scholar

Fecht, S. Mit künstlicher Intelligenz riskante Staudämme lokalisieren. Nachrichten der Columbia Climate School https://news.climate.columbia.edu/2018/08/23/artificial-intelligence-find-risky-dams/ (2018).

van Vliet, MTH et al. Globale Wasserknappheit, einschließlich Oberflächenwasserqualität und Ausbau sauberer Wassertechnologien. Umgebung. Res. Lette. 16, 24020 (2021).

Artikel Google Scholar

Hosseiny, H., Nazari, F., Smith, V. & Nataraj, C. Ein Framework zur Modellierung der Überschwemmungstiefe mithilfe einer Mischung aus Hydraulik und maschinellem Lernen. Wissenschaft. Rep. 10, 8222 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Perera, D., Smakhtin, V., Williams, S., North, T. & Curry, A. Alternde Wasserspeicherinfrastruktur: Ein aufkommendes globales Risiko (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. Materialentdeckung ionenselektiver Membranen mittels künstlicher Intelligenz. Komm. Chem. 5, 132 (2022).

Artikel PubMed PubMed Central Google Scholar

Seo, DH et al. Antifouling-Membranen auf Graphenbasis für eine effektive Wasserentsalzung. Nat. Komm. 9, 683 (2018).

Artikel PubMed PubMed Central Google Scholar

Kim, H. et al. Adsorptionsbasiertes atmosphärisches Wassergewinnungsgerät für trockene Klimazonen. Nat. Komm. 9, 1191 (2018).

Artikel PubMed PubMed Central Google Scholar

Pham Vu Hong, S. & Nguyen Thanh, V. Anwendung eines Algorithmus für künstliche Intelligenz zur Optimierung des Designs von Wasserverteilungssystemen. Int. J. Constr. Verwalten. https://doi.org/10.1080/15623599.2022.2101593 (2022).

Tzachor, A., Sabri, S., Richards, CE, Acuto, M. & Rajabifard, A. Potenzial und Grenzen digitaler Zwillinge zur Erreichung der Ziele für nachhaltige Entwicklung. Nat. Aufrechterhalten. 5, 822–829 (2022).

Wong, THF, Rogers, BC & Brown, RR Städte durch wassersensible Prinzipien und Praktiken verändern. One Earth 3, 436–447 (2020).

Artikel Google Scholar

Li, L., Rong, S., Wang, R. & Yu, S. Jüngste Fortschritte in der künstlichen Intelligenz und im maschinellen Lernen für nichtlineare Beziehungsanalyse und Prozesssteuerung in der Trinkwasseraufbereitung: ein Überblick. Chem. Ing. J. 405, 126673 (2021).

Artikel CAS Google Scholar

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

Sakiewicz, P., Piotrowski, K., Ober, J. & Karwot, J. Innovativer künstlicher neuronaler Netzwerkansatz für die integrierte Modellierung von Biogas-Abwasseraufbereitungssystemen: Einfluss von Anlagenbetriebsparametern auf die Prozessintensivierung. Erneuern. Aufrechterhalten. Energy Rev. 124, 109784 (2020).

Artikel CAS Google Scholar

Rani, A., Snyder, SW, Kim, H., Lei, Z. & Pan, S.-Y. Wege zu einem CO2-neutralen Wassersektor durch energiegewinnende Abwassertechnologien. npj Clean Water 5, 49 (2022).

Artikel CAS Google Scholar

Wie KI SCADA-Systeme auf die nächste Stufe hebt. Veolia https://blog.veolianorthamerica.com/how-ai-take-scada-systems-to-next-level (2022).

Steigerung der Effizienz von Wasserpumpen durch künstliche Intelligenz. 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. Ein lernbasierter Ansatz zur datengesteuerten prädiktiven Steuerung kombinierter Abwassernetze – eine experimentelle Studie. Wasserres. 221, 118782 (2022).

Artikel CAS PubMed Google Scholar

Maschinelles Lernen kann zum Schutz städtischer Gewässer beitragen. Hier ist wie. Weltwirtschaftsforum https://www.weforum.org/agenda/2022/04/how-to-prevent-urban-water-stress-through-machine-learning/ (2022).

Vanijjirattikhan, R. et al. KI-basierte akustische Leckageerkennung in Wasserverteilungssystemen. Ergebnisse Eng. 15, 100557 (2022).

Artikel Google Scholar

Dawood, T., Elwakil, E., Novoa, HM & Delgado, JFG Künstliche Intelligenz zur Modellierung von Mechanismen zur Beschädigung von Wasserleitungen. Autom. Konstr. 120, 103398 (2020).

Artikel Google Scholar

Zhou, B., Lau, V. & Wang, X. Auf maschinellem Lernen basierende Identifizierung von Leckageereignissen für intelligente Wasserversorgungssysteme. IEEE Internet Things J. 7, 2277–2292 (2020).

Artikel Google Scholar

Fu, G., Jin, Y., Sun, S., Yuan, Z. & Butler, D. Die Rolle von Deep Learning im städtischen Wassermanagement: eine kritische Überprüfung. Wasserres. 223, 118973 (2022).

Artikel CAS PubMed Google Scholar

Die vierte industrielle Revolution für Wasser nutzen (Weltwirtschaftsforum, 2018).

Stańczyk, J., Kajewska-Szkudlarek, J., Lipiński, P. & Rychlikowski, P. Verbesserung der kurzfristigen Wasserbedarfsprognose mithilfe evolutionärer Algorithmen. sci. Rep. 12, 13522 (2022).

Artikel PubMed PubMed Central Google Scholar

Ernährungs-und Landwirtschaftsorganisation. Jährliche Süßwasserentnahmen, Landwirtschaft (% der gesamten Süßwasserentnahme). Daten der Weltbank https://data.worldbank.org/indicator/ER.H2O.FWAG.ZS (2018).

Tzachor, A., Richards, CE & Jeen, S. Transformation von Agrarlebensmittelproduktionssystemen und Lieferketten mit digitalen Zwillingen. npj Sci. Essen 6, 47 (2022).

Artikel PubMed PubMed Central Google Scholar

Dehghanisanij, H., Emami, H., Emami, S. & Rezaverdinejad, V. Ein hybrider maschineller Lernansatz zur Schätzung der Wassernutzungseffizienz und des Ertrags in der Landwirtschaft. Wissenschaft. Rep. 12, 6728 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Bauer, A. et al. Kombination von Computer Vision und Deep Learning, um Luftphänotypisierung im Großmaßstab und Präzisionslandwirtschaft zu ermöglichen: eine Fallstudie zur Salatproduktion. Hortisch. Res. 6, 70 (2019).

Artikel PubMed PubMed Central Google Scholar

García, L., Rodríguez, JD, Wijnen, M. & Pakulski, I. Erdbeobachtung für das Wasserressourcenmanagement: Aktuelle Nutzung und zukünftige Chancen für den Wassersektor (Weltbank, 2016).

Cominola, A. et al. Die langfristige Wassereinsparung wird durch intelligentes Messgeräte-basiertes Feedback und digitales Benutzerengagement gefördert. npj Clean Water 4, 29 (2021).

Artikel Google Scholar

Künstliche Intelligenz für die Erde nutzen (Weltwirtschaftsforum, 2018).

Bedell, E., Harmon, O., Fankhauser, K., Shivers, Z. & Thomas, E. Ein kontinuierlicher, zeitnaher In-situ-Fluoreszenzsensor gekoppelt mit einem maschinellen Lernmodell zur Erkennung des Risikos einer fäkalen Kontamination beim Trinken Wasser: Design, Charakterisierung und Feldvalidierung. Wasserres. 220, 118644 (2022).

Artikel CAS PubMed Google Scholar

Andres, L., Boateng, K., Borja-Vega, C. & Thomas, E. Ein Überblick über In-situ- und Fernerkundungstechnologien zur Überwachung von Wasser- und Sanitärmaßnahmen. Wasser https://doi.org/10.3390/w10060756 (2018).

Swan, A., Cooper, N., Gamble, W. & Pritchard, M. Mit intelligenten Pumpen den universellen Zugang zu sicherem und erschwinglichem Trinkwasser ermöglichen. Proz. Inst. Zivil. Ing. Ing. Aufrechterhalten. 171, 277–285 (2017).

Google Scholar

Aiken, E., Bellue, S., Karlan, D., Udry, C. & Blumenstock, JE Maschinelles Lernen und Telefondaten können die gezielte Bereitstellung humanitärer Hilfe verbessern. Natur 603, 864–870 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Pandey, R. et al. Eine Anwendung für maschinelles Lernen zur Sensibilisierung für WASH in Zeiten der COVID-19-Pandemie. Wissenschaft. Rep. 12, 810 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

De Santi, M. et al. Modellierung von Restchlor am Verbrauchsort in der humanitären Hilfe: Kann kostensensitives Lernen probabilistische Prognosen verbessern? PLoS Water 1, e0000040 (2022).

Artikel Google Scholar

Fortschritte bei Trinkwasser, Sanitärversorgung und Hygiene im Haushalt 2000–2020: Fünf Jahre nach Beginn der SDGs (Weltgesundheitsorganisation und Kinderhilfswerk der Vereinten Nationen, 2021).

Guenat, S. et al. Erreichen nachhaltiger Entwicklungsziele durch Robotik und autonome Systeme. Nat. Komm. 13, 3559 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Das langsame Innovationstempo frustriert weiterhin die Lieferkette. British Water https://www.britishwater.co.uk/news/602860/Slow-pace-of-innovation-continues-to-frustrate-supply-chain-.htm (2022).

Ohne universelle KI-Kompetenz wird uns die KI im Stich lassen. Weltwirtschaftsforum https://www.weforum.org/agenda/2022/03/without-universal-ai-literacy-ai-will-fail-us/ (2022).

Brundage, M. et al. Der böswillige Einsatz künstlicher Intelligenz: Vorhersage, Prävention und Schadensbegrenzung. Apollo https://doi.org/10.17863/CAM.22520 (2018)

Tzachor, A., Devare, M., King, B., Avin, S. & Ó hÉigeartaigh, S. Verantwortungsvolle künstliche Intelligenz in der Landwirtschaft erfordert ein systemisches Verständnis von Risiken und externen Effekten. Nat. Mach. Intel. 4, 104–109 (2022).

Artikel Google Scholar

Amodei, D. et al. Konkrete Probleme in der KI-Sicherheit. Vorabdruck unter https://doi.org/10.48550/arXiv.1606.06565 (2016).

Trávníček, P., Junga, P., Kotek, L. & Vítěz, T. Analyse von Unfällen in kommunalen Kläranlagen in Europa. J. Verlust Vorher. Prozessindik. 74, 104634 (2022).

Artikel Google Scholar

Doorn, N. Künstliche Intelligenz im Wasserbereich: Möglichkeiten für einen verantwortungsvollen Umgang. Wissenschaft. Gesamtumgebung. 755, 142561 (2021).

Artikel CAS PubMed Google Scholar

Rulli, MC, Saviori, A. & D'Odorico, P. Globales Land- und Wasserraub. Proz. Natl Acad. Wissenschaft. USA 110, 892–897 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Gallagher, R. Britischer Wasserversorger von „äußerst besorgniserregendem“ Cyberangriff betroffen. 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. Das Vertrauen in künstliche Intelligenz in der Cybersicherheit ist ein zweischneidiges Schwert. Nat. Mach. Intel. 1, 557–560 (2019).

Artikel Google Scholar

Milne, S. Wie Wasserknappheit Kriege auslöst. 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. Merkmale der Entsalzungssole und ihre Auswirkungen auf die Meereschemie und -gesundheit, mit Schwerpunkt auf dem Persischen/Arabischen Golf: eine Übersicht. Vorderseite. Mar. Sci. https://doi.org/10.3389/fmars.2022.845113 (2022).

Zaidi, SMA et al. Maschinelles Lernen für den Energie-Wasser-Zusammenhang: Herausforderungen und Chancen. Big Earth Data 2, 228–267 (2018).

Artikel Google Scholar

Patterson, DA et al. Kohlenstoffemissionen und Training großer neuronaler Netze. Vorabdruck unter https://arxiv.org/abs/2104.10350 (2021).

Kaack, LH et al. Künstliche Intelligenz mit der Eindämmung des Klimawandels in Einklang bringen. Nat. Aufstieg. Änderung 12, 518–527 (2022).

Artikel Google Scholar

Alonso, C., Kothari, S. & Rehman, S. Wie künstliche Intelligenz die Kluft zwischen reichen und armen Nationen vergrößern könnte (Internationaler Währungsfonds, 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. Erklärbare künstliche Intelligenz (XAI): Konzepte, Taxonomien, Chancen und Herausforderungen für eine verantwortungsvolle KI. Inf. Fusion 58, 82–115 (2020).

Artikel Google Scholar

Gunning, D. et al. XAI – erklärbare künstliche Intelligenz. Wissenschaft. Roboter. 4, eaay7120 (2019).

Artikel PubMed Google Scholar

Ethikrichtlinien für vertrauenswürdige KI. Europäische Kommission https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai (2023).

Avin, S. et al. Lücken in der vertrauenswürdigen Entwicklung von KI schließen. Wissenschaft 374, 1327–1329 (2021).

Artikel CAS PubMed Google Scholar

Brundage, M. et al. Auf dem Weg zu einer vertrauenswürdigen KI-Entwicklung: Mechanismen zur Unterstützung überprüfbarer Ansprüche (2020).

KI-Governance: Ein ganzheitlicher Ansatz zur Umsetzung von Ethik in die KI (Weltwirtschaftsforum, 2019).

Davenport, TH & Ronanki, R. Künstliche Intelligenz für die reale Welt: Beginnen Sie nicht mit Mondaufnahmen. Harvard Business Review https://www.hbsp.harvard.edu/product/R1801H-PDF-ENG (2018).

Martineau, P. Toronto nutzte künstliche Intelligenz, um Schwimmer zu warnen. Das Experiment ist gescheitert. Die Informationen https://www.theinformation.com/articles/when-artificial-intelligence-isnt-smarter (2022).

Referenzen herunterladen

Dieses Papier wurde durch die Unterstützung eines Zuschusses der Templeton World Charity Foundation ermöglicht. Die in dieser Veröffentlichung geäußerten Meinungen sind die der Autoren und spiegeln nicht unbedingt die Ansichten der Templeton World Charity Foundation wider. Wir danken K. Atanasova für ihre Unterstützung bei der Erstellung der Abbildungen. 1 und 2.

Zentrum für die Untersuchung existenzieller Risiken, Universität Cambridge, Cambridge, Großbritannien

Catherine E. Richards, Asaf Tzachor und Shahar Avin

Fakultät für Ingenieurwissenschaften, Universität Cambridge, Cambridge, Großbritannien

Catherine E. Richards und Richard Fenner

School of Sustainability, Reichman University (IDC Herzliya), Herzliya, Israel

Asaf Tzachor

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

CER, AT, SA und RF haben diesen Artikel gemeinsam entwickelt und zum Verfassen beigetragen.

Korrespondenz mit Catherine E. Richards oder Asaf Tzachor.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature Water dankt Evan Thomas, Guangtao Fu und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Springer Nature oder sein Lizenzgeber (z. B. eine Gesellschaft oder ein anderer Partner) besitzen die ausschließlichen Rechte an diesem Artikel im Rahmen einer Veröffentlichungsvereinbarung mit dem Autor bzw. den Autoren oder anderen Rechteinhabern. Die Selbstarchivierung der akzeptierten Manuskriptversion dieses Artikels durch den Autor unterliegt ausschließlich den Bedingungen dieser Veröffentlichungsvereinbarung und geltendem Recht.

Nachdrucke und Genehmigungen

Richards, CE, Tzachor, A., Avin, S. et al. Chancen, Risiken und verantwortungsvoller Einsatz künstlicher Intelligenz in Wassersystemen. Nat Water 1, 422–432 (2023). https://doi.org/10.1038/s44221-023-00069-6

Zitat herunterladen

Eingegangen: 11. November 2022

Angenommen: 13. März 2023

Veröffentlicht: 11. Mai 2023

Ausgabedatum: Mai 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt