به گزارش گروه علم و آموزش ایرنا از «نیوزوایز»، حدود ۲.۲ میلیارد نفر یعنی بیش از یک چهارم جمعیت جهان فاقد دسترسی به آب سالم هستند و در حدود نیمی از جمعیت جهان در برهه‌ای از زمان در طول سال کمبود شدید آب را تجربه می‌کنند. برای غلبه بر این چالش‌ها بخش زیادی از بودجه‌های اجتماعی و اقتصادی صرف منابع جایگزین آب مانند استفاده مجدد از آب باران و شیرین‌سازی آب دریا می‌شود.
به علاوه، این سامانه‌های توزیع آب متمرکز این نقطه ضعف را دارند که قادر به پاسخ فوری به تغییرات در تقاضای آب نیستند. از این رو، علاقه فزاینده‌ای به فناوری‌های تولید آب غیرمتمرکز وجود دارد که فناوری‌های بر مبنای الکتروشیمیایی و به سادگی قابل تطبیق هستند. از این نوع فناوری‌ها می‌توان به مواردی مانند «دیونیزه شدن خازنی» (capacitive deionization) و دیونیزه شدن الکترود باتری (همچنین موسوم به دیونیزه شدن القایی faradaic) اشاره کرد.
با این حال، حسگرهای کنونی مورد استفاده برای اندازه‌گیری کیفیت آب در فناوری‌های الکتروشیمیایی، یون‌های منفرد در آب را ردیابی و اندازه‌گیری نمی‌کنند و این محدودیت را دارند که کیفیت آب را به طور حدودی از روی رسانایی الکتریکی استنتاج می‌کنند.
در این حال تعدادی از محققان در مرکز تحقیقات چرخه منابع آب وابسته به موسسه علم و فناوری کره (KIST) با همکاری دانشگاه «یئونگ‌نام» یک فناروی توسعه داده‌اند که از هوش مصنوعی و پردازش داده‌ها برای پیش‌بینی دقیق مقدار یون‌ها در آب در زمان فرایندهای الکتروشیمیایی تصفیه آب استفاده می‌کند.
این محققان در ابتدا یک مدل جنگل تصادفی (رندوم) ساختند که یک تکنیک یادگیری ماشین مبنای درختی مورد استفاده برای مسائل رگرسیون (regression) است و سپس آن را برای پیش‌بینی میزان تجمع یون در فناوری‌های تصفیه الکتروشیمیایی آب به کار گرفتند.
این مدل هوش مصنوعی قادر بود که با دقت و درستی، رسانایی الکتریکی آب تصفیه شده و مقدار تجمع هر یون را پیش‌بینی کند. آنها همچنین متوجه شدند که تقریبا هر ۲۰ تا ۸۰ ثانیه یک «به روز رسانی» مورد نیاز است تا دقت پیش‌بینی ارتقا پیدا کند که به این معناست که برای کاربردی شدن این تکنیک برای شبکه‌های کیفیت آب ملی به منظور ردیابی کردن یون‌های خاص، لازم است که کیفیت آب حداقل هر دقیقه اندازه‌گیری شود با بتوان مدل اولیه را آموزش داد.
مدل مورد استفاده در این مطالعه این مزیت را دارد که از لحاظ اقتصادی به مدل‌های یادگیری عمیق پیچیده برتری دارد و نیازمند آموزش دادن به ۱۰۰ برابر منابع محاسباتی کمتر است.