Secondo i dati , il costo totale delle perdite idriche a livello globale ammonta a $ 15 miliardi, con due terzi di queste perdite d’acqua provenienti da paesi a reddito medio e basso. Molto di questo potrebbe essere attribuito a perdite nella rete di distribuzione dell’acqua, consumo non autorizzato e misurazioni inadeguate, che costano alle utenze oltre $ 4 miliardi ogni anno. Infatti, a causa di queste perdite, è stato stimato che la domanda di acqua per la città di Mumbai aumenterà del 71% rispetto al valore attuale, che potrebbe soddisfare il fabbisogno di 16 città come Mumbai.
Pertanto, nel tentativo di identificare e ridurre queste perdite d’acqua, Smartterra , ha costruito un sistema di intelligenza operativa basato sull’intelligenza artificiale con l’aiuto dei classici algoritmi di apprendimento automatico e dati geospaziali. Guidata dai co-fondatori Gokul Krishna Govindu e Giridharan Sengaiah , questa soluzione è stata il primo progetto pilota in India non solo a ridurre le perdite d’acqua, ma anche a garantire la disponibilità di acqua nelle città in via di sviluppo. L’azienda mira inoltre a ridurre l’impronta di carbonio dei servizi pubblici , il che aiuterà anche a ridurre al minimo le bollette elettriche dei consumatori.
Gli ostacoli affrontati
Durante lo sviluppo del sistema, Smartterra, in primo luogo, ha combinato le diverse fonti di dati di SCADA, CRM, sistemi di gestione dei dati dei contatori, archivi di dati geospaziali, registri di manutenzione e sistemi di fatturazione / entrate per estrarre modelli dai dati, cosa che prima era impossibile. “Tuttavia, con l’aiuto dell’algoritmo sviluppato, è stato facile per noi identificare sottili modelli di perdita sia nella rete che nel consumo di acqua”, ha affermato Gokul.
In secondo luogo, c’erano lacune nei dati critici in queste fonti, che dovevano essere affrontate prima di inserirle negli algoritmi di intelligenza artificiale . L’azienda ha sfruttato una combinazione di tecniche analitiche ed esperienza in materia per colmare queste lacune di dati.
In terzo luogo, l’azienda ha dovuto integrare fonti di dati esterne come immagini satellitari , mappatura open source con traffico, attività urbana, analisi del suolo per ottenere una visione a 360 gradi del problema da affrontare.
Spiegando ulteriormente, Gokul ha affermato: “Spesso, analisi di questa natura vengono eseguite solo periodicamente poiché è un esercizio lungo e costoso. Volevamo fare le cose in modo diverso e quindi costruire una soluzione che consentisse alle città di valutare continuamente le proprie reti, utilizzando il feedback per aumentare la precisione dei nostri modelli e fornire previsioni di miglioramento della qualità nel tempo “.
La tecnologia dietro
Per affrontare le sfide, Smartterra ha intrapreso un processo in tre fasi. “Al livello più alto, disponiamo di un sistema di analisi e monitoraggio personalizzato basato sull’intelligenza artificiale, che affronta le carenze nei dati, identificando le connessioni e gli elementi di rete come tubi, pompe, valvole e negozi per indagare sul comportamento anomalo”, ha spiegato Gokul. Per facilitare ciò, l’azienda ha dovuto affrontare la caratteristica critica delle coorti contestuali per confrontare le anomalie identificate con elementi “normali” simili.
Caso in questione: una volta che la macchina artificialmente intelligente contrassegna un contatore difettoso, l’azienda offre un confronto a consumatori “simili” con contatori funzionanti. Ciò consente agli utenti di vedere facilmente quali si discostano maggiormente dalle loro coorti e quindi devono essere assegnate priorità. Mantenendo il fattore di spiegabilità in atto per migliorare il processo decisionale, l’azienda ha utilizzato tecniche come SHAP, CORELS e RuleFit per creare direttamente modelli spiegabili o spiegare modelli esistenti.
Al di sotto del livello di analisi si trova il modello di dati unificato, che consuma periodicamente i dati delle utility su vari aspetti delle loro operazioni, come fornitura, consumo, dettagli della connessione, mappe geospaziali e informazioni di rete. Internamente, gli input vengono abbinati a dati personalizzati, aggiungendo il contesto necessario per la città o la regione coperta dall’utilità.
“Abbiamo anche moduli personalizzati per la pulizia e la pre-elaborazione dei dati che garantiscono la qualità dei dati. Questa visione olistica dei dati ci consente di utilizzare diverse fonti in modo efficace “, ha affermato Gokul. “Incorporiamo le dinamiche urbane attraverso l’uso del suolo, le immagini satellitari e i dati del terreno / suolo, che ci aiutano a cogliere le sfumature dell’attività cittadina, socioeconomica e variabilità locale”. Lo sfruttamento dei dati geospaziali fornisce un vantaggio nell’interpretazione del comportamento del consumo di acqua, delle proiezioni della domanda e della pianificazione della rete.
Infine, la società ha sfruttato lo stack MEAN (Mongo – Express – Angular – Node) per progettare motori di flusso di lavoro in modo che gli utenti ora possano creare attività per la verifica sul campo delle previsioni fornite. Ciò consente agli analisti di inviare i risultati agli operatori sul campo che possono determinare se è necessaria o meno una correzione. Inoltre, questi operatori forniscono dati aggiuntivi, come parte di un sistema di apprendimento continuo, in cui il feedback delle indagini sul campo viene ricollocato sui modelli per migliorarli. Il motore del flusso di lavoro garantisce che il sistema AI sia un ciclo completo dai dati ai modelli alla verifica sul campo e di nuovo ai dati.
L’azienda ha utilizzato una varietà di modelli per creare la soluzione, iniziando con i classici algoritmi di machine learning che hanno dimostrato di funzionare bene, come RandomForest (classificatori e regressori), macchine vettoriali di supporto e alberi con boosting gradiente. Inoltre, Gokul sta anche esplorando l’utilizzo di memorie a lungo termine e modelli di reti neurali ricorrenti , con TensorFlow e Keras, per sfruttare i dati delle serie temporali.
Vantaggi e piano futuro
Con il progetto pilota implementato inizialmente dell’analisi basata sull’intelligenza artificiale, l’azienda è stata in grado di identificare diversi ostacoli a un uso preciso dell’acqua, come fatturazione errata ai clienti, contatori difettosi e mancate corrispondenze nei dati. Il sistema di intelligenza artificiale ha mostrato che c’era un potenziale aumento del 3,2% delle entrate mensili utilizzando solo correzioni “leggere” che erano relativamente economiche. Inoltre, “i risultati sono stati convalidati da un sondaggio sul campo che ha confermato che le previsioni fatte dai modelli di intelligenza artificiale erano accurate all’80%”, ha affermato Gokul.
In generale, questi risultati avevano lo scopo di aiutare gli operatori a ridurre le perdite d’acqua nelle loro reti, con conseguente maggiore disponibilità di acqua per i cittadini richiesti. La soluzione è stata progettata per garantire che i residenti delle città in via di sviluppo ricevano un approvvigionamento idrico costante e di alta qualità in modo che possano concentrarsi sulla costruzione di vite migliori. L’azienda è inoltre in trattative con varie utility in India e nel sud-est asiatico per sviluppare soluzioni per ridurre le perdite. “Ci auguriamo di avere diversi progetti pilota in corso nei prossimi mesi”, ha concluso Gokul.
