Bisakah Big Data dan AI Mengatasi Krisis Air Global?

Tidak ada yang lebih penting bagi kehidupan di Bumi selain air.

Hampir 663 juta orang di seluruh dunia tidak memiliki akses yang aman ke air bersih sepanjang tahun. Perubahan iklim kemungkinan akan memperburuk situasi, dan mencari solusi untuk negara-negara yang kurang berkembang secara ekonomi adalah prioritas. Teknologi baru seperti Big Data dan AI dapat membantu menemukan jalan keluar ...

Katy Walters / Air, air di mana-mana / [CC BY-SA 2.0 ]

Data besar - analisis sejumlah besar informasi dengan alat yang dapat memprosesnya lebih cepat daripada orang yang dapat melakukannya tanpa dukungan teknis.

Akuisisi dan akumulasi data telah meningkat dalam volume dalam beberapa tahun terakhir karena sensor biaya rendah dan peningkatan penggunaan analisis geospasial. Teknologi baru ini telah meningkatkan kemampuan kami untuk mencari dan mengendalikan persediaan air. Selain itu, infrastruktur yang disediakan oleh sensor modern menciptakan peluang untuk komputasi awan dan peningkatan ketersediaan data pada semua sistem.

Pertanian

Pertanian sejauh ini merupakan pengguna terbesar (dan pembuang) air di dunia. Petani menggunakan 70% dari pasokan air tawar dunia, tetapi 60% darinya hilang sebagai akibat kebocoran pada tanaman irigasi dan aplikasi irasional.

Analisis big data dapat terus mencari solusi optimal untuk menyeimbangkan produktivitas dan keandalan ketika datang ke pertanian. Ini juga dapat mencegah kecelakaan yang disebabkan oleh manusia, seperti penurunan kualitas air yang tiba-tiba, yang dapat tetap tersembunyi sampai manifestasi penuh dari konsekuensi.

Ini dapat membantu perusahaan air memahami tren dalam penggunaan lahan dan iklim yang akan memengaruhi keputusan penting ketika merencanakan sistem air yang adaptif dan teregulasi.

Data besar dan pemodelan membantu kerja bersama perusahaan penyedia air dan surveyor tanah dalam menilai berapa banyak air yang akan dibutuhkan dan tersedia di bawah berbagai opsi pengembangan.

Limbah air

Pada abad ke-20, populasi dunia meningkat tiga kali lipat, sementara penggunaan air manusia meningkat enam kali lipat.

Hingga saat ini, perusahaan penyedia air masih terhenti dalam hal waktu dan sumber daya. Infrastruktur pasokan dan sanitasi air mereka rusak, pompa mogok, pipa bocor, dan bagian-bagian lain berakhir, tetapi perusahaan-perusahaan yang terkendala oleh dana tidak memiliki pengetahuan uang atau infrastruktur untuk melakukan perbaikan yang diperlukan.

Masalah data yang mendesak

Faktanya, big data berarti keberadaan sejumlah besar data. Perusahaan air menerima data melalui kontrol pengawasan dan sistem pengumpulan data (SCADA), termasuk statistik aliran, pemantauan online, dll.

Manajemen pengiriman dan pengumpulan data (SCADA) - perangkat lunak yang menggunakan komputer, jaringan data lokal dan antarmuka pengguna grafis untuk mengatur kontrol dan manajemen di tingkat tinggi.

Bisnis sudah menggunakan sistem SCADA , memungkinkan mereka mengumpulkan data dalam jumlah besar. Namun, seringkali ternyata mereka tidak tahu atau tidak peduli bagaimana membuat data ini membawa manfaat nyata.

Sistem SCADA mereka bisa menjadi tua, menghasilkan format data yang unik dan tidak harus dibuat untuk kolaborasi (perpecahan).

Selain itu, data yang dikumpulkan di fasilitas perawatan seringkali terpisah-pisah. Ada perpecahan dalam data sistem komputer yang tidak selalu bersentuhan satu sama lain. Perkembangan dalam big data dan alat manajemen data baru memungkinkan kita untuk mengubah semua data ini menjadi informasi yang dapat dipahami dan bermanfaat yang membantu kita menjadi lebih bijaksana dan membuat keputusan bisnis yang lebih baik.

Selain itu, karyawan perusahaan dengan jenis informasi ini di tangan mereka lebih mungkin untuk dapat mengidentifikasi potensi masalah di muka bahkan sebelum terjadi, daripada bergegas untuk memperbaiki sesuatu seperti pompa yang rusak . Sistem SCADA mampu menampilkan situasi aktual saat ini dan segera memberi sinyal masalah. Kemampuan untuk memprediksi kemungkinan masalah menggunakan platform pintar untuk memproses dan menganalisis data secara fundamental mengubah situasi.

Langkah selanjutnya - menggabungkan data dan menggunakan alat pemrosesan analitik untuk memprediksi di mana kita harus melihat agar menjadi lebih jauh ke depan - sangat penting untuk pengelolaan air.
Fokus pada kualitas, bukan kuantitas.

Bahkan pemrosesan data analitik yang paling terorganisasi dengan baik tidak dapat menghindari kesalahan pengukuran. Jika Anda tidak yakin dengan sensor dan analisis utama Anda, Anda akan memiliki sejumlah besar data yang salah yang tidak berguna.

Bagaimana cara kerjanya

Penambangan data (catatan penerjemah: ada beberapa terjemahan dari istilah ini, "ekstraksi data" akan digunakan dalam artikel ini) - ini adalah bagaimana seorang spesialis dalam bekerja dengan data besar menemukan informasi dalam aliran data mentah. Insentif dan manfaat di kedua sisi - penyedia utilitas dan konsumen - kemudian dapat disinkronkan menggunakan model matematika seperti inferensi Bayesian dan model teori permainan. Pengetahuan komunikasi yang berasal dari data besar akhirnya dibagikan sehingga operator, insinyur, dan manajer dapat menggunakannya.

Tidak ada kekurangan data mentah. Hampir 60% perusahaan penyedia air memiliki sistem pengumpulan data jarak jauh di semua stasiun pompa, dan 43% memiliki pengumpulan data di semua waduk.

Manfaat Big Data:

- Tren lanjutan
Data besar berkinerja tinggi (kumpulan data sangat besar) memiliki potensi untuk menciptakan pengelolaan sumber daya pintar dari infrastruktur pasokan air, memberikan manajer kemampuan untuk mengevaluasi, memprediksi, memprediksi, dan mendistribusikan sumber daya mereka dengan benar, akurat. Perusahaan penyedia air dapat dibantu oleh analisis tren, yang, ketika membuat perkiraan untuk masa depan, didasarkan pada metode analitis untuk mengidentifikasi pola dan tren tersembunyi yang tersembunyi dalam data lama.

- Permintaan ramalan
Analisis lanjutan dari data besar membuat peramalan beban pada sistem secara praktis layak untuk manajer tingkat tinggi dengan mengenali pola dan memodelkan sejumlah skenario menggunakan sistem pemodelan dinamis dan algoritma pembelajaran mesin canggih. Prediksi yang lebih baik dari beban pada sistem untuk memprediksi perilaku saat mengonsumsi air menggunakan data besar dalam beberapa kumpulan data, seperti faktor demografis (kepadatan populasi, dll.), Pola konsumsi masa lalu, iklim (suhu, kelembaban, dll.) ), infrastruktur (teknologi yang digunakan, usia, produktivitas, dll.), politik, kriteria ekonomi dan lainnya. Komponen ini adalah variabel input untuk pengembangan model prediktif yang dapat memprediksi perilaku konsumen (mis., Permintaan air).

- Kontrol otomatis
Bagaimana jika, alih-alih mengirim sinyal ke tim insinyur, sistem SCADA ini dapat mengirim perintah self-tuning? Mari kita bayangkan sesuatu seperti teknologi penyesuaian diri yang membantu kita mengatur air.

- Buka data
Beberapa area lain di mana integrasi data mendorong inovasi adalah data terbuka dan ilmu pengetahuan sipil. Sisi sebaliknya dari fakta bahwa utilitas tidak bekerja dalam lingkungan yang kompetitif adalah kemampuan untuk menciptakan kondisi untuk inovasi bagi orang lain. Kumpulan data yang dikumpulkan oleh perusahaan dapat menjadi, dan dalam beberapa kasus telah tersedia untuk pihak ketiga sebagai data terbuka.

Bagaimana cara menerapkan AI

AI adalah solusi yang sangat skalabel dan hemat biaya untuk sejumlah besar pipa air yang dimiliki oleh perusahaan utilitas. Selain integrasi data, AI juga meningkatkan pengambilan keputusan dengan memberikan rekomendasi berdasarkan data tersebut.

Perangkat lunak AI pembelajaran berbasis mesin untuk penilaian pipa adalah strategi pengembangan yang lebih baik daripada hanya robotika. AI dapat menganalisis ribuan trompet dalam hitungan jam, menjadi solusi yang sangat hemat biaya.

Pembelajaran mesin adalah cara terbaik untuk menemukan hubungan yang bermakna dalam data dan kemudian memperoleh hubungan fungsional yang dapat digunakan untuk membuat keputusan.

Misalnya, model peramalan telah dikembangkan untuk memungkinkan utilitas memperkirakan permintaan dengan akurasi hingga 98%. Model-model ini menggunakan data yang dikumpulkan, digabungkan dengan data lain, seperti ramalan cuaca, yang kemudian ditransmisikan ke model pembelajaran mesin dalam aplikasi eksternal.

Sementara industri lain banyak menggunakan analisis tren dan peramalan, nilai kuncinya tetap menjadi misteri bagi sektor air yang sangat terfragmentasi.

Penyedia layanan dan utilitas harus berinvestasi dalam mengorganisir sistem pengumpulan data yang tepat untuk mengumpulkan, mengelompokkan, dan menganalisis tren data mikro dan makro sebagai langkah pertama menuju mengoptimalkan pengelolaan sumber daya infrastruktur dan pengambilan keputusan di sektor air.

Beberapa startup mengembangkan solusi manajemen air pembelajaran yang mendalam. Perusahaan berjanji "untuk memberikan kesempatan untuk mencegah kebocoran air dalam sistem pasokan air, untuk memprediksi kondisi umum sistem dan meminimalkan biaya saat ini." Mereka dapat menawarkan data cap waktu dari sensor dan penghitung dengan menggunakan algoritma pembelajaran mendalam yang paling canggih untuk menganalisisnya.

Di India, dua model JST telah dikembangkan untuk menentukan kualitas air di Sungai Gomti. Parameter kualitas air seperti keasaman (pH), kandungan padatan total, konsumsi oksigen kimiawi diambil sebagai satu set data, dan perhitungan awal oksigen dilarutkan dalam air dan kebutuhan oksigen biologis dibuat.

Jaringan saraf tiruan (JST) adalah model komputasi yang didasarkan pada struktur dan fungsi jaringan saraf biologis.

Sebuah prototipe neural network dikembangkan menggunakan data yang berisi pengamatan selama tiga tahun. Input set data dihitung menggunakan koefisien korelasi dengan oksigen terlarut. Perhitungan prototipe JST dibandingkan menggunakan koefisien korelasi, kesalahan standar, dan koefisien efisiensi. Nilai estimasi oksigen terlarut dalam air dan kebutuhan oksigen biologis adalah sama.

Contoh pemrosesan data pipa

Studi kasus

Di Bangalore, perusahaan air dapat mengukur aliran kapan saja dan membuat akses ke air setaraf mungkin. Mengamati panel kontrol tunggal, dimungkinkan untuk memantau operasi lebih dari 250 meter air, serta lebih memperhatikan unit individu.

Di Kerala [India], perusahaan bergantung pada meter air IBM dan sensor untuk memantau penggunaan air, termasuk mengidentifikasi penyimpangan yang dapat mengindikasikan masing-masing kasus penggunaan yang tidak sah. Keuntungan dari pemrosesan data besar dan platform analisis adalah bahwa mereka dapat mencari penyimpangan dalam pola yang mungkin tetap tidak terdeteksi.

Akhirnya, Google telah setuju dengan beberapa negara untuk mengembangkan model AI untuk peramalan banjir.

Masa depan analisis data

Karena kita memasuki era big data, perusahaan air akan dapat menggunakan sensor canggih yang akan menangkap perubahan yang sebelumnya tidak terdeteksi dalam pengoperasian infrastruktur. Teknologi peramalan ini akan membantu perusahaan mengantisipasi kerusakan dan kebocoran peralatan.

Teknologi pintar dapat membantu perusahaan air meningkatkan layanan pelanggan mereka. Misalnya, sistem analitik informasi dengan fungsi swalayan menggunakan metode canggih dalam merekam dan menganalisis data tentang kualitas air dapat memungkinkan pengguna untuk mengontrol dan mengoptimalkan konsumsi air mereka sendiri.

Gelombang baru alat analisis canggih secara teknis menawarkan perusahaan air kesempatan untuk memenuhi kebutuhan mendesak ini dan mengubah data mentah menjadi informasi praktis. Analisis data dapat dengan cepat mengidentifikasi kerusakan pada infrastruktur, mengurangi kehilangan air, mencegah meluapnya saluran air dan menilai status sistem. Selain itu, data dapat mengungkapkan produktivitas, memberikan informasi tentang kasus pemeliharaan proaktif, dan memberikan panduan dalam perencanaan jangka panjang.

Sementara sebagian besar mereka berbicara tentang data besar sebagai penggantian aset fisik dengan teknologi digital, tren yang lebih signifikan dan berpengaruh adalah penggunaan alat online untuk meningkatkan efisiensi penggunaan aset fisik di perusahaan offline, seperti pengelolaan air. Dalam konteks ini, peran data tidak membuat pemimpin berbicara dengan cerdas. Tugas mereka adalah membantu membuat keputusan yang lebih baik. Dan Anda tidak dapat melakukan ini hanya dengan teknologi atau dengan analisis data, tidak peduli seberapa keren Anda.

Data dan air benar-benar kompatibel.

Tentang penulis artikel . Alexandre Gonfalonieri menulis di blognya tentang penggunaan kecerdasan buatan dalam kehidupan sehari-hari dan memecahkan masalah yang mendesak.