Färdplan för AI och maskininlärning inom VA
Publicerad: 23 oktober, 2024
Bild: MistraInframaint
MistraInframaint har startat ett projekt som ska ta fram en färdplan för hur AI och maskininlärning kan användas för att optimera och effektivisera underhåll och förnyelse av VA-sektorn i Sverige samt bidra till effektiv och hållbar tillgångsförvaltning. Syftet är att överbrygga gapet mellan redan utvecklad teknik inom AI och hur mycket som används, ett gap som är avgörande för digital transformation i många VA-organisationer.
Projektledare är Emmanuel Okwori som delar sin tid som forskare mellan RISE i Göteborg och Luleå tekniska universitet. Han ser AI och maskininlärning som effektiva och pragmatiska metoder för att möta de stora utmaningar som VA-sektorn står inför.
- Svenska kommuner står inför ett kritiskt skede i vattenhanteringen, med en åldrande infrastruktur och stora investeringsunderskott i vatten- och avloppsinfrastrukturen. Sådana utmaningar innebär dock även möjligheter till innovation, förklarar han.
Färdplanen skalar upp användning av AI och maskininlärning inom VA
Projektet kommer att titta på några aspekter som påverkar användandet av AI, som klassificering av datasäkerhet och snabba tekniska framsteg. Den snabba utvecklingen av AI innebär ständiga utmaningar när det gäller att avgöra vilka algoritmer, verktyg och bästa praxis som ska användas eller undvikas.
- Det gör det svårt för VA-organisationerna att införa lösningar utifrån sina specifika behov och integrera dem med befintliga system. Med färdplanen vill vi underlätta för dem att börja använda ny teknik, att hitta innovativa lösningar på underhållsplanering, kostnadsoptimering, resursallokering , klimatanpassning och mycket annat.
Emmanuel Okwori konstaterar att det finns flera anledningar till att kommuner ännu så länge inte använder AI-metoder även om de redan finns framme och har effekt.
- Det saknas tillit till den typen av ny teknik, många tycker det är alltför komplext och har heller inte tid att sätta sig in i den. Det utvecklas nya algoritmer varje dag och det är svårt för en kommunanställd att hänga med i den snabba utvecklingen.
Vad fungerar och varför
Projektet syftar till att skala upp införandet och användningen av AI och maskininlärningsverktyg i svenska VA-organisationer, bland annat genom att utvärdera nuvarande implementeringar, granska ”best practice” och ta del av expertinsikter.
- Artificiell intelligens och maskininlärning skulle kunna erbjuda transformativa lösningar som möjliggör datadrivet beslutsfattande och proaktiv underhållsplanering. Då skulle vi gå mot en mer optimerad resursfördelning, längre livslängd och förbättrad operativ effektivitet för vatten- och avloppsinfrastrukturen. Men för att komma dit behövs en strategisk färdplan för införandet av AI.
I projektet kommer de hantera hur man jobbar med indata och hur man hanterar olika säkerhetsklassningar.
- Det är viktigt att förstå vilka data man kan använda, kvaliteten och partiskheten som följer med dataoch hur man bäst använder dem. Med hjälp av data får vi trender som kan analyseras och ge information om vilka beslut som visar sig ha effekt och vilka som inte har det. Analyserna ger även stöd för prioriteringar som gör underhållet mer effektivt.
AI kan underlätta användningen av schaktfri teknik
Han ser schaktfri teknik som en viktig del i ett effektivare underhåll inom tillgångsförvaltning.
- Schaktfria metoder är väldigt intressanta ur flera perspektiv, de effektiviserar underhållet och minskar kostnaderna vilket är viktiga delar inom tillgångsförvaltningen.
AI och maskininlärning kan användas för att öka användningen av schaktfri teknik.
- Genom att koordinera information från AI-verktygen kan man identifiera vilka ledningar som passar för schaktfria metoder och vilka som inte gör det. AI kan även optimera metoderna och göra dem mer effektiva.
Tar inspiration från andra länder
Under projektet kommer de även att hämta information från goda exempel utomlands.
- Projektet kommer också att dra nytta av exemplarisk praxis från utlandet. Flera länder har banat väg för strukturerade metoder för tillgångsförvaltning och har gjort betydande framsteg inom datadrivet underhåll och tillämpningen av maskininlärning. I projektet kommer vi att identifiera och anpassa delar av deras erfarenheter som kan vara tillämpliga i svensk kontext.
Emmanuel Okwori konstaterar att den svenska vattenindustrin fortfarande befinner sig i ett tidigt skede när det gäller användningen av AI och maskininlärning.
- Dock kan vi se lovande resultat inom viktiga områden som förebyggande underhåll, läckagedetektering och övervakning av vattenkvaliteten. Det finns kommuner som är pionjärer inom dessa lösningar och visar att det finns stor potential när det gäller effektivitet och hållbarhet.
Bättre beslutsstöd och ökad effektivitet
Samtidigt finns många utmaningar kvar, många allmännyttiga företag brottas med begränsningar i datainfrastrukturen, kompetensbrist och behovet av att balansera AI-investeringar med brådskande infrastrukturförnyelser. Trots dessa hinder är framtidsutsikterna lovande.
- Färdplanen är tänkt möta utmaningarna inom VA-sektorn och minska det gap som vi ser, både i EU och i Sverige, mellan den teknik som redan finns utvecklad och vad som faktiskt används. Med hjälp av AI och maskininlärning kan vi bidra med bättre beslutsstöd och göra underhållet mer effektivt, avslutar Emmanuel Okwori.