**Kaip Lietuvos vandens tiekimo įmonės naudoja dirbtinį intelektą nutekėjimams aptikti: technologijų revoliucija po žeme**

Vandentiekio sistema – vienas tų dalykų, apie kuriuos pagalvojame tik tada, kai kažkas negerai. Vamzdis trūksta gatvėje, vanduo teka į kanalizaciją savaitėmis niekam nepastebėjus, o sąskaita už nuostolius galiausiai atitenka vartotojui. Lietuvoje ši problema nėra nauja, tačiau paskutiniais metais požiūris į ją keičiasi – ir tai vyksta ne per didelius pareiškimus, o per gana kuklius, bet efektyvius technologinius sprendimus, kurie veikia po žeme, ten, kur niekas jų nemato.

Kodėl nutekėjimai apskritai yra tokia didelė problema

Vandens tiekimo tinklai Lietuvoje – tai dešimtmečiais tiestos infrastruktūros mišinys. Kai kur vamzdynai pakloti dar sovietmečiu, kai kur atnaujinti per pastaruosius du dešimtmečius, panaudojant ES paramos lėšas. Nesvarbu, koks amžius – nutekėjimai atsiranda visur, tiesiog skirtingu dažniu. Tradiciškai jie buvo aptinkami arba pagal skundus (kaimynas pastebėjo balą kieme), arba per periodinius patikrinimus, kurie fiziškai neapima viso tinklo vienu metu. Rezultatas – vanduo, kuris jau buvo apdorotas, pumpuotas, apmokėtas energijos sąnaudomis, tiesiog dingsta žemėje, neatnešdamas jokios naudos.

Ekonominis aspektas čia akivaizdus, bet ne mažiau svarbus ir aplinkosauginis – gėlo vandens ištekliai nėra begaliniai, o jų švaistymas dėl neaptiktų nutekėjimų yra tas pats, kaip palikti atidarytą čiaupą visame mieste vienu metu.

Kur atsiranda dirbtinis intelektas

Čia ir prasideda įdomesnė dalis. Vietoj to, kad laukti, kol nutekėjimas taps matomas paviršiuje, įmonės pradeda naudoti jutiklius, kurie renka duomenis apie slėgį, srautą ir akustinius signalus vamzdynuose realiu laiku. Patys jutikliai – ne naujiena, jie naudojami jau nemažai laiko. Tačiau tai, kas keičiasi, yra būdas, kuriuo šie duomenys analizuojami.

Algoritmai, apmokyti atpažinti anomalijas duomenų srautuose, gali pastebėti nedidelius nukrypimus – pavyzdžiui, slėgio kritimą tam tikroje tinklo atkarpoje, kuris žmogaus akiai atrodytų kaip statistinis triukšmas, bet mašinai signalizuoja apie galimą problemą. Svarbiausia čia – ne pats faktas, kad kompiuteris skaičiuoja greičiau, o tai, kad modelis mokosi iš istorinių duomenų ir su laiku tampa tikslesnis, atskirdamas tikrus nutekėjimus nuo, tarkim, sezoninių vartojimo svyravimų ar remonto darbų poveikio.

Praktinė pusė: kaip tai atrodo realybėje

Vienas iš praktinių pavyzdžių – akustinis monitoringas, kai vamzdyje įrengti mikrofonai fiksuoja garso bangas, kylančias dėl vandens tekėjimo pro plyšį ar defektą. Šis garsas skiriasi nuo įprasto vandens tekėjimo garso, ir algoritmas, apmokytas atpažinti tokį skirtumą, gali su gana dideliu tikslumu nurodyti, kurioje vietovėje verta tikrintis pirmiausia.

Kitas metodas remiasi vadinamuoju „hidrauliniu modeliavimu“ – skaitmeniniu tinklo dvyniu, kuris nuolat lyginamas su realiais duomenimis. Kai realūs matavimai pradeda nesutapti su modelio prognozėmis, tai signalas, kad kažkas tinkle pasikeitė – galbūt atsirado naujas nutekėjimas, o gal tiesiog padidėjo vartojimas dėl karštos vasaros. Skirtumą tarp šių dviejų scenarijų kaip tik ir padeda atskirti mašininio mokymosi modeliai, apmokyti atpažinti dešimtis skirtingų veiksnių vienu metu.

Svarbu paminėti, kad šie sprendimai nėra visiškai automatizuoti stebuklai – žmogaus vaidmuo išlieka. Sistema pateikia signalą, tačiau galutinį sprendimą, ar siųsti brigadą tikrinti konkrečios vietos, vis dar priima specialistas. Technologija čia veikia labiau kaip filtras, sumažinantis triukšmą ir leidžiantis sutelkti ribotus žmogiškuosius resursus ten, kur tikimybė rasti realią problemą yra didžiausia.

Kas trukdo ir kas skatina šį procesą

Nereikėtų idealizuoti situacijos – diegimo tempas Lietuvoje nėra vienodas visose savivaldybėse. Didesni miestai, turintys daugiau resursų ir galimybę pritraukti ES lėšas skaitmeninimui, žengia greičiau. Mažesnėse gyvenvietėse, kur vandentiekio įmonės dirba su ribotu biudžetu, tokie sprendimai kol kas lieka ateities planuose, o ne kasdiene praktika.

Kita kliūtis – duomenų kokybė ir infrastruktūros pasirengimas. Kad algoritmas veiktų tinkamai, reikia pakankamai jutiklių, tinkamos duomenų perdavimo infrastruktūros ir, svarbiausia, laiko, per kurį sistema „išmoksta“ konkretaus tinklo specifikos. Vienas modelis, veikiantis puikiai Vilniaus tinkle, nebūtinai automatiškai tiks mažesnio miesto sistemai su kitokia vamzdynų konfigūracija.

Tačiau paskata judėti šia kryptimi tik auga – tiek dėl klimato kaitos sukeltų sausrų, kurios daro vandens taupymą aktualesnį nei bet kada, tiek dėl ekonominio spaudimo optimizuoti eksploatacines sąnaudas. Kai kiekvienas sutaupytas kubinis metras turi realią kainą, investicija į stebėsenos technologijas atsiperka greičiau, nei atrodo iš pirmo žvilgsnio.

Vietoj išvadų: požeminis tinklas, kuris pradeda „kalbėti“

Tai, kas vyksta šiandien Lietuvos vandentiekio sistemose, iš esmės yra bandymas paversti tylią, nematomą infrastruktūrą kalbančia. Vamzdynai per dešimtmečius tapo tarsi juoda dėžė – žinome, kad ten teka vanduo, bet ne visada žinome, kas su juo vyksta tarp siurblinės ir čiaupo. Dirbtinis intelektas šioje situacijoje veikia ne kaip revoliucinis stebuklas, o kaip vertėjas – jis padeda paversti chaotišką duomenų srautą suprantama informacija, kurią gali panaudoti žmogus, priimantis sprendimus.

Galbūt didžiausia šio proceso vertė yra ne technologinė, o mentaliteto kaita – perėjimas nuo reaktyvaus valdymo (taisyti, kai jau blogai) prie prevencinio mąstymo (numatyti, kol dar nebuvo blogai). Tai lėtas procesas, vykstantis be didelių fanfarų, tačiau būtent toks – nuoseklus ir praktiškas – dažniausiai ir būna ilgalaikis pokytis, kuris po kelerių metų tampa savaime suprantama norma, o ne naujove.