Des progrès technologiques considérables ont apporté des solutions innovantes dans les services de gestion de l'eau, des eaux usées et des déchets.
Le marché de la gestion intelligente de l'eau devrait atteindre 30,8 milliards de dollars d'ici 2028, avec un taux de croissance annuel composé de 13,89 % entre 2023 et 2028[1]. La progression sera soutenue par l'intelligence artificielle (IA) et par l'Internet des objets (IoT), car ces technologies recèlent un immense potentiel pour passer à des solutions plus durables.
L'IA, en particulier, ouvre de nouvelles voies pour améliorer les processus dans l'ensemble de l'écosystème. Son intégration permet de développer des applications à fort impact, allant de l'analyse prédictive aux solutions de surveillance.
Dans cet article, nous explorons l'utilisation de l'IA dans les services d'approvisionnement en eau, d'assainissement, de gestion des déchets et de dépollution. Nous détaillons également ses différentes applications, ses avantages et les défis qui entravent son adoption.
L'industrie de la distribution d'eau évolue vers la modélisation hydraulique 2.0, soulignant l'impact que le secteur attend des technologies modernes. L'IA et le machine learning(ML) sont des pivots pour ce progrès, car ils peuvent aider à optimiser les processus et à améliorer la prestation de services.
Voici 8 façons dont l'IA influe sur les services de fourniture d'eau.
La maintenance prédictive basée sur l'IA utilise une modélisation avancée pour prévoir les défaillances en différents points du réseau de distribution d'eau ("water distribution network", WDN). Les services publics perdent plus de 14 milliards de dollars par an. Une grande partie de ces pertes est due à l'eau non facturée, qui peut atteindre 60 % dans certains pays. Le vieillissement de l'infrastructure est la principale cause de ces pertes, qui représentent un fardeau financier pour les clients et les fournisseurs [2].
Les méthodes d'entretien des réseaux de distribution d'eau existantes sont généralement réactives et correctives. Cela signifie que la maintenance n'est pas programmée et prend du temps, ce qui affecte négativement l'approvisionnement des communautés et des entreprises commerciales. De plus, les mesures réactives couvrent principalement les fuites d'eau plus importantes, laissant les petites fuites sans surveillance.
L'intégration de modèles d'apprentissage automatique et de capteurs améliore la surveillance du débit d'eau en temps réel. Ces solutions peuvent détecter les anomalies, localiser la fuite et en déterminer l'ampleur, ce qui permet d'accélérer les services de réparation.
Les modèles prédictifs peuvent également contribuer à la détection précoce des défaillances dans le réseau de distribution d'eau. À l'aide de capteurs et de divers paramètres tels que le débit, ces modèles peuvent détecter des anomalies susceptibles d'empêcher l'aggravation des problèmes.
L'infrastructure de l'eau est confrontée à un assaut, allant du vieillissement à la pression humaine. La gestion du réseau peut s'avérer coûteuse en raison de la diversité des actifs et de sa nature souterraine. Cependant, en utilisant des solutions de gestion des actifs plus ingénieuses, les services publics de l'eau devraient économiser 41,9 milliards de dollars en dépenses d'investissement d'ici 2027 [3].
Les solutions de gestion des actifs alimentées par l'IA peuvent diminuer les coûts de maintenance, réduire les temps d'arrêt et prolonger la durée de vie des actifs. Elles peuvent renforcer les processus d'inspection manuelle en utilisant des outils tels que les systèmes de vidéosurveillance et les drones pour la collecte de données.
Par exemple, les applications de vision par ordinateur peuvent traiter les images de vidéosurveillance des conduites d'eau, des canalisations, des réservoirs et des bouches d'incendie. Un modèle peut alors identifier la détérioration des actifs et les points de défaillance possibles.
Les inondations peuvent avoir un impact négatif sur les services de distribution d'eau, en contaminant l'eau potable, en détruisant les infrastructures, etc. Historiquement, des prévisions d'inondation inexactes ont entraîné des catastrophes, comme l'inondation de Brisbane en 2011 [4].
Les observations météorologiques telles que la température et l'intensité des précipitations peuvent être collectées à l'aide de capteurs. En les combinant avec des données hydrologiques, des données sur les systèmes d'approvisionnement et des images de télédétection, les modèles d'intelligence artificielle permettent de mieux comprendre les caractéristiques des inondations. Les corrélations entre les différentes variables permettent de déterminer avec précision le débit et le niveau de l'eau[5].
Les algorithmes de ML, tels que les arbres de décision("Decision Tree", DT), les réseaux neuronaux et le deep learning, analysent ces données, ce qui donne lieu à un modèle de prédiction. La solution peut fournir des alertes précoces en cas d'inondation, en prévenant les distributeurs d'eau de l'imminence d'un débordement.
De nombreux modèles de prévision des inondations ont déjà été développés. Par exemple, un réseau neuronal artificiel ("artificial neural network", ANN) a permis de créer un outil de prévision des inondations pour les bassins versants des zones semi-arides et méditerranéennes. Les prévisions permettent une gestion intelligente des ressources en eau [6].
Les compagnies des eaux utilisent également des réservoirs, qui sont susceptibles d'être inondés. Des algorithmes tels que la machine à vecteur de support ("support vector machine", SVM) peuvent être utilisés pour construire des modèles déterminant les flux d'eau pendant les inondations. Une prévision précise aide à la prise de décision, notamment en ce qui concerne les lâchers d'eau en cas d'inondation [7].
Les activités humaines et l'industrialisation contribuent à la pollution de l'eau. Pour assurer la sécurité de l'approvisionnement en eau, il est essentiel d'évaluer des paramètres tels que le pH et l'oxygène dissous.
Les outils dotés d'IA peuvent évaluer la qualité de l'eau en exploitant les données historiques et les données des capteurs [8]. Par ailleurs, les technologies de télédétection peuvent capturer des données en temps réel pour révéler les caractéristiques des polluants. La solution peut être adaptée pour signaler les contaminants, prédire la qualité de l'eau et donner des indications sur le respect des normes requises.
Des algorithmes tels que le SVM et l'ANN sont déjà utilisés à Séoul, en Corée du Sud, pour aider la ville à renforcer sa capacité à évaluer la qualité de ses eaux souterraines et de ses eaux potables. La solution utilise des modèles spatiaux et temporels pour déterminer l'adéquation des eaux à différentes fonctions [9].
La perte de ressources lors du pompage, du stockage et du transport constitue un véritable défi pour les fournisseurs d'eau. Selon un rapport de la Banque mondiale, les pertes physiques d'eau sont estimées à 32 000 milliards de litres par an[10].
Les solutions pilotées par l'IA tirent parti des données relatives au débit et à la pression de l'eau fournies par les capteurs. Ces données peuvent contribuer à la reconnaissance des schémas, à la détection des anomalies et à la validation des modèles hydrauliques. Les fournisseurs peuvent utiliser ces modèles pour identifier rapidement les pertes dues au vol, à la consommation non facturée et aux fuites.
Environ 30 % de l'eau traitée est perdue pendant le transport [11]. Détecter et localiser les fuites dans un vaste réseau de distribution d'eau peut s'avérer difficile. Les méthodes traditionnelles, telles que la détection acoustique, nécessitent beaucoup de main-d'œuvre, de compétences et ne sont pas systématiques [12]. Au contraire, les solutions basées sur l'IA aident à la détection des fuites en temps quasi réel, ce qui permet de localiser les défaillances en l'espace de quelques heures.
Les modèles d'IA traitent les sons de fuite, le débit et les données de pression provenant des capteurs. Des algorithmes tels que les réseaux neuronaux profonds (DNN), les réseaux neuronaux à convolution (CNN), les systèmes d'inférence floue (SIF) et les réseaux bayésiens peuvent traiter les données, localiser les fuites et leurs échelles [13].
D'autres solutions intelligentes mises en œuvre pour l'approvisionnement en eau des bâtiments peuvent détecter avec précision les anomalies, alerter les responsables et arrêter le système de canalisation qui fuit [14].
United Utilities, un fournisseur d'eau basé au Royaume-Uni, utilise un système de "reconnaissance d'événements dans le réseau d'eau (ERWAN)" basé sur l'IA pour détecter les éclatements de tuyaux et les fuites. L'entreprise détecte ainsi les défaillances plus rapidement et de manière plus fiable [15].
Les services de distribution d'eau sont confrontés à une pression énorme pour fournir de l'eau de manière efficace en raison du changement climatique, de l'augmentation de la population et des contraintes budgétaires. Des prévisions inexactes de la demande peuvent conduire à des opérations de pompage inefficaces et à des coûts d'exploitation élevés.
Une approche basée sur l'IA peut renforcer ce processus pour aider les entreprises à déterminer avec précision l'offre du côté de la demande. Les modèles de prévision aident les opérateurs à comprendre les besoins en eau en fonction de multiples variables telles que la météo et l'heure de la journée. Les prévisions peuvent être faites pour différents intervalles, allant de quelques heures à plusieurs mois.
Plusieurs algorithmes peuvent contribuer à la prévision de la demande. Les méthodes d'ensemble sont relativement courantes en raison de la complexité du problème. D'autres algorithmes pour ce cas d'utilisation sont le "long short term memory" (LSTM), la forêt aléatoire (RF), l'ANN et l'analyse en composantes principales (PCA) [16].
Une entreprise de services publics d'une ville allemande utilise l'IA pour prévoir les besoins en eau de ses habitants. La solution utilise des données historiques, des informations météorologiques et calendaires pour prédire les besoins futurs. Elle atteint une précision de 94 à 96 % pour les prévisions horaires et quotidiennes. L'entreprise tire de nombreux avantages de cette solution, notamment une planification optimale [17].
La conception des réseaux hydrauliques en vue de leur extension, de leur renforcement et de leur réhabilitation est un processus complexe. L'utilisation de l'IA peut aider les ingénieurs concepteurs à créer des réseaux de distribution d'eau optimisés.
Les techniques de calcul évolutif telles que les algorithmes génétiques (AG) peuvent aider les ingénieurs à résoudre des problèmes de conception complexes. Ils peuvent analyser et tester de multiples possibilités d'optimisation [18].
Les ingénieurs peuvent également utiliser l'IA générative pour concevoir des réseaux de distribution d'eau efficaces et peu coûteux[19]. Les solutions apportées par les deux modèles peuvent aider les ingénieurs à créer de multiples conceptions tout en expérimentant différents paramètres d'entrée.
Il existe de nombreuses sources d'eaux usées, notamment municipales, médicales et commerciales. Ces déchets contiennent des matières organiques, des éléments chimiques, des déchets, ainsi que des composés volatils et dangereux.
Auparavant, les déchets étaient considérés comme un polluant et une menace. Cependant, avec l'infrastructure et la technologie appropriées, ils peuvent être transformés en éléments précieux. Eurostat indique que les composants des eaux usées peuvent potentiellement produire de l'électricité pour 25 millions de ménages chaque année et répondre à 13 % des besoins en engrais de l'Union européenne [20].
Les solutions pilotées par l'IA peuvent améliorer l'analyse des données, permettant aux usines d'optimiser les paramètres de traitement tout en minimisant les coûts opérationnels et en réduisant la consommation d'énergie.
Voici les 5 applications de l'IA dans la gestion des eaux usées.
Les dépenses élevées et les traitements chimiques entravent le traitement des eaux usées. L'application de l'IA gagne du terrain dans le secteur pour aider à surmonter les complications traditionnelles.
Les outils d'IA peuvent évaluer l'efficacité du processus d'adsorption, qui est responsable de l'élimination des contaminants tels que les colorants, les médicaments, les métaux et les composés organiques [21]. Des modèles construits avec ANN, ANFIS, SVM et RF ont été utilisés pour modéliser et prévoir l'efficacité du processus d'adsorption.
Les modèles CNN sont capables d'identifier différentes caractéristiques à partir de données spectrales. Ils peuvent être utilisés pour l'identification des produits chimiques et des micropolluants. De plus, l'analyse d'images basée sur l'IA et des techniques telles que la spectroscopie Raman peuvent être utilisées pour détecter et identifier les contaminants [22].
Les stations d'épuration des eaux usées consomment beaucoup d'énergie. On estime qu'elles nécessitent 1 à 3 % de la production d'énergie d'un pays [23].
L'un des principaux avantages de l'utilisation de solutions basées sur l'IA pour la gestion des eaux usées est la réduction de la consommation d'énergie. La technologie peut aider les stations d'épuration à optimiser le fonctionnement des vannes, des pompes et d'autres équipements. Pour ce faire, elle tire des renseignements et des conclusions des données opérationnelles, des capteurs en temps réel et des conditions météorologiques.
La station d'épuration de Brembate, en Italie, qui dessert une population de plus de 200 000 habitants, a mis en œuvre une solution d'IA pour réduire les coûts d'aération tout en garantissant la qualité des effluents. La solution a permis d'économiser 25 % d'énergie d'aération, tandis que la consommation totale d'énergie de la station a été réduite de 13 %.
Des capteurs surveillent en permanence les opérations d'une usine. Les données fournies par ces capteurs permettent de suivre le fonctionnement des équipements, les effluents d'eaux usées et les affluents. Par exemple, la surveillance des niveaux permet de contrôler les obstacles, la concentration des sédiments et les FOG (graisses et huiles).
La surveillance en temps réel des infrastructures et des processus des stations d'épuration est essentielle, et une observation inadéquate peut entraîner des résultats catastrophiques. Par exemple, le Royaume-Uni connaît chaque année des dizaines de milliers d'obstructions de canalisations d'eaux usées [24]. Ces blocages entraînent des déversements, des inondations et la contamination de l'eau potable.
Les solutions basées sur l'IA peuvent détecter les embouteillages à la station de pompage des eaux usées pendant le filtrage et le pompage. Elles peuvent surveiller les débits entrants en analysant des données vidéo, historiques et en temps réel, et aider les opérateurs à prendre des décisions en matière de pompage [25].
La reconnaissance des formes et la détection des anomalies aident les usines de traitement des eaux usées à prévoir les défaillances et à identifier les problèmes à un stade précoce. La capacité de l'IA à analyser des ensembles massifs de données permet aux opérateurs d'avoir une idée de la manière dont les différents processus fonctionnent.
Détection anticipée des défaillances et maintenance : La combinaison de l'IA, des capteurs IoT et des systèmes de contrôle (tels que SCADA) peut aider à construire des systèmes robustes dotés de capacités de reconnaissance des formes. En surveillant des paramètres tels que les niveaux de pression et de débit, les modèles peuvent détecter les anomalies et localiser l'emplacement du défaut.
L'inspection visuelle et les données du réseau d'égouts peuvent également contribuer à la détection précoce des défauts. Des algorithmes tels que KNN, RF, ANN et GA peuvent être utilisés pour détecter et classer les défauts des canalisations. La détection précoce des défauts peut aider les services d'assainissement à réduire les coûts de maintenance, les incidents de déversement et les inondations [26].
Prévision de la qualité des effluents: La surveillance constante de la qualité des effluents est un défi en raison des débits dynamiques et de la charge polluante. Des mesures inefficaces entraînent des dépenses opérationnelles élevées et des prises de décision non fondées. Cependant, la capacité de l'IA à résoudre des problèmes non linéaires complexes permet de relever ces défis.
Un algorithme tel que le réseau neuronal flou auto-organisateur peut aider à prédire la qualité des effluents en temps réel [27]. Par exemple, le prédicteur de blocage SIWA utilise l'IA pour avertir des blocages d'égouts à l'aide de capteurs qui collectent des données sur les précipitations et les eaux usées [28].
La gestion des déchets est un processus complexe qui implique la manipulation, le traitement et l'atténuation des impacts des déchets sur l'environnement. La situation est exacerbée par l'augmentation des quantités de déchets produits dans le monde.
La combinaison de l'IA et de technologies telles que l'IoT et le big data aide à gérer des problèmes complexes à mesure que l'industrie passe à une "économie circulaire sans déchets". Elle fournit des stratégies inédites pour améliorer la gestion des déchets grâce à des technologies avancées.
Voici comment l'IA contribue à la gestion des déchets et aux services d'assainissement.
Greg Lettieri, PDG de RTS, une entreprise qui aide à gérer les déchets, estime que l'IA va changer la gestion des déchets et du recyclage. On observe une progression dans les villes, beaucoup d'entre elles passant à une gestion intelligente des déchets grâce à un routage dynamique des camions et à des taux de recyclage plus élevés.
Acheminement des véhicules: Les coûts associés à la collecte des déchets sont prohibitifs, représentant 70 à 80 % du coût de la gestion des déchets solides [29]. L'utilisation de l'IA peut aider à optimiser les problèmes à partir de contraintes telles que la distance, le temps et le coût.
Le GA et ses modèles hybrides peuvent être utilisés pour la planification des itinéraires et l'optimisation de la fréquence de collecte [30]. Les algorithmes d'optimisation par "colonies de fourmis" peuvent être utilisés pour identifier les itinéraires les plus courts pour les camions de collecte [31].
L'Iran a utilisé une technique d'optimisation probabiliste appelée algorithme de recuit simulé pour améliorer la collecte dans 43 centres de recyclage. Cette méthode a permis de réduire les coûts de 13,3 % [32].
Plus de 2,1 milliards de tonnes de déchets solides sont produits chaque année dans les municipalités du monde entier. Au moins 33 % de ces déchets sont mal gérés, ce qui nuit à l'environnement et à la santé de la population[33].
Amélioration de la surveillance: Les solutions reposant sur l'IA peuvent surveiller les activités de recyclage et signaler les anomalies. Par exemple, un modèle peut surveiller la contamination, identifier une classification incorrecte des matériaux et alerter les opérateurs [34].
Optimisation du tri des déchets : Les robots autonomes utilisent des capteurs visuels et des compétences opérationnelles avancées pour trier et classer les déchets. Pour ce faire, ils s'appuient sur des méthodes de deep learning. Le tri et la classification intelligents des déchets contribuent à une gestion efficace des ordures et à une réduction des coûts [35].
Des prévisions inexactes concernant la production de déchets peuvent entraîner des problèmes généralisés, notamment une utilisation inefficace des ressources. Comprendre les modèles de production de déchets peut aider à construire un cycle de vie des déchets efficace.
Les modèles d'IA et de ML peuvent analyser, apprendre et prédire de manière fiable la quantité de déchets produits. Des algorithmes tels que le système d'inférence floue neuronale adaptative (ANFIS), le SVM et le KNN peuvent être appliqués aux modèles de prévision [36]. Une estimation précise contribue à une gestion efficace des déchets et à un meilleur traitement des ordures.
Les méthodes conventionnelles d'inspection du remplissage des poubelles sont inefficaces et prennent beaucoup de temps. La surcharge des poubelles et leur élimination inappropriée entraînent une dégradation de l'environnement, agissant souvent comme un lieu de reproduction pour les insectes et les organismes pathogènes.
Les poubelles intelligentes utilisent des modèles de détection de niveau alimentés par l'IA, des caméras et des capteurs IoT. Les algorithmes utilisés pour cette tâche comprennent la perception multicouche entraînée à l'aide de l'algorithme de rétropropagation et des algorithmes de classificateur K-nearest neighbor [37].
Les progrès réalisés dans le domaine des capteurs intelligents, de la puissance de calcul et du big data ont tous contribué à l'adoption de l'IA. Cette technologie a trouvé des applications concrètes dans de nombreux secteurs, et l'avenir s'annonce prometteur.
Voici cinq exemples illustrant l'utilisation de l'IA dans les services d'approvisionnement en eau, d'assainissement et de gestion des déchets
Thames Water Utilities Company, qui opère à Londres, utilise l'IA pour la détection des fuites. Comme 95 % de son infrastructure est souterraine, l'entreprise utilise des capteurs acoustiques pour collecter des données sur ce réseau.
La solution d'IA analyse les sons et les vibrations, tels que les fuites, les écoulements et les chasses d'eau. L'outil aide l'entreprise à identifier l'emplacement et l'ampleur de la fuite. L'entreprise en retire de nombreux avantages, notamment une réduction des perturbations au niveau de la rue pour les travaux d'entretien. En outre, le taux de suivi des enquêtes sur les fuites a augmenté de 20 % [38].
Vitens, le plus grand fournisseur d'eau potable des Pays-Bas, utilise une solution intelligente basée sur un algorithme adaptatif d'auto-apprentissage. L'IA analyse les caractéristiques d'une zone spécifique à l'aide de données historiques, de prévisions de consommation d'eau, de la saison et de l'heure de la journée. Elle fournit une prévision à 72 heures de la demande en eau domestique.
L'optimisation de l'approvisionnement en eau a assuré la stabilité du système de distribution. Elle garantit des performances efficaces, entraînant une réduction de 20 % de la consommation d'énergie et contribuant à prolonger la durée de vie des actifs [39].
Une entreprise de traitement des eaux usées de la ville de Cuxhaven, dans le nord de l'Allemagne, a cherché à réduire sa consommation d'énergie et de produits chimiques. L'entreprise, qui dessert 400 000 habitants, s'est tournée vers l'IA pour s'attaquer au problème. L'usine a réalisé une économie de 30 % de l'énergie nécessaire au fonctionnement de ses aérateurs.
La solution consistait à utiliser les données du système SCADA de l'usine. Des capteurs "virtuels" supplémentaires ont été ajoutés à l'usine pour faciliter la surveillance en temps réel du processus d'aération. Les données ont permis de construire un modèle d'optimisation qui a choisi les meilleurs points de consigne pour faire fonctionner les aérateurs [40].
L'agence de l'eau Vallei en Veluwe a mis en œuvre une solution d'IA pour optimiser le transport des eaux usées, l'élimination des nutriments et l'utilisation des produits chimiques et de l'énergie. Les informations fournies par l'outil permettent d'ajuster les pompes, les aérateurs et les vannes. Cela permet d'optimiser l'élimination des nutriments des eaux usées et de réduire la consommation d'énergie de 15 % [41].
Le robot de tri des déchets est alimenté par l'IA et effectue des tâches physiques, en prélevant et en plaçant des matériaux à une vitesse de 55 prélèvements par minute. Le système utilise le système de vision par ordinateur, qui identifie les objets et les matériaux des flux de déchets. La solution a stimulé le processus de tri en améliorant l'efficacité des opérations [42].
Les barrières humaines, technologiques et infrastructurelles continuent d'entraver l'adoption de l'IA. Par exemple, l'absence de mise en œuvre correcte d'un système de contrôle des décisions peut avoir des conséquences catastrophiques dans un système d'approvisionnement en eau potable.
Nous mettons en évidence les défis potentiels qui entravent l'adoption bénéfique de l'IA dans les activités liées à l'eau et aux déchets.
Les entreprises de services publics qui ne disposent pas d'une infrastructure physique et TIC fondamentale peuvent avoir du mal à déployer des solutions d'IA pour leurs cas d'utilisation.
À l'inverse, les services publics établis exploitent des systèmes complexes avec de multiples entités qui produisent constamment différentes variables. La modélisation de ces problèmes peut s'avérer complexe et nécessiter une amélioration des algorithmes et une expertise dans le domaine.
19 % des organisations interrogées dans le cadre d'une enquête menée par IBM ont cité le coût élevé des projets d'IA comme un obstacle important à leur adoption [43]. En outre, les entreprises qui utilisent des systèmes existants peuvent avoir besoin de déployer des systèmes numériques avancés pour tirer le meilleur parti de l'IA. Ces changements nécessitent un investissement financier.
La complexité du projet et le coût de l'intégration de l'IA dans les systèmes existants constituent d'autres défis, en particulier à court terme.
L'exactitude, l'exhaustivité et la cohérence des données sont essentielles à la réussite des projets d'IA. Les organisations citent la complexité des données comme un obstacle important à l'adoption de l'IA [44]. Des données de mauvaise qualité conduisent en fin de compte à des biais, les modèles fournissant des résultats peu fiables.
L'industrie de l'eau et des déchets gère diverses sources de données, notamment des données opérationnelles, environnementales et réglementaires. Cependant, ces données peuvent exister en silos et dans des formats différents. Leur transformation en un ensemble de données structurées pour la modélisation peut être complexe et nécessiter beaucoup de ressources.
Les entreprises de services publics stockent et traitent également de grandes quantités d'informations sensibles, allant des données sur les clients à celles sur les infrastructures. Face à la menace croissante des cyberattaques, les entreprises de services publics doivent faire face à des problèmes de plus en plus importants en matière de sécurité des données. Ces entreprises doivent mettre en œuvre des solutions concrètes pour prévenir les violations de données, les atteintes à la vie privée et l'empoisonnement des modèles de leurs solutions d'IA.
Pour réussir la mise en œuvre de leurs projets d'IA, les entreprises de services publics doivent déployer des stratégies claires en matière de données. Cela implique une collecte, une gestion et une sécurité appropriées.
Même avec les données et l'infrastructure adéquates, les entreprises de services publics ont besoin de talents ayant les connaissances et les compétences nécessaires sur le terrain. Selon une enquête d'IBM, le manque d'expertise en matière d'IA est le principal obstacle à l'adoption de l'IA [45].
Les entreprises de services publics peuvent commencer par des projets d'IA petits et gérables, permettant aux équipes d'apprendre et de s'adapter de manière appropriée avant d'étendre la solution.
Les modèles d'IA peuvent amplifier les biais dans les ensembles de données d'apprentissage. En fin de compte, cela peut conduire à des résultats discriminatoires. Par exemple, les biais peuvent conduire à une mauvaise allocation des ressources à des zones spécifiques en raison de leur statut socio-économique. Il est possible d'atténuer ce problème grâce à un contrôle continu des performances et à des mécanismes de détection.
La complexité de l'élaboration des modèles d'IA peut entraîner des problèmes de transparence. Les résultats du modèle peuvent être difficiles à expliquer, laissant les opérateurs douter des informations qu'ils reçoivent. Après avoir mis en œuvre des solutions d'IA, les services publics doivent déployer des mécanismes de surveillance pour garantir la responsabilité du modèle.
Les progrès récents de l'IA ouvrent de nouvelles voies d'interaction avec les données. Le dynamisme de l'IA la rend applicable à certains des problèmes les plus complexes de l'industrie des services de gestion de l'eau et des déchets.
À mesure que le secteur de l'approvisionnement en eau passe à la modélisation hydraulique 2.0, l'IA est appelée à jouer un rôle crucial. Les villes deviennent également plus intelligentes et les ressources s'amenuisent. Les services publics peuvent utiliser l'IA pour maintenir les niveaux de service.
La technologie s'illustre dans différentes applications, même pour les problèmes non linéaires complexes à résoudre. Ces solutions vont de la détection des fuites à la maintenance prédictive. Le résultat net est une amélioration de la prestation de services et une réduction des coûts.
Les solutions basées sur l'IA promettent également des économies d'énergie dans la gestion des égouts, un secteur connu pour sa forte consommation d'énergie. Dans le domaine de la gestion des déchets, des robots autonomes font leur apparition sur les chaînes de tri des déchets, aidant à identifier et à trier les ordures.
Malgré les nombreux avantages de l'IA, plusieurs obstacles s'opposent à son adoption. Les problèmes d'infrastructure, de coût et de données ne sont que quelques-uns de ces défis. Les acteurs du secteur doivent faire preuve d'innovation dans la recherche de solutions, faute de quoi le secteur risque d'être à la traîne.
Ecrit par Baptiste Aelbrecht
