Fra sensordata til verdi: Slik fikk Hias KI-hjelp til å gjøre mer selv

– Historisk har vi plassert ut sensorer for overvåking og styring av ulike prosesser, sier Katrine Marteng Jansen i Hias, det interkommunale vann- og avløpsselskapet i Hamarregionen.

For Jansen, som jobber med modellering og bruk av prosessdata, var det imidlertid et ørlite problem at Hias ikke hadde noen tradisjon for å lagre alle dataene.

– Nå har vi begynt å lagre langt mer data, vel vitende om at det ligger verdier her som vi ikke kjenner til ennå, sier Jansen.

Med det er det også blitt større muligheter for å bruke maskinlæring. Her hadde Jansen allerede begynt å eksperimentere med egne modeller, men merket at hun kom til kort i utnyttelsen av dataene.

– Vi har så mange spørsmål, og så mange lavthengende og høyere hengende frukter, at det er et kjempepotensial. Det tror jeg gjelder for hele bransjen, sier Jansen.

Flere av disse fruktene skulle bli mulig å plukke ned da Jansen og Hias ble koblet med SINTEF gjennom Nemonoor, som tilbyr forskerhjelp til virksomheter som vil utforske mulighetene innen kunstig intelligens.

Vil oppdage feil tidligere

Hias driver blant annet renseanlegg, vannbehandlingsanlegg for drikkevann og hovedledninger for vann og avløp.

Her er det også mange muligheter for å bruke KI, men i samarbeidet med SINTEF valgte de å konsentrere seg om en forholdsvis avgrenset utfordring: Kunne målingene fra avløpsnettet brukes til å oppdage feil tidligere?

– En stor utfordring på avløpsnettet er såkalt fremmedvann. Det er regnvann og annet vann som trenger inn gjennom utette avløpsrør, forklarer Jansen.

Dette fremmedvannet må både pumpes til og sendes gjennom renseanlegget, selv om det ikke trenger rensing.

– Da bruker du egentlig ressurser og kjemikalier på å rense regnvann, og det er jo dumt.

I tillegg kan det oppstå brudd og andre feil på ledningene som ikke nødvendigvis blir oppdaget med en gang.

– Verre er det hvis det plutselig blir brudd på ledningen og alt vannet kommer ut på gata. Det er slike ting modellen vi ønsket å lage kan varsle om, før en tilfeldig person i byen oppdager det.

Resultatet av piloten er en skybasert modell som kan analysere målinger fra én avløpsledning og varsle dersom den oppdager avvik.

Modellen testes nå på en rørledning, og i tiden fremover er ambisjonen å ta i bruk tilsvarende modeller på flere ledninger for både vann og avløp.

Hadde gjort grunnarbeidet

Forskerhjelpen kom fra Sølve Eidnes, seniorforsker i SINTEF Digital. Til daglig jobber han blant annet med tidsrekkemodellering, der man analyserer målinger over tid for å forstå eller forutsi utviklingen i fysiske prosesser.

Eidnes’ bakgrunn fra lignende problemstillinger innen vannrensing gjorde at han allerede kjente godt til den typen data Hias satt på.

– Det som var veldig fint med denne piloten, sammenlignet med mange andre, var at Katrine hadde gjort grunnarbeidet på forhånd. Hun hadde til og med satt opp noen maskinlæringsmodeller som hun hadde kjørt, sier Eidnes.

Gjennom Nemonoor fikk Hias et begrenset antall timer med forskerhjelp. Fordi mye av forarbeidet var gjort, kunne Eidnes konsentrere seg om selve modelleringen.

– Da var det veldig enkelt for meg å komme inn, foreslå noen modeller og dele både erfaring og litt kode. I tillegg til vannlekkasjeproblemet så vi også på modellering av fosforkonsentrasjon, så vi fikk gjort en god del, sier Eidnes.

Ikke samlet inn for KI

Data som er samlet inn for å styre driften, er imidlertid ikke alltid like godt egnet for maskinlæring.

– Det er ofte en stor utfordring med slike data, som opprinnelig er samlet inn til helt annen bruk. For at vi skal få gode maskinlæringsmodeller, stilles det generelt strengere krav til datakvaliteten, og ofte også kvantiteten, sier Eidnes.

Straks man begynner å analysere eksisterende data, blir det også tydelig hvilke typer data som fortsatt mangler.

– Vi oppdager stadig at vi skulle hatt flere sensorer, hyppigere målinger eller tatt vare på data vi tidligere ikke har lagret, sier Jansen.

Det at Jansen kjente anleggene og dataene, mens Eidnes hadde spesialkompetanse på modellering, gjorde det mulig å bygge videre på arbeidet hun allerede hadde gjort.

– På mange måter er det lettere at hun får litt støtte og selv gjør maskinlæringen etter piloten, enn at jeg skal bruke mye tid på å sette meg inn i dataene og prosessene, sier Eidnes.

Unngår svarte bokser

For Jansen ble samarbeidet med SINTEF en bekreftelse på at det var mulig å få til mer internt i Hias enn hun først hadde sett for seg.

– Det var veldig positivt å gå fra å sitte litt i blinde og teste selv, til å få involvert noen som virkelig vet hva de holder på med, sier hun.

Den største gevinsten er ifølge Jansen at både hun og Hias nå har fått et solid grunnlag for jobben som skal gjøres videre.

– Nå har vi fått en verktøykasse og erfaring som gjør det mulig for oss å hente ned i hvert fall noen av de mest lavthengende fruktene selv.

Med programmeringsspråket Python, eksisterende skyløsninger og kunnskapen fra SINTEF har Hias kunnet fortsette arbeidet på egen hånd i etterkant av piloten.

– Terskelen er nok litt lavere for å få til mye enn det mange kommuner og renseanlegg tenker, sier Jansen.

Hun mener dette er viktig i en bransje der mange ansatte har flere ansvarsområder, samtidig som stadig flere leverandører banker på døra med hylleklare teknologiløsninger.

– Hva skal man da velge, og hvordan skal man orientere seg? Skal alt være hokus pokus og black box, eller er dette noe man kan ha litt hånd om selv?

Her handler det ikke nødvendigvis om å utvikle alle løsningene internt, men i stedet om å få bedre forståelse av hva teknologien kan brukes til, og hva virksomheten faktisk trenger.

Eidnes mener den teknologiske utviklingen har gjort det lettere for fagfolk med noe programmeringskompetanse å komme i gang. Samtidig er det fortsatt behov for å kunne vurdere resultatene.

– Her tror jeg tilbud som Nemonoor er veldig nyttig for å få en ekstra bekreftelse eller trygghet på at en gjør riktige valg, sier han.