Este evento virtual exploró cómo el aprendizaje automático complementa los métodos tradicionales basados en reglas para la detección de fugas de agua en el lado del cliente. Las reglas funcionan bien para los hogares estándar (por ejemplo, alertas de flujo nocturno), pero tienen dificultades con los usos no estándar y las propiedades no residenciales, donde los procesos intermitentes, de bajo volumen o continuos ocultan las fugas.

Ver bajo demanda aquí
Three experts from Arqiva seated in armchairs in a studio setup with microphones on stands in front of them, a lit round shelf with plants and books in the background, and wooden side tables holding coffee mugs.

Cómo abordar las fugas mediante el aprendizaje automático

El aprendizaje automático identifica patrones a partir de los datos —mediante enfoques supervisados y no supervisados— para detectar anomalías matizadas y específicas de cada contador, adaptarse a los cambios de comportamiento y reducir el ruido, lo que lo hace eficaz para ese "20% difícil" que consume el 80% del esfuerzo. El modelo recomendado es complementario: utilizar reglas para resolver casos sencillos a gran escala y, a continuación, aplicar el ML a las excepciones para lograr una mayor precisión y segmentación.

El éxito depende de la calidad de los datos, de una ingeniería escalable para millones de contadores y de un ciclo de retroalimentación cerrado para validar los resultados, reentrenar los modelos y mantener el rendimiento. Aunque el ML conlleva mayores costes de computación, permite obtener ahorros mediante una mayor recuperación de fugas, mejoras normativas y eficiencia operativa, con una integración de herramientas única que mejora la priorización y la elaboración de informes. La privacidad de los datos debe abordarse mediante un diseño y una gobernanza del sistema adecuados.
Obtener el informe técnico

Ponentes

‍

  • Jason King, Director de Desarrollo de Negocio, Arqiva
  • Stephanie Edmonson, Directora Sénior de Producto, Arqiva
  • Jack Kilvington, Jefe de Ciencia de Datos, Arqiva

‍

Three experts from Arqiva seated in armchairs in a studio setup with microphones on stands in front of them, a lit round shelf with plants and books in the background, and wooden side tables holding coffee mugs.

Conclusiones clave

1. Las reglas siguen siendo fiables: La detección de fugas basada en reglas sigue siendo eficaz para los hogares estándar (por ejemplo, reglas de ausencia de flujo entre las 2 y las 4 de la madrugada), pero presenta dificultades con usos no estándar, como instalaciones industriales, propiedades de alto consumo y fugas intermitentes de bajo volumen.

2. El aprendizaje automático como complemento: El aprendizaje automático complementa las reglas al aprender patrones a partir de los datos (mediante aprendizaje supervisado y no supervisado) para identificar fugas sutiles y casos excepcionales que las reglas pasan por alto, lo que permite realizar intervenciones más precisas y de mayor valor.

3. El éxito de la estrategia híbrida: Se recomienda un enfoque híbrido: utilizar reglas para resolver eficientemente los casos sencillos y aplicar ML al 20% de los contadores que consumen el 80% del esfuerzo operativo y que, a menudo, generan volúmenes de fugas desproporcionados.

4. Despliegue basado en datos: Un despliegue exitoso de ML requiere una calidad de datos sólida, una ingeniería escalable capaz de gestionar millones de contadores y un ciclo de retroalimentación cerrado (verificación, reentrenamiento y supervisión del rendimiento) para mantener la precisión en condiciones reales.

5. Inteligencia para el ahorro de costes: Aunque el aprendizaje automático (ML) conlleva un mayor coste computacional en comparación con los métodos basados en reglas, permite generar ahorros mediante una detección más temprana en escenarios complejos, lo que favorece el cumplimiento normativo y reduce la producción de agua, la extracción y las emisiones asociadas.


"No tiene por qué ser una cosa o la otra; combinar reglas con aprendizaje automático funciona muy bien para escalar en toda la infraestructura y gestionar tanto los casos estándar como los que no lo son".
Jack Kilvington
Jefe de Ciencia de Datos, Arqiva

Ver el seminario web AQUÍ