AI inovāciju fonds: ko pilsētas var mācīties no ūdens

£60 miljoni, 40 projekti, viens regulators — tā izskatās Ofwat pieeja inovācijām ūdens nozarē. Un tas nav “jauki, ka kāds mēģina”. Tā ir ļoti praktiska atbilde uz publiskā sektora klasisko problēmu: infrastruktūra ir kritiska, risks ir dārgs, bet bez inovācijas izmaksas un incidenti tikai pieaug.

Mūsu tēmu sērijā “Mākslīgais intelekts publiskajā sektorā un viedajās pilsētās” bieži runājam par AI kā rīku e-pārvaldei, satiksmes analītikai un uz datiem balstītai lēmumu pieņemšanai. Šoreiz skatāmies uz ūdens nozari caur to pašu prizmu: kā publiska institūcija var iedarbināt inovāciju dzinēju, nepazaudējot drošību, atbildību un uzticību.

Ofwat inovāciju programmas vadītājs Marc Hannis (podkāsta sarunā) izceļ trīs idejas, kas gudrām pilsētām ir zelta vērtē: konkursi kā inovāciju “cauruļvads”, agrīnās stadijas finansējuma trūkuma novēršana, un apzināta sadarbība ārpus “sava sektora burbuļa”. Ja jūs strādājat pašvaldībā, valsts iestādē, komunālajā uzņēmumā vai smart city projektā, šīs atziņas ir pārnesamas gandrīz 1:1.

Kāpēc infrastruktūras inovācija publiskajā sektorā buksē

Publiskā sektora inovācija buksē nevis tāpēc, ka cilvēkiem trūkst ideju, bet tāpēc, ka sistēma ir būvēta, lai minimizētu risku, nevis optimizētu rezultātu.

Ūdens sektors ir labs piemērs: tas ir vitāli svarīgs, spēcīgi regulēts, ar ilgtermiņa aktīviem un augstām uzticamības prasībām. Šādos apstākļos “pamēģināsim un paskatīsimies” pieeja nestrādā. Tas pats attiecas uz viedpilsētu infrastruktūru: satiksmes vadību, ielu apgaismojumu, atkritumu apsaimniekošanu, civilās aizsardzības sensoriem, e-pakalpojumu platformām.

Šeit ir neērta patiesība: bez strukturēta veida, kā droši testēt jaunas idejas, AI publiskajā sektorā paliek prezentāciju līmenī. Piloti notiek, bet:

• tie ir pārāk mazi, lai dotu sistēmisku efektu;
• tie neiztur iepirkumu realitāti;
• tie neiztur datu kvalitātes un integrācijas realitāti;
• tie nenonāk līdz mērogošanai.

Ofwat modelis ir interesants tieši tāpēc, ka tas mēģina šo “pilot purgatory” pārraut ar mērķtiecīgu mehānismu.

Ko Ofwat inovāciju fonds dara pareizi (un kāpēc tas ir svarīgi AI)

Ofwat ar konkursu un izaicinājumu pieeju jau ir ieguldījis £60m 40 projektos. Skaitļi paši par sevi nav maģija, bet tie parāda divas lietas, ko gudrās pilsētas bieži aizmirst.

Konkursi rada piegādes “cauruļvadu”, nevis vienu pilotu

Atsevišķs pilots parasti ir kā vienreizējs pasākums: ir komanda, ir budžets, ir skaists demo. Konkursu sistēma rada atkārtojamu procesu:

1. problēmas formulēšana (vienā valodā visiem);
2. ideju atlase;
3. droša testēšana;
4. mērījumi (vai strādā? cik maksā? kas jāmaina?);
5. nākamā kārta vai mērogošana.

AI projektos tas ir kritiski. Modeļi noveco, datu avoti mainās, kiberdraudi aug. Jums vajag nevis “vienu AI projektu”, bet AI inovāciju portfeli, kur daļa ideju atkrīt agrīni, daļa izaug līdz produktīvai ekspluatācijai.

Regulators (vai pasūtītājs) var atļauties risku labāk nekā viens operators

Marc Hannis uzsver, ka nozare bijusi risk-averse. Tas nav pārmetums — tas ir sistēmisks fakts. Ja katrs komunālais uzņēmums atsevišķi mēģina inovēt, neveiksmes cena ir liela un reputācijas risks — vēl lielāks.

Centrāli finansētas programmas ļauj:

• standartizēt prasības (dati, drošība, atbilstība);
• salīdzināt risinājumus uz vienādiem kritērijiem;
• samazināt dublēšanos;
• ātrāk izplatīt “kas strādā”.

Smart city kontekstā šo lomu var uzņemties pašvaldība, valsts digitālā aģentūra, nozares asociācija vai reģionāls inovāciju fonds.

Agrīnās stadijas “bedre” ir reāla — un tā nogalina labas idejas

Hannis piemin plaisu agrīnajai inovācijai. Publiskajā sektorā to redzu atkal un atkal: ideja ir laba, bet pārāk “zaļa”, lai uzvarētu klasiskā iepirkumā, un pārāk specifiska, lai piesaistītu privāto kapitālu.

AI risinājumiem šī bedre ir vēl dziļāka, jo agrīnā posmā jāizdara dārgi “neredzamie” darbi:

• datu sakārtošana un datu katalogs;
• integrācijas ar GIS, SCADA, dokumentu vadību, e-pakalpojumu sistēmām;
• drošības testēšana;
• ētikas un ietekmes novērtējums;
• modeļa uzraudzība (monitoring) un kvalitātes metriķi.

Ja nav finansējuma tieši šim posmam, AI paliek prototipos.

“Ūdens atklājumu izaicinājums” kā smart city sadarbības paraugs

Ofwat cerības uz £4m Water Discovery Challenge balstās idejā piesaistīt inovatorus no citām jomām — pilsētu un transporta risinājumiem. Tas ir precīzi tas, kas viedpilsētu ekosistēmām bieži pietrūkst: apzināta “cross-sector” domāšana, nevis tikai piegādātāju katalogs.

Kāpēc risinājumi no transporta un pilsētām der ūdenim (un otrādi)

Daudzas problēmas ir strukturāli līdzīgas:

• noplūdes ūdens tīklā un zudumi energotīklā ir anomāliju detekcija;
• sastrēgumi uz ceļiem un spiediena svārstības tīklā ir plūsmas optimizācija;
• avārijas brigāžu dispečēšana un ceļu uzturēšanas plānošana ir maršrutēšana ar ierobežojumiem;
• tarifu taisnīgums un pakalpojumu pieejamība ir publiskās politikas + datu jautājums.

AI šeit nav “viena lietotne”. Tas ir metožu komplekts: prognozēšana, optimizācija, anomāliju atklāšana, datorredze, teksta analītika sūdzību un iesniegumu apstrādei, digitālie dvīņi.

Praktisks piemērs: digitālais dvīnis kā kopīgs “valodas slānis”

Ja man būtu jānosauc viena tehnoloģiskā pieeja, kas savieno ūdens nozari ar viedpilsētu domāšanu, tā būtu digitālais dvīnis.

• Ūdenī: tīkls, sūkņi, rezervuāri, spiediens, patēriņš.
• Pilsētā: satiksmes plūsmas, gaisa kvalitāte, lietus kanalizācija, ielu apgaismojums, būvdarbi.

Digitālais dvīnis ļauj AI modeļiem strādāt nevis izolēti, bet kā sistēmai: simulēt scenārijus, testēt politikas lēmumus, salīdzināt izmaksas/ieguvumus pirms reāliem darbiem.

Kā pašvaldība var uzbūvēt “Ofwat stila” AI inovāciju programmu

Laba ziņa: nav jābūt regulatoram ar £60m, lai iedarbinātu līdzīgu mehānismu. Svarīgākais ir dizains.

1) Sāciet ar problēmu katalogu, nevis ar tehnoloģiju sarakstu

AI publiskajā sektorā parasti iekrīt vienā kļūdā: “mums vajag chatbotu” vai “mums vajag prognozēšanu”, pirms ir skaidrs, kam tieši.

Izveidojiet 10–20 prioritāru problēmu katalogu ar skaidriem mērījumiem, piemēram:

• samazināt ūdens zudumus (noplūdes) par X% teritorijā Y;
• samazināt avāriju reakcijas laiku par X min;
• uzlabot sūdzību izskatīšanas SLA par X%;
• optimizēt ielu apgaismojuma patēriņu par X% bez drošības krituma.

Kad problēma ir skaidra, tehnoloģija pati “sakonkurējas”.

2) Iebūvējiet datu gatavības prasības jau pirmajā kārtā

Ja konkursā uzvar “skaistākais demo”, jūs dabūsiet demo. Ja uzvar risinājums, kas spēj strādāt ar jūsu datiem un integrācijām, jūs dabūsiet rezultātu.

Minimums, ko prasīt no dalībniekiem:

• datu saraksts un kvalitātes pieņēmumi;
• integrāciju plāns;
• drošības pieeja (piekļuves tiesības, auditējamība);
• modeļa uzraudzība un drift kontrole;
• skaidri KPI un bāzes līnija.

3) Finansējiet arī “neglīto” darbu: integrāciju un pārmaiņu vadību

AI projekti izgāžas reti tāpēc, ka modelis ir slikts. Tie izgāžas, jo:

• nav kas uzturēs risinājumu pēc pilota;
• procesi netiek mainīti;
• cilvēki netic rekomendācijām;
• sistēmas nerunā savā starpā.

Tāpēc inovāciju fonda dizainā iekļaujiet budžetu:

• datu inženierijai;
• lietotāju apmācībām;
• darbplūsmu (workflow) pielāgošanai;
• atbildības modelim (kurš pieņem gala lēmumu?).

4) Veidojiet portfeli ar apzinātu “ātro atteikumu”

Ne visas idejas pelna mērogošanu. Un tas ir normāli.

Es iesaku noteikt portfeļa principu: piemēram, no 10 idejām 5 tiek ātri pārbaudītas 8–12 nedēļās, 3 nonāk pilotā 6 mēnešiem, 1–2 tiek mērogotas.

Tas samazina politisko spriedzi (“kāpēc šis projekts neizdevās?”), jo neveiksme ir paredzēta kā procesa daļa, nevis skandāls.

Biežākie jautājumi, ko dzirdu par AI publiskajā sektorā (un tiešas atbildes)

Vai AI nozīmē darba vietu samazināšanu pašvaldībā? Parasti nē. Praktiskāks efekts ir cits: AI noņem rutīnu (klasifikācija, pārbaudes, prognozes), lai speciālisti vairāk laika velta sarežģītiem gadījumiem un iedzīvotāju apkalpošanai.

Kā izvairīties no “melnās kastes” lēmumiem? Nosakiet, ka AI dod rekomendāciju, bet cilvēks pieņem lēmumu, un ieviesiet auditējamas loģikas prasības: paskaidrojamība, pierādījumu žurnāli, datu izcelsmes izsekojamība.

Kā panākt, lai sadarbība ar privāto sektoru nav atkarība no viena piegādātāja? Ielieciet līgumos datu īpašumtiesības, API pieejamību, modeļa pārnesamību un dokumentāciju. Un turiet iekšā kompetenci, kas spēj piegādātāju pārvaldīt.

Ko paņemt no Ofwat pieejas, ja jūsu mērķis ir gudra pilsēta

Ofwat stāsts nav tikai par ūdeni. Tas ir par to, kā publiska institūcija var uzņemties iniciatīvu un padarīt inovāciju par sistēmu, nevis par nejaušību.

Ja šo pārliekam uz AI un viedpilsētu infrastruktūru, svarīgākie principi ir vienkārši:

• finansējiet problēmas risinājumu, nevis tehnoloģijas iegādi;
• radiet atkārtojamu konkursu/izaicinājumu mehānismu;
• piesaistiet idejas no ārpuses (transports, enerģija, būvniecība, veselība);
• aizpildiet agrīnās stadijas finansējuma robu;
• mēriet rezultātus ar skaidriem KPI un bāzes līniju.

Šīs sērijas kontekstā mans viedoklis ir tiešs: AI publiskajā sektorā kļūst vērtīgs brīdī, kad iestāde iemācās pārvaldīt inovāciju kā portfeli — ar datiem, drošību, procesu disciplīnu un drosmi ātri atmest idejas, kas nestrādā.

Ja jums būtu jāizvēlas viens nākamais solis šai nedēļai, lai virzītu viedpilsētas AI iniciatīvu uz priekšu, kāda ir jūsu pilsētas “ūdens noplūde” — tā problēma, kur datu pieeja un labs inovāciju process dotu izmērāmu rezultātu 6–12 mēnešos?