AI inovāciju fonds: ko pilsētas var mācīties no ūdens

MākslÄ«gais intelekts publiskajā sektorā un viedajās pilsētās••By 3L3C

Ko Ofwat inovāciju fonds māca par AI publiskajā sektorā: konkursi, agrīnais finansējums un sadarbība, kas palīdz mērogot viedpilsētu risinājumus.

AI inovācijaspubliskais sektorsviedpilsētaskomunālie pakalpojumidatu pārvaldībadigitālais dvīnis
Share:

Featured image for AI inovāciju fonds: ko pilsētas var mācīties no ūdens

AI inovāciju fonds: ko pilsētas var mācīties no ūdens

Ā£60 miljoni, 40 projekti, viens regulators — tā izskatās Ofwat pieeja inovācijām Å«dens nozarē. Un tas nav ā€œjauki, ka kāds mēģinaā€. Tā ir ļoti praktiska atbilde uz publiskā sektora klasisko problēmu: infrastruktÅ«ra ir kritiska, risks ir dārgs, bet bez inovācijas izmaksas un incidenti tikai pieaug.

MÅ«su tēmu sērijā ā€œMākslÄ«gais intelekts publiskajā sektorā un viedajās pilsētāsā€ bieži runājam par AI kā rÄ«ku e-pārvaldei, satiksmes analÄ«tikai un uz datiem balstÄ«tai lēmumu pieņemÅ”anai. Å oreiz skatāmies uz Å«dens nozari caur to paÅ”u prizmu: kā publiska institÅ«cija var iedarbināt inovāciju dzinēju, nepazaudējot droŔību, atbildÄ«bu un uzticÄ«bu.

Ofwat inovāciju programmas vadÄ«tājs Marc Hannis (podkāsta sarunā) izceļ trÄ«s idejas, kas gudrām pilsētām ir zelta vērtē: konkursi kā inovāciju ā€œcauruļvadsā€, agrÄ«nās stadijas finansējuma trÅ«kuma novērÅ”ana, un apzināta sadarbÄ«ba ārpus ā€œsava sektora burbuļaā€. Ja jÅ«s strādājat paÅ”valdÄ«bā, valsts iestādē, komunālajā uzņēmumā vai smart city projektā, Ŕīs atziņas ir pārnesamas gandrÄ«z 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.

ÅŖdens sektors ir labs piemērs: tas ir vitāli svarÄ«gs, spēcÄ«gi regulēts, ar ilgtermiņa aktÄ«viem un augstām uzticamÄ«bas prasÄ«bām. Šādos apstākļos ā€œpamēģināsim un paskatÄ«simiesā€ pieeja nestrādā. Tas pats attiecas uz viedpilsētu infrastruktÅ«ru: satiksmes vadÄ«bu, ielu apgaismojumu, atkritumu apsaimniekoÅ”anu, civilās aizsardzÄ«bas sensoriem, e-pakalpojumu platformām.

Å eit ir neērta patiesÄ«ba: bez strukturēta veida, kā droÅ”i testēt jaunas idejas, AI publiskajā sektorā paliek prezentāciju lÄ«menÄ«. Piloti notiek, bet:

  • tie ir pārāk mazi, lai dotu sistēmisku efektu;
  • tie neiztur iepirkumu realitāti;
  • tie neiztur datu kvalitātes un integrācijas realitāti;
  • tie nenonāk lÄ«dz mērogoÅ”anai.

Ofwat modelis ir interesants tieÅ”i tāpēc, ka tas mēģina Å”o ā€œpilot purgatoryā€ pārraut ar mērÄ·tiecÄ«gu mehānismu.

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

Ofwat ar konkursu un izaicinājumu pieeju jau ir ieguldÄ«jis Ā£60m 40 projektos. Skaitļi paÅ”i par sevi nav maÄ£ija, bet tie parāda divas lietas, ko gudrās pilsētas bieži aizmirst.

Konkursi rada piegādes ā€œcauruļvaduā€, nevis vienu pilotu

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

  1. problēmas formulēŔana (vienā valodā visiem);
  2. ideju atlase;
  3. droÅ”a testēŔana;
  4. mērījumi (vai strādā? cik maksā? kas jāmaina?);
  5. nākamā kārta vai mērogoÅ”ana.

AI projektos tas ir kritiski. Modeļi noveco, datu avoti mainās, kiberdraudi aug. Jums vajag nevis ā€œvienu AI projektuā€, bet AI inovāciju portfeli, kur daļa ideju atkrÄ«t agrÄ«ni, daļa izaug lÄ«dz produktÄ«vai 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 atseviŔķi mēģina inovēt, neveiksmes cena ir liela un reputācijas risks — vēl lielāks.

Centrāli finansētas programmas ļauj:

  • standartizēt prasÄ«bas (dati, droŔība, atbilstÄ«ba);
  • salÄ«dzināt risinājumus uz vienādiem kritērijiem;
  • samazināt dublēŔanos;
  • ātrāk izplatÄ«t ā€œkas strādÄā€.

Smart city kontekstā Å”o lomu var uzņemties paÅ”valdÄ«ba, valsts digitālā aÄ£entÅ«ra, nozares asociācija vai reÄ£ionāls inovāciju fonds.

AgrÄ«nās stadijas ā€œbedreā€ ir reāla — un tā nogalina labas idejas

Hannis piemin plaisu agrÄ«najai inovācijai. Publiskajā sektorā to redzu atkal un atkal: ideja ir laba, bet pārāk ā€œzaļaā€, lai uzvarētu klasiskā iepirkumā, un pārāk specifiska, lai piesaistÄ«tu privāto kapitālu.

AI risinājumiem Ŕī bedre ir vēl dziļāka, jo agrÄ«nā posmā jāizdara dārgi ā€œneredzamieā€ darbi:

  • datu sakārtoÅ”ana un datu katalogs;
  • integrācijas ar GIS, SCADA, dokumentu vadÄ«bu, e-pakalpojumu sistēmām;
  • droŔības testēŔana;
  • ētikas un ietekmes novērtējums;
  • modeļa uzraudzÄ«ba (monitoring) un kvalitātes metriÄ·i.

Ja nav finansējuma tieÅ”i Å”im posmam, AI paliek prototipos.

ā€œÅŖdens atklājumu izaicinājumsā€ kā smart city sadarbÄ«bas paraugs

Ofwat cerÄ«bas uz Ā£4m Water Discovery Challenge balstās idejā piesaistÄ«t inovatorus no citām jomām — pilsētu un transporta risinājumiem. Tas ir precÄ«zi tas, kas viedpilsētu ekosistēmām bieži pietrÅ«kst: apzināta ā€œcross-sectorā€ domāŔana, nevis tikai piegādātāju katalogs.

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

Daudzas problēmas ir strukturāli līdzīgas:

  • noplÅ«des Å«dens tÄ«klā un zudumi energotÄ«klā ir anomāliju detekcija;
  • sastrēgumi uz ceļiem un spiediena svārstÄ«bas tÄ«klā ir plÅ«smas optimizācija;
  • avārijas brigāžu dispečēŔana un ceļu uzturēŔanas plānoÅ”ana ir marÅ”rutēŔana ar ierobežojumiem;
  • tarifu taisnÄ«gums un pakalpojumu pieejamÄ«ba ir publiskās politikas + datu jautājums.

AI Å”eit nav ā€œviena lietotneā€. Tas ir metožu komplekts: prognozēŔana, optimizācija, anomāliju atklāŔana, datorredze, teksta analÄ«tika sÅ«dzÄ«bu un iesniegumu apstrādei, digitālie dvīņi.

Praktisks piemērs: digitālais dvÄ«nis kā kopÄ«gs ā€œvalodas slānisā€

Ja man bÅ«tu jānosauc viena tehnoloÄ£iskā pieeja, kas savieno Å«dens nozari ar viedpilsētu domāŔanu, tā bÅ«tu digitālais dvÄ«nis.

  • ÅŖdenÄ«: tÄ«kls, sÅ«kņi, rezervuāri, spiediens, patēriņŔ.
  • Pilsētā: satiksmes plÅ«smas, gaisa kvalitāte, lietus kanalizācija, ielu apgaismojums, bÅ«vdarbi.

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

Kā paÅ”valdÄ«ba var uzbÅ«vēt ā€œOfwat stilaā€ AI inovāciju programmu

Laba ziņa: nav jābÅ«t regulatoram ar Ā£60m, lai iedarbinātu lÄ«dzÄ«gu mehānismu. SvarÄ«gākais ir dizains.

1) Sāciet ar problēmu katalogu, nevis ar tehnoloģiju sarakstu

AI publiskajā sektorā parasti iekrÄ«t vienā kļūdā: ā€œmums vajag chatbotuā€ vai ā€œmums vajag prognozēŔanuā€, pirms ir skaidrs, kam tieÅ”i.

Izveidojiet 10–20 prioritāru problēmu katalogu ar skaidriem mērÄ«jumiem, piemēram:

  • samazināt Å«dens zudumus (noplÅ«des) par X% teritorijā Y;
  • samazināt avāriju reakcijas laiku par X min;
  • uzlabot sÅ«dzÄ«bu izskatīŔanas SLA par X%;
  • optimizēt ielu apgaismojuma patēriņu par X% bez droŔības krituma.

Kad problēma ir skaidra, tehnoloÄ£ija pati ā€œsakonkurējasā€.

2) Iebūvējiet datu gatavības prasības jau pirmajā kārtā

Ja konkursā uzvar ā€œskaistākais demoā€, jÅ«s dabÅ«siet demo. Ja uzvar risinājums, kas spēj strādāt ar jÅ«su datiem un integrācijām, jÅ«s dabÅ«siet rezultātu.

Minimums, ko prasīt no dalībniekiem:

  • datu saraksts un kvalitātes pieņēmumi;
  • integrāciju plāns;
  • droŔības pieeja (piekļuves tiesÄ«bas, auditējamÄ«ba);
  • modeļa uzraudzÄ«ba un drift kontrole;
  • skaidri KPI un bāzes lÄ«nija.

3) Finansējiet arÄ« ā€œneglÄ«toā€ darbu: integrāciju un pārmaiņu vadÄ«bu

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

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

Tāpēc inovāciju fonda dizainā iekļaujiet budžetu:

  • datu inženierijai;
  • lietotāju apmācÄ«bām;
  • darbplÅ«smu (workflow) pielāgoÅ”anai;
  • atbildÄ«bas modelim (kurÅ” pieņem gala lēmumu?).

4) Veidojiet portfeli ar apzinātu ā€œÄtro atteikumuā€

Ne visas idejas pelna mērogoÅ”anu. Un tas ir normāli.

Es iesaku noteikt portfeļa principu: piemēram, no 10 idejām 5 tiek ātri pārbaudÄ«tas 8–12 nedēļās, 3 nonāk pilotā 6 mēneÅ”iem, 1–2 tiek mērogotas.

Tas samazina politisko spriedzi (ā€œkāpēc Å”is projekts neizdevās?ā€), jo neveiksme ir paredzēta kā procesa daļa, nevis skandāls.

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

Vai AI nozÄ«mē darba vietu samazināŔanu paÅ”valdÄ«bā? Parasti nē. Praktiskāks efekts ir cits: AI noņem rutÄ«nu (klasifikācija, pārbaudes, prognozes), lai speciālisti vairāk laika velta sarežģītiem gadÄ«jumiem un iedzÄ«votāju apkalpoÅ”anai.

Kā izvairÄ«ties no ā€œmelnās kastesā€ lēmumiem? Nosakiet, ka AI dod rekomendāciju, bet cilvēks pieņem lēmumu, un ieviesiet auditējamas loÄ£ikas prasÄ«bas: paskaidrojamÄ«ba, pierādÄ«jumu žurnāli, datu izcelsmes izsekojamÄ«ba.

Kā panākt, lai sadarbÄ«ba ar privāto sektoru nav atkarÄ«ba no viena piegādātāja? Ielieciet lÄ«gumos datu Ä«paÅ”umtiesÄ«bas, API pieejamÄ«bu, modeļa pārnesamÄ«bu un dokumentāciju. Un turiet iekŔā kompetenci, kas spēj piegādātāju pārvaldÄ«t.

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

Ofwat stāsts nav tikai par Å«deni. Tas ir par to, kā publiska institÅ«cija var uzņemties iniciatÄ«vu un padarÄ«t inovāciju par sistēmu, nevis par nejauŔību.

Ja Å”o pārliekam uz AI un viedpilsētu infrastruktÅ«ru, svarÄ«gākie principi ir vienkārÅ”i:

  • finansējiet problēmas risinājumu, nevis tehnoloÄ£ijas iegādi;
  • radiet atkārtojamu konkursu/izaicinājumu mehānismu;
  • piesaistiet idejas no ārpuses (transports, enerÄ£ija, bÅ«vniecÄ«ba, veselÄ«ba);
  • aizpildiet agrÄ«nās stadijas finansējuma robu;
  • mēriet rezultātus ar skaidriem KPI un bāzes lÄ«niju.

Å Ä«s sērijas kontekstā mans viedoklis ir tieÅ”s: AI publiskajā sektorā kļūst vērtÄ«gs brÄ«dÄ«, kad iestāde iemācās pārvaldÄ«t inovāciju kā portfeli — ar datiem, droŔību, procesu disciplÄ«nu un drosmi ātri atmest idejas, kas nestrādā.

Ja jums bÅ«tu jāizvēlas viens nākamais solis Å”ai nedēļai, lai virzÄ«tu viedpilsētas AI iniciatÄ«vu uz priekÅ”u, kāda ir jÅ«su pilsētas ā€œÅ«dens noplÅ«deā€ — tā problēma, kur datu pieeja un labs inovāciju process dotu izmērāmu rezultātu 6–12 mēneÅ”os?