Mesterséges intelligencia az ivóvíz védelmében
Brit kutatók egy mesterséges intelligenciával támogatott döntéstámogató rendszert fejlesztettek, amely szabályozói jelentésekből tanul, és valós idejű segítséget nyújt vízminőségi incidensek kezelésekor.
Illusztráció: W4
A globális vízszolgáltatási szektor egy régi paradoxon foglya: rengeteg adatot gyűjt – érzékelőkből, SCADA-rendszerekből, fogyasztói visszajelzésekből, karbantartási naplókból –, mégis ezek túlnyomó részét nem hasznosítja. Különböző rendszerekben szétszórva, egymástól elszigetelve hevernek, miközben a döntéshozók naponta küzdenek az áttekinthetetlenséggel. Ezt a jelenséget a szakirodalom találóan nevezi „adatban gazdag, információban szegény" (DRIP) állapotnak.
Egy 2025-ben a Water folyóiratban megjelent brit kutatás azt vizsgálja, hogyan lehet ebből a csapdából kiszabadulni – mégpedig a generatív mesterséges intelligencia (GenAI) és a nagy nyelvi modellek (LLM) segítségével. A Sheffieldi Egyetem és a Mounce Hydrosmart kutatói az ivóvíz-minőség védelme szempontjából az egyik legkritikusabb területre összpontosítottak: a vízminőségi incidensek valós idejű kezelésére.
Miért különösen fontos a vízminőség védelme?
Az ivóvízminőség megőrzése közegészségügyi alapkérdés. Az Egyesült Államokban egy tanulmány évente 7,15 millió vízzel összefüggő megbetegedést regisztrált, amelyek közel 120 000 kórházi felvételt és több mint 6000 halálesetet okoznak, mintegy 3,3 milliárd dolláros éves gazdasági terhet jelentve.
Az Egyesült Királyságban az ivóvíz-minőséget körülbelül 1500 vízkezelő telep felügyeli, a valódi kihívás azonban a mintegy 300 000 km hosszú elosztóhálózatban rejlik. A kezelt víz minősége fokozatosan romolhat a hálózaton való áthaladás során – különösen az elöregedő infrastruktúrában. Angliában és Walesben minden vízszolgáltatónak kötelező bejelenteni az Ivóvíz Felügyelőségnek (DWI) minden olyan eseményt, amely érintette vagy veszélyeztetheti az ivóvíz minőségét. 2024-ben 556 ilyen eseményt jelentettek, ezek 55%-a a vízszolgáltatók befolyásán kívüli okokra vezethető vissza.
A generatív AI mint döntéstámogató eszköz
A hagyományos gépi tanulási modellek (neurális hálózatok, döntési fák, support vector machine-ek) évek óta jelen vannak a vízszektorban, főként előrejelzésre, anomáliadetektálásra és eszközállapot-értékelésre. Ezek azonban alapvetően számszerű adatokra támaszkodnak, és nem képesek feldolgozni a „puhább" tudásforrásokat: a karbantartási naplókat, az eseményjelentéseket, a fogyasztói visszajelzéseket.
A generatív AI és az LLM-ek – mint a GPT, Claude vagy Llama – egy alapvetően más logikával működnek. Képesek szöveges forrásokból tanulni, természetes nyelvű kérdéseket megérteni és értelmezni, sőt komplex, többlépéses munkafolyamatokat is koordinálni. Ez nyitja meg az utat a vízszektorban felhalmozott, korábban géppel feldolgozhatatlan intézményi tudás kiaknázásához.
A vízszolgáltatók becslések szerint adataik csupán 10%-át hasznosítják. A fennmaradó 90% értékes – de szétszórt, szöveges és strukturálatlan.
Az ACQUIRE projekt: szabályozói tudás chatbot formájában
A tanulmány középpontjában az ACQUIRE projekt áll, amelyet az Ofwat (az angliai vízügyi szabályozó hatóság) finanszírozott. A projekt alapötlete zseniálisan egyszerű: az évek során a DWI által közzétett nyilvános szabályozói jelentések – összesen több mint 2300 vízminőségi esemény leírása 14 évnyi időszakból – hatalmas, kiaknázható tudásbázist alkotnak. Milyen hibák fordultak elő? Milyen beavatkozások működtek? Milyen sorrendben történtek az intézkedések?
Ezt a tudást a kutatók RAG-technológiával (Retrieval-Augmented Generation) tették elérhetővé. A RAG lényege, hogy az AI nem a saját általános tudásából generál válaszokat, hanem minden kérdésnél először visszakeres a hiteles forrásanyagból, majd ez alapján fogalmaz. Ez drámaian csökkenti a „hallucinációk" kockázatát – azt a jelenséget, amikor az AI magabiztosan, de tévesen állít valamit.
Az eredmény: egy chatbot, amely egy vízminőségi incidens beütésekor azonnal lekéri a hasonló korábbi eseteket, és lépésről lépésre felvázolja az ajánlott reagálási tervet – a szabályozói elvárásokkal összhangban, az összes angliai vízszolgáltató összesített tapasztalata alapján.
Mit mutatott a valós tesztelés?
A rendszert egy brit vízszolgáltatónál három hónapon keresztül tesztelték éles környezetben. A visszajelzések két fő felhasználói csoportot rajzoltak ki.
A tapasztalatlan munkatársaknak az ACQUIRE valódi mentőövnek bizonyult. Egy viharos időjárás okozta incidens során, ahol egyszerre lépett fel kezelési hiba és áramellátási probléma, egy kevésbé rutinos incidenskezelő azonnal képes volt meghatározni az elsődleges teendőket: alternatív vízellátás szervezése, kommunikációs stratégia kialakítása, vízminőség-ellenőrző mintavétel indítása.
A tapasztalt szakemberek számára a rendszer „háttérben futó ellenőrként" bizonyult hasznosnak – megerősítette az általuk tervezett lépéseket, vagy felhívta a figyelmet olyan szempontokra, amelyek egy szennyvíztisztító telep leállításának tervezésekor könnyen elsikkadhattak volna.
A rendszer kimeneteinek minősége elég megbízható volt ahhoz, hogy azokat beépítsék a vállalat fizikai formában tárolt incidenskezelési protokolljaiba – ez önmagában is jelentős elismerés egy szabályozott iparágban.
A jövő: az ügynöki AI és az önállóbb rendszerek
A tanulmány nem csupán az elvégzett munkáról szól – egyben útitervet is vázol. A szerzők három fejlődési fokozatot különböztetnek meg.
Az első szint a generatív AI: kérdés-válasz alapú rendszerek, amelyek adatot összesítenek és döntési javaslatokat tesznek – humán jóváhagyással.
A második szint az ügynöki AI (agentic AI): olyan rendszerek, amelyek önállóan érzékelik a környezetet, döntéseket hoznak és többlépéses feladatokat hajtanak végre. Egy ilyen rendszer például proaktívan figyeli az érzékelőadatokat, előrejelzi a kockázatokat, javaslatot tesz megelőző beavatkozásokra, és automatikusan értesíti az érintett feleket.
A harmadik szint a digitális ikrek és a prediktív szimuláció: „mi lenne, ha" forgatókönyvek folyamatos futtatása, ahol az AI nemcsak leír, hanem előre szimulál és optimalizál.
Mindhárom szinten a szerzők hangsúlyozzák a humán felügyelet nélkülözhetetlen szerepét. Az emberi szakértelem és az AI kombinációja következetesen jobb eredményt hoz, mint bármelyik önmagában.
Kihívások, amelyeket nem lehet megkerülni
A kutatók nem glosszálják el az akadályokat. Az adatminőség és az adatfragmentáció az első számú probléma: ha az AI rosszul strukturált vagy hiányos adatból tanul, a kimenetek is megbízhatatlanok lesznek. A szabályozói keretek sem alkalmazkodtak még az AI-alapú döntéstámogatáshoz – különösen a közegészségügyi vonzatú kritikus döntéseknél.
Az átláthatóság kérdése szintén kulcsfontosságú. A mélytanulási rendszerek „fekete doboz" jellege, ahol a döntési logika nem átlátható, komoly akadály lehet a szabályozói elfogadtatásnál. A magyarázható AI (XAI) technikák fejlesztése ezért nem luxus, hanem feltétel.
Végül, de nem utolsósorban: az AI maga is erőforrásigényes. Nagy modellek betanítása és futtatása jelentős energiát és vizet fogyaszt az adatközpontok hűtéséhez – ez a fenntarthatóság szempontjából nem elhanyagolható ellentmondás.
Összegzés: az AI nem helyettesít, hanem erősít
Az ACQUIRE projekt és a mögötte álló kutatás legfontosabb üzenete egyértelmű: a generatív AI nem azért értékes a vízszektorban, mert helyettesíti a szakembereket, hanem mert felerősíti képességeiket. Hozzáférhetővé teszi az intézményi memóriát, felgyorsítja a döntési folyamatokat, és segít abban, hogy a kisebb vízszolgáltatók is profitálhassanak az egész iparág összesített tapasztalatából.
A szektor konzervatív, lassan fogad be újdonságokat – és ez nem minden esetben hátrány, hiszen az ivóvíz-biztonság területén az óvatosság indokolt. De a digitális átalakulás elkerülhetetlen. Akik ma befektetnek az adatinfrastruktúrába, az AI-kompetenciák fejlesztésébe és a szabályozói keretrendszer modernizálásába, azok lesznek felkészülve arra, amit a klímaváltozás, az urbanizáció és az elöregedő infrastruktúra a következő évtizedekben hozni fog.
Forrás: Mounce, S., Mounce, R., Boxall, J. – Water, 2025, 17(22), 3260
A vízszolgáltatási szektor hatalmas mennyiségű adatot gyűjt, mégis ritkán hasznosítja azokat hatékonyan. Egy brit kutatócsoport az ACQUIRE projekt keretében generatív mesterséges intelligenciát és RAG-technológiát alkalmazott arra, hogy 14 évnyi angol szabályozói jelentésből kinyerje a tudást, és egy chatbot formájában döntéstámogatást nyújtson vízminőségi eseményekhez. A rendszer különösen a tapasztalatlan munkatársak számára bizonyult értékesnek, de a rutinos szakemberek is haszonnal forgatják ellenőrzésként. A tanulmány egyben útitervet vázol a generatív AI vízszektorban való széles körű elterjesztéséhez, hangsúlyozva a humán felügyelet és az adatminőség kritikus szerepét.
A Sheffieldi Egyetem és a Mounce Hydrosmart kutatói által a Water folyóiratban publikált tanulmány azt vizsgálja, hogyan alakíthatja át a generatív mesterséges intelligencia (GenAI) és a nagy nyelvi modellek (LLM) alkalmazása az ivóvíz-minőség menedzsmentjét. A vízszolgáltatási szektor évtizedek óta küzd azzal a paradoxonnal, hogy rengeteg adatot gyűjt, de azok túlnyomó részét nem hasznosítja – ez az úgynevezett „adatban gazdag, információban szegény" (DRIP) állapot.
Az ACQUIRE projekt keretében a kutatók az Angliai Ivóvíz Felügyelőség (DWI) által közzétett nyilvános szabályozói jelentéseit – összesen több mint 2300 vízminőségi esemény dokumentációját 14 évből – felhasználva egy RAG-alapú (Retrieval-Augmented Generation) chatbotot fejlesztettek. Ez a rendszer nem általános chatbot: minden válaszát kizárólag a hitelesített forrásanyagból meríti, így csökkentve a „hallucinációk" kockázatát, és garantálva a szabályozói megfelelőséget.
Egy brit vízszolgáltatónál végzett háromhónapos tesztelés során a rendszer bizonyítottan értékes volt: tapasztalatlan munkatársaknak gyors tájékozódást, a rutinos szakembereknek pedig hasznos háttérellenőrzést nyújtott. A kimenetek megbízhatók voltak ahhoz, hogy beépítsék azokat a vállalat belső incidenskezelési protokolljaiba.
A tanulmány emellett átfogó útitervet javasol a GenAI vízszektorban való elterjesztéséhez, hét kulcsterületen – az adatinfrastruktúrától a humán felügyeletig – hangsúlyozva, hogy az AI nem helyettesíti, hanem kiegészíti a szakértői döntéshozatalt.
A W4 stábja víz-, szennyvíz-, biogáz- és energetika ágazatokban dolgozó szerszakemberekből és újságírókból áll. Céljuk, hogy ezen ágazatok folyamatait és irányait átlátható, szakmailag megalapozott formában mutassák be.
Kapcsolódó