L'eau non facturée (ENF) — de l'eau traitée perdue par des fuites, des vols ou des erreurs de facturation avant d'atteindre un client payant — s'est historiquement établie entre 35 % et 45 % pour la WASAC Ltd, la compagnie publique d'eau et d'assainissement du Rwanda, bien au-dessus de l'objectif gouvernemental de 25 %. Un projet pilote de compteurs intelligents dans la ville de Kigali, décrit dans l'étude évaluée par les pairs 'Cost-effective non-revenue water reduction: analysis through pilot activities in Kigali City, Rwanda' (Water Practice & Technology, IWA Publishing, 2024), a formé plus de 60 techniciens, agents de facturation et personnels du service client de la WASAC, et a signalé une baisse de 23 % de l'ENF en six mois, avec 38 % des clients participants réduisant leur consommation d'eau et une baisse de 41 % des réclamations de facturation.
Dans une étude complémentaire, 'Analyzing non-revenue water dynamics in Rwanda: leveraging machine learning predictive modeling for comprehensive insights and mitigation strategies' (Water Practice & Technology, IWA Publishing, juin 2024), des chercheurs, dont Charles Ruranga, ont appliqué une analyse de données en panel et plusieurs modèles prédictifs d'apprentissage automatique aux données du réseau de la WASAC couvrant juillet 2014 à juin 2023, explicitement présentées comme un appui aux progrès de la compagnie vers son plafond d'ENF de 25 %. Le projet pilote et les travaux de modélisation sont complémentaires plutôt qu'un unique produit d'IA intégré : le pilote de compteurs intelligents a généré la réduction opérationnelle de l'ENF, tandis que l'étude de ML a analysé les données à plus long terme de la WASAC pour identifier les causes des pertes et les priorités d'atténuation.
Une couverture sectorielle indépendante (ESI Africa) confirme l'investissement parallèle de la WASAC dans les infrastructures, rapportant que le fabricant de compteurs Itron a été sélectionné pour fournir 50 000 compteurs d'eau numériques supplémentaires pour Kigali, après un déploiement antérieur de 110 000 unités. Les sources examinées décrivent les travaux sur l'ENF et le ML comme un projet pilote et une analyse académique plutôt que comme un système d'IA entièrement automatisé et déployé à l'échelle nationale ; le résultat de 23 % doit donc être lu comme un résultat précoce et localisé plutôt que comme un chiffre national et durable.
D'où proviennent les informations de cette pratique, et quand.