Projeto-Piloto de Telemetria Inteligente e Machine Learning da WASAC Reduz a Água Não Faturada em 23% em Kigali, Ruanda

A água não faturada (ANF) — água tratada que se perde por fugas, furtos ou erros de faturação antes de chegar a um cliente pagante — tem-se situado historicamente entre 35% e 45% na WASAC Ltd, a concessionária estatal de água e saneamento do Ruanda, bem acima da meta de 25% do governo. Um projeto-piloto de telemetria inteligente na cidade de Kigali, descrito no estudo revisto por pares 'Cost-effective non-revenue water reduction: analysis through pilot activities in Kigali City, Rwanda' (Water Practice & Technology, IWA Publishing, 2024), formou mais de 60 técnicos, agentes de faturação e colaboradores de apoio ao cliente da WASAC, tendo registado uma queda de 23% na ANF em seis meses, juntamente com 38% dos clientes participantes a reduzir o consumo de água e uma queda de 41% nas reclamações de faturação.

Num estudo complementar, 'Analyzing non-revenue water dynamics in Rwanda: leveraging machine learning predictive modeling for comprehensive insights and mitigation strategies' (Water Practice & Technology, IWA Publishing, junho de 2024), investigadores, incluindo Charles Ruranga, aplicaram análise de dados em painel e vários modelos preditivos de machine learning aos dados de rede da WASAC entre julho de 2014 e junho de 2023, enquadrados explicitamente como apoio ao progresso da concessionária rumo ao teto de 25% de ANF. O projeto-piloto e o trabalho de modelação são complementares, e não um único produto de IA integrado: o piloto de telemetria inteligente gerou a redução operacional de ANF, enquanto o estudo de ML analisou os dados de mais longo prazo da WASAC para identificar causas de perdas e prioridades de mitigação.

A cobertura independente do setor (ESI Africa) confirma o investimento paralelo da WASAC em infraestrutura, noticiando que a fabricante de contadores Itron foi selecionada para fornecer mais 50.000 contadores de água digitais para Kigali, após uma implantação anterior de 110.000 unidades. As fontes analisadas descrevem o trabalho de ANF e de ML como um projeto-piloto e uma análise académica, e não como um sistema de IA totalmente automatizado e implementado à escala nacional, pelo que o resultado de 23% deve ser lido como um resultado inicial e localizado, e não como uma cifra nacional e sustentada.