A previsão precisa da demanda de água é essencial para a operação de sistemas de distribuição de água potável. Embora abordagens de aprendizado de máquina tenham demonstrado desempenho preditivo superior em ambientes de pesquisa, sua adoção pelas concessionárias de água permanece limitada. Uma barreira primária é a tradução do desenvolvimento do modelo para a implantação produtiva, que inclui a implantação do modelo, monitoramento, re-treinamento e provisão de infraestrutura. Este artigo apresenta uma arquitetura de MLOps de ponta a ponta para previsão operacional de demanda de água a curto prazo que aborda esses desafios de implantação. O sistema proposto integra componentes de código aberto estabelecidos em uma estrutura baseada em Kubernetes escalável, apoiando todo o ciclo de vida do modelo, bem como o pipeline de ML que vai da ingestão de dados à inferência e à previsão. Como abordagens exemplares, modelos DeepAR com um conjunto mínimo de recursos derivados de medições de fluxo, observações meteorológicas e codificações temporais são utilizados. A aplicação da arquitetura é demonstrada em dois sistemas de distribuição de água distintos: uma rede municipal no sul da Alemanha que requer previsões de 24 horas e uma rede de área medida de distrito no norte da Itália com horizontes de previsão semanais. A análise revela que o desempenho do teste fornece apenas uma indicação parcial da qualidade da previsão do pipeline de ML operacional. As principais descobertas incluem a necessidade de estratégias robustas de gerenciamento de lacunas para fluxos de dados orientados por eventos, a importância do monitoramento contínuo de desempenho e re-treinamento adaptativo, e o valor de previsões probabilísticas para suporte à decisão ciente de incertezas.
Wünsch et al. (Qui,) estudaram esta questão.