Stream C8 - Water Loss 2026 - 29 abr
Apresenta na Stream C8 (Smart e Digital) o caso de uso de modelagem de risco com IA para otimizar substituicao de tubos e reduzir perdas de agua - parceria Optimatics + SABESP, com Tom Woolley e Irineu na entrega tecnica.
Sobre o palestrante
Firas Rababaa, da Optimatics (Estados Unidos), e o autor do paper que abre a Stream C8 do Water Loss 2026 (29/04, manha) - "Transforming Water Utilities: How AI-Powered Risk Modeling Optimizes Pipe Replacement to Reduce Water Losses". Por desafios de visto, a entrega de palco ficou com Tom Woolley (colega da Optimatics) e Irineu, engenheiro da SABESP envolvido na execucao do projeto. A apresentacao e um caso pratico aplicado na regiao oeste da metropolitana de Sao Paulo, mostrando como modelos de risco priorizam quais trechos substituir primeiro - decisao de capital com base em dados, nao em intuicao.
A Optimatics e empresa norte-americana focada em modelagem de redes e otimizacao de capital para utilities. Atua com algoritmos geneticos, IA e simulacao hidraulica para responder perguntas como "qual o trecho que devo substituir primeiro para o maior retorno em reducao de perdas".
OptimaticsAIO caso aplicado e SABESP - a maior operadora de saneamento do Brasil. Irineu, engenheiro da SABESP, sobe ao palco para contextualizar o problema operacional e os dados que alimentaram o modelo. Tom Woolley apresenta o backbone tecnico em nome de Firas. Tres palestrantes para um caso.
SABESPSao Paulo"Risk modeling is not a magic answer - it is a way to direct capital where the data tells us it matters most."
Tese central
A tese central que Rababaa articula via Optimatics e SABESP e que substituicao de tubos sem modelo de risco e investimento de capital com retorno aleatorio. Quando a utility opera milhares de quilometros de rede com idades, materiais e historicos diferentes, a unica forma racional de priorizar e modelar risco com IA: prever onde a falha vai acontecer, qual o impacto em perda de agua e qual o custo da intervencao - e ranquear.
O modelo combina probabilidade de falha (idade, material, historico, pressao) com impacto da falha (volume de agua perdido, criticidade de zona, custo de reparo). Esse cruzamento gera ranking de trechos - decisao de substituicao deixa de ser feeling do engenheiro de campo.
Risk ModelO modelo precisa de dados ricos: cadastro de redes (idade, material, diametro), historico de falhas e reparos, mapa de pressao, balanco hidrico por DMA e dados climaticos. SABESP forneceu esse acervo, e o paper e a prova de que utility brasileira tem maturidade de dados para alimentar IA.
DataO entregavel nao e somente um numero - e um plano de capital de 5 a 10 anos com lista priorizada de trechos, custo estimado, perda evitada e cronograma de execucao. Vai direto para o board defender investimento, e direto para a engenharia de campo executar.
Capital Plan"You don't replace the pipe that broke - you replace the pipe the model says is most likely to break next."
Dados e numeros
O projeto desenvolvido com a SABESP - na regiao oeste da metropolitana de Sao Paulo - aplicou o modelo de risco em parque significativo de redes. Os dados consolidados sustentam o argumento: investimento em modelagem de risco se paga em ciclos curtos quando comparado a substituicao reativa pos-falha. Rababaa nao trouxe valores absolutos, mas trouxe a logica economica.
"We replaced 500 km of pipes - the model told us which 500 km."
Metodologia
A metodologia da Optimatics aplicada a SABESP segue tres fases: ingestao de dados (cadastro, historico, telemetria), treino de modelo de IA com falhas conhecidas e validacao com engenheiros de campo. O modelo nunca substitui o engenheiro - amplifica a capacidade dele de tomar decisao em escala. E a logica do "human in the loop" aplicada a planejamento de capital.
Cadastro de redes (GIS), historico de falhas (CMMS), pressao por zona (SCADA), balanco hidrico por DMA. A Optimatics consolida esses sistemas em um data lake unico - primeiro passo e quase sempre o mais dificil quando utility tem dados em silos.
GISSCADASobre o data lake, treina-se modelo de machine learning que aprende padroes de falha - quais combinacoes de idade, material, pressao e ambiente sao preditivas. O modelo e validado com cross-validation contra falhas historicas conhecidas.
MLO ranking de trechos e revisado com engenheiros de campo - eles validam ou contestam com base em conhecimento tacito (zona com solo agressivo, trecho com historico nao registrado, projeto futuro de obra). O modelo aprende com cada ciclo - feedback humano alimenta IA.
Human in the loopCasos e descobertas
O caso pratico apresentado na Stream C8 e o piloto da Optimatics na regiao oeste da metropolitana de Sao Paulo - operada pela SABESP. Irineu, engenheiro da SABESP que sobe ao palco com Tom, contextualiza: rede madura com idade media alta, registros de falhas digitalizados nos ultimos anos, pressao alta em zonas especificas. Cenario perfeito para validar IA.
A regiao oeste da SABESP tem rede com idade media alta - condicao classica em metropoles latino-americanas. Mas tambem tem dados ricos (telemetria, GIS, historico) - e exatamente esse cruzamento que permite que o modelo de IA produza ranking confiavel.
Sao Paulo OesteA Optimatics entregou plano de capital plurianual com substituicao priorizada por trecho, custo estimado e perda evitada. SABESP usa esse plano para defender investimento perante regulador (ANA, ARSESP) e para alocacao orcamentaria interna.
Capital PlanO grande aprendizado do piloto: o modelo identificou trechos que engenheiros de campo nao tinham priorizado - e tambem foi corrigido em trechos onde o tacito do engenheiro era melhor. A combinacao gerou ranking superior a qualquer das duas fontes isoladas.
HybridInsights da palestra
Os insights que o paper deixa para utilities sao concretos: dados sao 80 por cento do trabalho, IA so funciona com human-in-the-loop, e o entregavel mais valioso nao e o algoritmo - e o plano de capital plurianual que sai dele. Tres palestrantes em palco simbolizam a triangulacao: tecnica + operacao + autor.
Antes de qualquer modelo de IA, a Optimatics gasta a maior parte do tempo consolidando dados de GIS, CMMS, SCADA e DMAs em formato unificado. A licao para utilities: invistam em data lake antes de procurar consultoria de IA.
O modelo mostrou que material, pressao e historico de reparo recente sao tao preditivos quanto idade. Tubo novo em zona de pressao alta pode ter risco maior que tubo velho em zona estavel. IA refina essa intuicao em escala.
O modelo nao manda - sugere. Engenheiros de campo validam, corrigem e adicionam contexto tacito. O ciclo de feedback e o que faz a precisao do modelo crescer com o tempo.
O entregavel para a SABESP nao foi um modelo de IA - foi um plano de capital plurianual com lista priorizada e cronograma. Esse plano tem dono no board, defesa perante regulador e cronograma para engenharia. Algoritmo e meio, nao fim.
O fato de Tom (tecnica), Irineu (SABESP) e Firas (autor por video) dividirem o palco simboliza o paper: ele so existe porque tres pontos de vista convergiram. Replicabilidade pede essa triangulacao - vendor + utility + pesquisador.
Para audiencia internacional do Water Loss, o caso confirma que SABESP - operadora brasileira - tem maturidade de dados para aplicar IA em planejamento de capital. E sinal de que utility latino-americana ja esta no mesmo nivel de utility europeia ou americana em digital maturity.
O paper recoloca a reducao de perdas como decisao de capital - nao como acao operacional pontual. Cada substituicao priorizada pelo modelo tem ROI mensuravel em volume de agua recuperado e perda evitada. Linguagem que CFO entende.
O paper se baseia em IA preditiva (machine learning supervisionado), nao IA generativa (LLM). Distincao importante: o que utility precisa hoje e IA que aprende padroes de falha de dados historicos - LLM tem outro papel, em interface conversacional.
Filosofia
A filosofia que o paper Optimatics + SABESP defende - e que Rababaa, Tom e Irineu encarnam no palco - e que IA em utilities nao substitui engenheiro, amplifica a capacidade dele de decidir em escala. O modelo nao manda - ranqueia. O engenheiro valida, corrige, contextualiza. E juntos produzem plano de capital melhor que qualquer das partes isoladas. E filosofia de aumento, nao substituicao.
A grande mensagem da Optimatics para utilities e: IA nao substitui o engenheiro de campo - amplifica. O modelo processa milhoes de dados que o engenheiro nao consegue processar; o engenheiro adiciona contexto tacito que o modelo nao captura.
AugmentationO entregavel final - plano plurianual de substituicao - e a linguagem comum entre engenheiro de campo, board executivo e regulador. IA produz dados que sustentam essa linguagem; sem ela, decisao de capital fica refem de feeling.
Capital Plan"The model doesn't replace the engineer - it gives the engineer leverage at scale."
Water Loss 2026 — Resumo gerado por IA
Transcrição e tradução ao vivo por Nobox Live Translate
