Danmark kæmper med jordforurening, der udgør en alvorlig risiko for folkesundheden. Det store antal potentielt berørte lokaliteter, den store mediebevågenhed og budgetbegrænsninger kræver en effektiv strategi til at prioritere undersøgelser af lokaliteter. Med det store ansvar for at overvåge og håndtere forurening ønskede Danske Regioner at strømline processen med at identificere og prioritere jordforureningslokaliteter.

Regionerne havde allerede adgang til en betydelig mængde data fra tidligere undersøgelser og offentlige databaser. Alligevel var det en udfordring at håndtere denne mængde data effektivt og identificere de områder, der krævede øjeblikkelig handling.

De håndterer normalt dette med traditionelle metoder, der primært er baseret på statiske modeller og eksisterende domæneviden. Men disse tilgange var begrænsede, da de ikke kunne håndtere kompleksiteten i de præsenterede data eller forudsige jordforurening med tilstrækkelig nøjagtighed. Det skyldtes, at forureningsmønstrene var dybt komplekse og ikke let kunne identificeres med konventionelle tilgange.

Derfor henvendte Danske Regioner sig til Delegate og bad om hjælp til at bruge deres eksisterende data mere effektivt ved at anvende avancerede analysemetoder til at identificere potentielt forurenede områder og prioritere deres handlinger mere præcist.

Delegates løsning indebar implementering af avancerede AI-teknologier til at analysere og behandle den store mængde data, som regionerne havde adgang til.

En Proof of Concept (PoC)-fase gav lovende resultater på tværs af to kritiske use cases: Fastlæggelse af sandsynligheden for forurening af et område med henblik på prioritering og bestemmelse af den mest sandsynlige type forurening på et område. Modellernes lovende nøjagtighed viste gennemførligheden og værdien af vores tilgang til at løse komplekse miljømæssige udfordringer.

De to PoC’er tog højde for forskellige faktorer, herunder geografiske data, tidligere undersøgelser, jordens konsistens og andre relevante parametre. Ved at integrere offentlige og private datakilder og ekspertviden i AI-modellerne skabte Delegate en omfattende løsning, der kunne understøtte regionernes beslutningsprocesser.

En nøglekomponent er prioritering af handlinger baseret på sandsynligheden for jordforurening. Ved at rangordne potentielt forurenede områder efter deres risikoniveau kan regionerne optimere deres ressourceallokering og målrette deres indsats mod de områder, hvor behovet er størst. Det sparer både tid og penge og øger effektiviteten i deres arbejde.

Danske Regioner havde begrænset tid og ressourcer til at besøge og finde de rigtige steder, hvor der er forurening. Ved at investere i deres egne data og bruge dem intelligent med hjælp fra Delegate kan de bedre vurdere, hvor de skal tage jordprøver. Det øger effektiviteten i deres arbejde og sikrer, at ressourcerne bruges der, hvor der er mest brug for dem til effektiv miljøbeskyttelse, hvilket sparer både tid og penge.

Baseret på succesen med de to PoC’er går Delegate og regionerne nu i gang med et projekt i fuld skala for at operationalisere disse modeller til bredere brug. Det indebærer en forbedring af modellernes ydeevne, udvikling af API’er til kommunikation af resultater og integration af modellerne i en tilgængelig applikation. Derudover udvides projektet til at udforske andre former for jordforurening, herunder PFAS-forurening – en nylig bekymring, der har domineret medierne på grund af dens udbredte sundhedspåvirkning, og som den danske regering har et meget stærkt fokus på.

Delegates løsning til Danske Regioner er et eksempel på, hvordan kunstig intelligens kan skabe betydelige resultater i organisationer med begrænsede budgetter og uden tradition for at bruge avancerede analyser. Dette initiativ tilbyder et paradigmeskift i, hvordan regionerne og Danmark kan reagere på de udfordringer, som forskellige former for forurening udgør.