Kando
在下水道找污染源的 AI，義大利客戶說污染事件從一天 20 起降到 5 起以下
污水處理廠的操作員最怕接到的電話是：「進流水有問題。」
問題不在處理不了，在於你不知道是誰倒的。一個城市的下水道網絡可能有幾百公里長、幾萬個接管點，等你發現異常，污染物早就進廠、打亂了整池的生物處理。傳統做法是採樣、送驗、等報告——三天後你知道那是什麼，但已經來不及。
Kando 做的是把偵測往上游推。
功能特色與適用場景
平台結合 IoT 硬體、軟體分析與專家服務，在下水道網絡中佈點感測，用 AI 與機器學習比對訊號樣態，回推污染來源的位置。
產品包含 Kando Wastewater Intelligence Platform（主平台）、Assessment Map（即時水質洞察地圖），以及 STREAMi——一個結合大型語言模型的水質語音助理。最後這項挺有意思：讓現場人員用講的問「昨晚三號幹管發生什麼事」，而不是回辦公室查儀表板。
官網引用的客戶說法很具體。義大利 HERA Group 的污水廠營運經理 Paolo Gelli 表示：導入後能夠辨識污染源，污染事件從一天 20 起降到 5 起甚至更少。其他客戶包括義大利 CAP Group 與美國 El Paso Water。
適用場景：都市下水道網絡的污染源追蹤、工業區的排放稽查、污水廠進流水保護、水再生與再利用的水質把關、環保稽查的證據蒐集。台灣的工業區偷排問題長年存在，稽查人力卻有限——這種「網絡佈點＋回推來源」的思路，比在放流口守株待兔有效得多。可對照 WINT 的建築端與 HULO 的自來水端。
TheAI學院 編輯建議
編輯實測後的真心話台灣每隔一陣子就會有工業區偷排上新聞，然後是稽查、裁罰、道歉三部曲，過幾個月又來一次。說穿了就是抓不到——放流口守不住，河川採到了也難認定。Kando 這種在管網裡佈點回推的做法，我覺得才是治本的方向。但它也很誠實地暴露了一個問題：台灣要做這件事，卡的不是技術，是我們連自己的下水道長什麼樣都不完全清楚。
主要功能
- 下水道網絡 IoT 感測佈點
- AI／機器學習污染源辨識與回推
- Assessment Map 即時水質洞察地圖
- STREAMi 水質語音助理（LLM 驅動）
- 污水廠進流水異常預警
- 硬體、軟體與專家服務整合
適用場景
- 都市下水道的污染源追蹤
- 工業區違規排放的稽查佐證
- 污水處理廠的進流水保護
- 再生水水質的上游把關
- 水環境事件的事後調查
Kando 的優點與缺點
優點
- 把偵測推到上游，而非在處理廠被動接招
- 有歐美水務單位的實際營運數據佐證
- 語音助理讓現場人員也能查資料，不只給工程師用
- 對工業排放稽查有實質的舉證價值
缺點
- 需在管網中佈建硬體，初期工程與協調成本高
- 官網未公開價格，屬公部門專案型採購
- 污染源回推的準確度受管網資料完整度影響
- 涉及稽查與裁罰時，證據力需符合各國法規要求
價格方案
面向水務單位的硬體、軟體與服務整合方案，價格需洽詢。
Kando 常見問題
AI 真的能指出是哪家工廠偷排嗎？
它能大幅縮小範圍，但「指認」這件事仍需人為確認。系統透過感測點的時序訊號與管網拓撲回推可能來源區段，實務上是把稽查範圍從「整個工業區」縮到「這三條支管」。最後的採樣與舉證還是要人去做——但從幾天縮到幾小時，意義完全不同。
台灣的下水道適合導入嗎？
技術上適合，難在資料。污染源回推高度依賴準確的管網圖資與接管資料，而台灣不少地區的下水道圖資更新落後、私接管線也不少。導入前的圖資盤點，可能比買設備更花時間。
STREAMi 這種語音助理有什麼實際好處？
降低使用門檻。水務現場的操作人員不見得熟悉儀表板與查詢介面，能用講的問「今天有沒有異常」就會實際去用。工具用不用得起來，往往取決於最不熟電腦的那個人願不願意碰。
使用者評價
還沒有足夠評價，搶先分享你的使用心得！
寫下你的評價
Kando 的替代方案
查看相似的 AI 工具 →相關 AI 工具
猜你也想看的AI 能源與公用事業
更多以色列的 AI 工具
同樣來自以色列的 AI 工具，一起看看。