Eine bessere Erkennung ist wichtig, aber Erkennung allein reicht nicht aus. So können Energieteams ML-Erkenntnisse in gesteuerte Geschäftsabläufe auf der Data and AI Platform umsetzen.
von Daniel Zoccali und Jack Yallop
Energiediebstahl ist die vorsätzliche Nutzung von Gas oder Strom, ohne dafür zu bezahlen, typischerweise durch Manipulation eines Zählers oder der Zuleitung, sodass der Verbrauch nicht erfasst wird. Im Gegensatz zu einem Abrechnungsfehler oder einer unbezahlten Rechnung geht es hierbei um die physische Veränderung des Anschlusses, was die Erkennung erschwert und potenziell gefährlich ist.
Für Teams zur Umsatzsicherung ist Diebstahl sowohl ein finanzielles Problem als auch ein Sicherheitsrisiko. Manipulierte Zähler und Verkabelungen können Brände und Gaslecks verursachen. Energiediebstahl kostet die Verbraucher allein in Großbritannien über 1,4 Milliarden Pfund pro Jahr, wobei nur 40 % der Verdachtsfälle aufgedeckt werden.
Die Herausforderung besteht nicht mehr nur darin, mehr Diebstähle zu erkennen, da die meisten Unternehmen bereits über ML-Modelle verfügen, die verdächtige Konten markieren können. Teams müssen ihre Aktivitäten zur Umsatzsicherung in einem einzigen, kontrollierten Workflow zusammenführen. Dieser beschleunigt den Kreislauf vom markierten Zähler über die Umsatzrückgewinnung bis hin zu einem sichereren Haushalt. Teams müssen in der Lage sein, Signale zu interpretieren, Untersuchungen zu priorisieren, Außendienstteams vorzubereiten, Verluste auszugleichen und Führungskräften zeitnah vertrauenswürdige Kennzahlen bereitzustellen.
Die meisten Unternehmen können Modelle trainieren, die nützliche Vorhersagen generieren, wie z. B. eine Abwanderungswahrscheinlichkeit, einen Betrugs-Score, eine Ausfallprognose oder einen Diebstahlrisiko-Score. Aber der Score selbst ist noch kein Ergebnis. Der Wert entsteht durch das, was das Unternehmen als Nächstes tut, und genau hier geraten viele ML-Programme ins Stocken. Die Erkenntnis landet in einem Dashboard, während immer noch jemand sie in die Tat umsetzen muss.
Energiediebstahl ist ein eindringliches Beispiel: Eine Erkenntnis ungenutzt zu lassen, kostet sowohl Geld als auch Sicherheit. Ein markiertes Konto klärt sich nicht von selbst auf. Jemand muss beurteilen, ob eine Untersuchung gerechtfertigt ist, einen Außendiensteinsatz sicher koordinieren, den Verlust zurückgewinnen, das Ergebnis protokollieren und die Ergebnisse wieder in das Modell einpflegen. Wenn manuelle Übergaben diese Schritte verbinden, verlangsamt sich der Prozess genau dort, wo es auf Schnelligkeit ankommt. Jeder Tag, an dem ein echter Fall unbearbeitet bleibt, bedeutet mehr gestohlene Energie und ein anhaltendes Sicherheitsrisiko.
Die eigentliche Herausforderung ist daher nicht die Erkennung, sondern die Operationalisierung: die Verknüpfung von Erkennung, Untersuchung, Rückgewinnung und Berichterstattung in einem einzigen, kontrollierten Kreislauf. Auf Databricks läuft dieser Kreislauf in einer Databricks App, wobei der aktuelle Fallstatus in Lakebase gespeichert ist und die Geschäftslogik im selben Lakehouse wie die zugrunde liegenden Daten ausgeführt wird – durchgängig gesteuert von Unity Catalog. So wird die Erkenntnis zur Aktion, ohne die Plattform zu verlassen.
Sehen Sie sich an, wie Daniel Zoccali, Energy Solutions Architect bei Databricks, demonstriert, wie Databricks bei der Erkennung und Operationalisierung von Untersuchungen zu Energiediebstahl helfen kann.
Die Operationalisierung einer Erkenntnis beginnt mit der Interpretation. Der Analyst, der ein markiertes Konto prüft, ist kein Data Scientist, und selbst ein präziser kombinierter Risiko-Score erklärt unter Umständen nicht, was als Nächstes zu tun ist. Eine bloße Zahl kann Teams zu Fehlalarmen (False Positives) führen und knappe Außendienstkapazitäten binden. Aus diesem Grund kombiniert der Workflow den Score mit einer AI-generierten Fallzusammenfassung, die über Databricks Model Serving bereitgestellt und von Unity Gateway gesteuert wird. Diese erklärt in verständlicher Sprache, warum das Konto markiert wurde. Eine langwierige manuelle Überprüfung wird so zu einer schnellen, konsistenten Bewertung.
Der Analyst kann dann von der Interpretation zur Ausführung übergehen. Anstatt tagelang Beweise zu sammeln und Compliance-Details vorzubereiten, erstellt er einen einsatzbereiten Bericht, der auf dem Wissen des Lakehouse basiert. Er enthält empfohlene nächste Schritte, eine Checkliste für Beweismittel und Sicherheitshinweise, sodass der Techniker vorbereitet vor Ort eintrifft. Da der Workflow als Databricks App ausgeführt wird, überträgt er den Fall über das Dokument hinaus direkt in die Unternehmenssysteme, die das Team bereits nutzt.
Lakebase sorgt dafür, dass der Prozess in Echtzeit reaktionsfähig bleibt. Als transaktionale Postgres-Schicht der Plattform speichert es die berechneten Ergebnisse und den aktuellen Fallstatus, sodass die App Aktualisierungen mit geringer Latenz lesen und schreiben kann. Wenn eine Rückgewinnung bestätigt wird, aktualisiert sich die Gesamtsumme sofort. Und da das Modell über Unity Gateway läuft, können Teams das zugrunde liegende Modell über die Konfiguration auswählen oder ändern, anstatt den Workflow neu programmieren zu müssen.
Operative Schnelligkeit erfordert auch Sichtbarkeit für die Führungsebene. Die Verantwortlichen für die Umsatzsicherung müssen die Rückgewinnung im Vergleich zu ihren Zielen verfolgen und Fragen des CFO beantworten können, ohne auf einen Bericht warten zu müssen.
Genie One lässt Führungskräfte Fragen in einfacher Sprache stellen und Antworten erhalten, die auf den Metrikdefinitionen in Unity Catalog basieren. Das bedeutet, dass Kennzahlen wie „rückgewonnener Umsatz“ und „Präzisionsrate“ eine konsistente Bedeutung haben, während Teams nachvollziehen können, wie jede Zahl zustande gekommen ist. Dieselbe gesteuerte Semantik ermöglicht es einem Multi-Agent-Supervisor von Agent Bricks, den Vorstandsbericht zum Monatsende zu automatisieren, indem er Genie-Abfragen koordiniert und ein nachvollziehbares, vorstandsreifes Ergebnis liefert. Analysten können ihre Zeit mit der Verbesserung von Modellen verbringen, anstatt Folien zu erstellen.
Governance ist bei der Untersuchung von Energiediebstahl nicht optional. Im Vereinigten Königreich regeln das Data Access and Privacy Framework von Ofgem und der Balancing and Settlement Code von ELEXON, wie auf Energiedaten zugegriffen und wie sie verwendet werden. Da Ofgem die Compliance der Anbieter aktiv untersucht, ist Governance kein theoretisches Anliegen, sondern eine operative und regulatorische Anforderung.
Wenn Modelle, Serving-Endpunkte und Datensätze in Unity Catalog registriert sind und Felder als PII gekennzeichnet sind, können Teams die Data Lineage bis hin zu den Modellen verfolgen, die sie nutzen, die Verwendung prüfen sowie Guardrails und Zugriffskontrollen auf Modellebene anwenden. Das Routing von Aufrufen über Unity Gateway trägt dazu bei, Daten, PII und Prompts innerhalb des Sicherheitsbereichs des Unternehmens zu halten, und bietet gleichzeitig Transparenz über die AI-Kosten für jede Untersuchung. Vertrauenswürdige, erklärbare und zugriffsgesteuerte Antworten sind das, was die Einführung von AI in einem regulierten Betrieb überhaupt erst möglich macht.
Dieses Muster lässt sich weit über den Energiediebstahl hinaus anwenden. Im Grunde ist es ein wiederholbarer Weg, um Modellergebnisse in Aktionen umzuwandeln: Lakeflow transformiert Rohdaten in Features, Modelle werden auf der Plattform trainiert und bereitgestellt, und die Ergebnisse werden für eine operative App in Lakebase geschrieben. Genie One und Databricks SQL beantworten Fragen der Führungsebene, während Agenten die Berichterstattung automatisieren. Alles innerhalb einer kontrollierten Databricks App, die auf Serverless-Compute läuft.
Wenn Sie das Modell und die Signale ändern, kann derselbe geschlossene Kreislauf auch für Versicherungsbetrug, vorausschauende Wartung (Predictive Maintenance), Zahlungsbetrug oder Churn-Prävention genutzt werden. Die Chance liegt nicht nur in einem besseren Score, sondern darin, schneller auf diesen Score zu reagieren – innerhalb eines einzigen, kontrollierten Workflows, in dem sich Erkennung, Untersuchung, Analysen und Berichterstattung gegenseitig verstärken. Der Wert von AI liegt nicht nur im Modell, sondern im Geschäftsprozess, der darum herum aufgebaut ist.
Möchten Sie mehr erfahren? Sehen Sie sich die vollständige Demo und den Experten-Deep-Dive von unserem Energy Virtual Industry Forum: Power the energy transition with unified data, real-time insights, and AI at scale an.
Energiediebstahl ist die vorsätzliche Nutzung von Gas oder Strom, ohne dafür zu bezahlen, oft durch Manipulation des Zählers oder illegale Anschlüsse. Er unterscheidet sich von einem Abrechnungsfehler oder einer unbezahlten Rechnung und kann schwerwiegende Sicherheitsrisiken bergen.
Databricks verknüpft das ML-Scoring mit einer kontrollierten Databricks App für Untersuchungen und Rückgewinnung. Der Workflow kann Fallzusammenfassungen erstellen, Untersuchungen priorisieren, einsatzbereite Berichte vorbereiten, Rückgewinnungen verfolgen und Analysen für die Führungsebene bereitstellen. Das Lakehouse liefert das Datenfundament, während Lakebase den aktuellen Fallstatus für reaktionsschnelle operative Anwendungen speichert.
AI kann markierte Konten erklären, Beweise aufzeigen, nächste Schritte empfehlen und Außendienstberichte vorbereiten. Analysten und Techniker bleiben weiterhin f ür Sicherheit, Compliance und Ausführung verantwortlich.
Ja. Genie One liefert Antworten, die auf kontrollierten Daten und gemeinsamen Definitionen basieren, einschließlich Kennzahlen wie rückgewonnener Umsatz, Untersuchungsvolumen, Rückgewinnungsraten und Präzision.
Nein. AI beschleunigt die Sichtung und Berichterstattung, während Menschen Entscheidungen treffen, die Urteilsvermögen, regulatorische Auslegung, Kundenbetreuung und die Ausführung vor Ort erfordern.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.