Une meilleure détection est essentielle, mais elle ne suffit pas. Voici comment les équipes du secteur de l'énergie peuvent opérationnaliser les insights du ML en opérations métiers gouvernées sur la plateforme Data and AI.
par Daniel Zoccali et Jack Yallop
Le vol d'énergie est l'utilisation délibérée de gaz ou d'électricité sans payer, généralement en altérant un compteur ou l'alimentation pour que la consommation ne soit pas enregistrée. Contrairement à une erreur de facturation ou à une facture impayée, il implique de modifier physiquement le raccordement, ce qui le rend difficile à détecter et potentiellement dangereux.
Pour les équipes de protection des revenus, le vol est à la fois un problème financier et de sécurité. Les compteurs et câblages altérés peuvent provoquer des incendies et des fuites de gaz. Le vol d'énergie coûte aux consommateurs de la seule Grande-Bretagne plus de 1,4 milliard de livres par an, avec seulement 40 % des cas ciblés détectés.
Le défi ne consiste plus simplement à détecter davantage de vols, car la plupart des entreprises disposent déjà de modèles ML capables de signaler les comptes suspects. Les équipes doivent unifier les opérations de protection des revenus autour d'un flux de travail unique et gouverné qui accélère la boucle, du compteur signalé aux revenus récupérés, pour un foyer plus sûr. Les équipes doivent être capables d'interpréter les signaux, de hiérarchiser les enquêtes, de préparer les équipes sur le terrain, de récupérer les pertes et de fournir rapidement aux dirigeants des indicateurs fiables.
La plupart des organisations peuvent entraîner des modèles qui génèrent des prédictions utiles, telles qu'une probabilité d'attrition (churn), un score de fraude, une prévision de défaillance ou un score de risque de vol. Mais le score lui-même n'est pas le résultat. La valeur provient de ce que l'entreprise en fait ensuite, et c'est là que de nombreux programmes ML stagnent. L'analyse atterrit dans un tableau de bord, tandis que quelqu'un doit encore la traduire en action.
Le vol d'énergie en est un exemple frappant : laisser une analyse sans suite coûte à la fois de l'argent et de la sécurité. Un compte signalé ne se résout pas tout seul. Quelqu'un doit évaluer s'il justifie une enquête, planifier une visite sur le terrain en toute sécurité, récupérer la perte, enregistrer le résultat et réinjecter les résultats dans le modèle. Lorsque des transmissions manuelles relient ces étapes, le processus ralentit là où la rapidité est essentielle. Chaque jour d'attente pour un cas réel signifie plus d'énergie volée et un risque prolongé pour la sécurité.
Le véritable défi n'est donc pas la détection, mais l'opérationnalisation : connecter la détection, l'enquête, la récupération et le reporting dans une seule boucle gouvernée. Sur Databricks, cette boucle s'exécute dans une Databricks App, l'état des dossiers en temps réel étant conservé dans Lakebase et la logique métier s'exécutant dans le même lakehouse que les données sous-jacentes, le tout gouverné de bout en bout par Unity Catalog. L'analyse se transforme en action sans quitter la plateforme.
Regardez Daniel Zoccali, Energy Solutions Architect chez Databricks, vous présenter comment Databricks peut aider à détecter et à opérationnaliser les enquêtes sur le vol d'énergie.
L'opérationnalisation d'une analyse commence par l'interprétation. L'analyste qui trie un compte signalé n'est pas un data scientist, et même un score de risque composite précis peut ne pas expliquer ce qu'il faut faire ensuite. Un simple chiffre peut envoyer des équipes vers des faux positifs et consommer des ressources limitées sur le terrain. C'est pourquoi le flux de travail associe le score à un résumé de dossier généré par l'AI, fourni via Databricks Model Serving et gouverné par Unity Gateway, qui explique en langage clair pourquoi le compte a été signalé. Un examen manuel fastidieux devient une évaluation rapide et cohérente.
L'analyste peut ensuite passer de l'interprétation à l'exécution. Au lieu de passer des jours à rassembler des preuves et à préparer des détails de conformité, il génère un rapport prêt à l'envoi, basé sur les connaissances du lakehouse. Il comprend les étapes suivantes recommandées, une liste de contrôle des preuves et des consignes de sécurité pour que l'ingénieur arrive préparé. Parce que le flux de travail s'exécute en tant que Databricks App, il transporte le dossier au-delà du document et dans les systèmes d'entreprise que l'équipe utilise déjà.
Lakebase maintient la réactivité du processus en temps réel. En tant que couche transactionnelle Postgres de la plateforme, il stocke les résultats scorés et l'état des dossiers en temps réel, permettant à l'application de lire et d'écrire des mises à jour avec une faible latence. Lorsqu'une récupération est confirmée, le total cumulé est immédiatement mis à jour. Et comme le modèle s'exécute via Unity Gateway, les équipes peuvent choisir ou modifier le modèle sous-jacent par simple configuration plutôt que de devoir recréer le flux de travail.
La rapidité opérationnelle nécessite également une visibilité pour la direction. Les responsables de la protection des revenus doivent suivre la récupération par rapport à leurs objectifs et répondre aux questions du CFO sans attendre un rapport.
Genie One permet aux dirigeants de poser des questions en langage naturel et de recevoir des réponses basées sur les définitions de métriques de Unity Catalog. Cela signifie que des mesures telles que le « revenu récupéré » et le « taux de précision » ont une signification cohérente, tandis que les équipes peuvent inspecter la manière dont chaque chiffre a été produit. La même sémantique gouvernée permet à un superviseur multi-agents Agent Bricks d'automatiser le rapport mensuel du conseil d'administration en orchestrant les requêtes Genie et en renvoyant un résultat traçable et prêt à être présenté. Les analystes peuvent consacrer leur temps à améliorer les modèles plutôt qu'à assembler des diapositives.
La gouvernance n'est pas facultative lors des enquêtes sur le vol d'énergie. Au Royaume-Uni, le Data Access and Privacy Framework d'Ofgem et le Balancing and Settlement Code d'ELEXON régissent l'accès et l'utilisation des données énergétiques. Ofgem enquêtant activement sur la conformité des fournisseurs, la gouvernance n'est pas une préoccupation théorique, c'est une exigence opérationnelle et réglementaire.
Lorsque les modèles, les points de terminaison de service (serving endpoints) et les ensembles de données sont enregistrés dans Unity Catalog avec des champs étiquetés comme PII, les équipes peuvent suivre le lignage des données (lineage) jusqu'aux modèles qui les consomment, auditer l'utilisation et appliquer des garde-fous et des contrôles d'accès au niveau du modèle. Le routage des appels via Unity Gateway permet de conserver les données, les PII et les prompts dans le périmètre de sécurité de l'organisation tout en offrant une visibilité sur les coûts AI pour chaque enquête. Des réponses fiables, explicables et soumises à un contrôle d'accès sont ce qui rend possible l'adoption de l'AI dans une activité réglementée.
Ce modèle s'étend bien au-delà du vol d'énergie. Sous le capot, c'est un moyen reproductible de transformer le résultat d'un modèle en action : Lakeflow transforme les données brutes en caractéristiques (features), les modèles sont entraînés et déployés sur la plateforme, et les résultats sont écrits dans Lakebase pour une application opérationnelle. Genie One et Databricks SQL répondent aux questions de la direction, tandis que des agents automatisent le reporting. Le tout au sein d'une Databricks App gouvernée fonctionnant sur du calcul serverless.
Modifiez le modèle et les signaux, et la même boucle fermée peut prendre en charge la fraude aux assurances, la maintenance prédictive, la fraude aux paiements ou l'intervention sur l'attrition (churn). L'opportunité ne réside pas simplement dans un meilleur score ; il s'agit d'agir plus rapidement sur ce score, au sein d'un flux de travail unique et gouverné où la détection, l'enquête, l'analyse et le reporting se renforcent mutuellement. La valeur de l'AI ne réside pas seulement dans le modèle, mais dans le processus métier construit autour de lui.
Prêt à en savoir plus ? Regardez la démonstration complète et l'analyse approfondie de nos experts lors de notre Energy Virtual Industry Forum : Propulsez la transition énergétique grâce à des données unifiées, des analyses en temps réel et l'AI à l'échelle.
Le vol d'énergie est l'utilisation délibérée de gaz ou d'électricité sans payer, souvent par le biais d'une altération de compteur ou de raccordements illégaux. Il est distinct d'une erreur de facturation ou d'une facture impayée et peut présenter de graves risques pour la sécurité.
Databricks connecte le scoring ML à une Databricks App gouvernée pour l'enquête et la récupération. Le flux de travail peut générer des résumés de dossiers, hiérarchiser les enquêtes, préparer des rapports prêts à l'envoi, suivre les récupérations et fournir des analyses pour la direction. Le lakehouse fournit le socle de données, tandis que Lakebase stocke l'état des dossiers en temps réel pour des applications opérationnelles réactives.
L'AI peut expliquer les comptes signalés, faire remonter des preuves, recommander les étapes suivantes et préparer des rapports de terrain. Les analystes et les ingénieurs restent responsables de la sécurité, de la conformité et de l'exécution.
Oui. Genie One fournit des réponses basées sur des données gouvernées et des définitions partagées, y compris des métriques telles que les revenus récupérés, les volumes d'enquêtes, les taux de récupération et la précision.
Non. L'AI accélère le tri et le reporting, tandis que les humains prennent les décisions nécessitant du jugement, une interprétation réglementaire, la gestion de la clientèle et l'exécution sur le terrain.
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.