検知の向上は重要ですが、検知だけでは不十分です。エネルギーチームがData and AI Platform上で、MLのインサイトをガバナンスの効いたビジネス運用へと実用化する方法をご紹介します。
によって Daniel Zoccali 、 Jack Yallop による投稿
盗電（エネルギー窃盗）とは、メーターや供給設備を改ざんして消費量が記録されないようにするなど、意図的にガスや電気を無賃で使用することです。請求ミスや未払いとは異なり、接続設備を物理的に改造するため、検知が難しく、危険を伴う可能性があります。
収益保護チームにとって、盗電は財務面と安全面の両方における課題です。改ざんされたメーターや配線は、火災やガス漏れを引き起こす恐れがあります。英国だけでも、盗電によってエネルギー消費者は年間14億ポンド以上の損失を被っており、検知されているのは対象事例のわずか40%にすぎません。
ほとんどの企業は不審なアカウントを特定できるMLモデルをすでに導入しているため、課題はもはや単に多くの盗電を検知することだけではありません。チームは、フラグが立てられたメーターから、収益の回収、そしてより安全な家庭環境の実現に至るループを加速させる、ガバナンスの効いた単一のワークフローを中心に収益保護業務を統合する必要があります。チームは、シグナルを解釈し、調査の優先順位を決定し、現場チームを準備し、損失を回収し、リーダーに信頼できるメトリクスをタイムリーに提供できなければなりません。
ほとんどの組織は、解約確率、不正スコア、故障予測、盗電リスクスコアなど、有用な予測を生成するモデルをトレーニングできます。しかし、スコアそのものは成果ではありません。価値は、その後にビジネスがどのような行動をとるかによって生み出されますが、多くのMLプログラムはそこで停滞してしまいます。インサイトはダッシュボードに表示され るものの、誰かがそれを具体的なアクションに変換しなければならない状態が続いています。
盗電は、インサイトを放置することがコストと安全性の両面に悪影響を及ぼす典型的な例です。フラグが立てられたアカウントが自然に解決することはありません。誰かが調査が必要かどうかを評価し、現場への訪問を安全に手配し、損失を回収し、結果を記録し、その結果をモデルにフィードバックする必要があります。これらのステップが手作業で引き継がれると、スピードが求められる場面でプロセスが遅れてしまいます。実際の盗電事例への対応が1日遅れるごとに、盗まれるエネルギーが増え、安全上のリスクが長期化することになります。
したがって、真の課題は検知ではなく、運用化（オペレーショナル化）です。つまり、検知、調査、回収、レポート作成を、ガバナンスの効いた単一のループに接続することです。Databricks上では、このループはDatabricks Appで実行され、リアルタイムの案件ステータスはLakebaseに保持されます。また、ビジネスロジックは基盤となるデータと同じレイクハウスで実行され、Unity Catalogによってエンドツーエンドで管理されます。インサイトは、プラットフォームから離れることなくアクションへと変換されます。
DatabricksのエネルギーソリューションアーキテクトであるDaniel Zoccaliが、Databricksを活用して盗電調査を検知し、運用化する方法を実演するデモをご覧ください。
インサイトの運用化は、その解釈から始まります。フラグが立てられたアカウントをトリアージするアナリストはデータサイエンティストではないため、正確な総合リスクスコアであっても、次に何をすべきかが明確に分からない場合があります。単なる数値だけでは、現場の作業員が誤検知の対応に追われ、限られた現場のリソースを浪費してしまう可能性があります。そのため、このワークフローでは、スコアとAIが生成した案件サマリーを組み合わせます。このサマリーは、Databricks Model Servingを通じて提供され、Unity Gatewayによって管理され、アカウントにフラグが立てられた理由を分かりやすい言葉で説明します。これにより、時間のかかる手動レビューが、迅速かつ一貫した評価へと変わります。
これにより、アナリストは解釈から実行へと移行できます。証拠の収集やコンプライアンス詳細の準備に何日も費やす代わりに、レイクハウスのナレッジに基づいた、現場派遣にすぐに使えるレポートを生成できます。このレポートには、推奨される次のステップ、証拠チェックリスト、安全上の注意点が含まれているため、エンジニアは十分な準備をして現場に到着できます。ワークフローはDatabricks Appとして実行されるため、案件はドキュメントの枠を超えて 、チームがすでに使用しているエンタープライズシステムへと連携されます。
Lakebaseは、プロセスをリアルタイムで迅速に処理します。プラットフォームのPostgresトランザクションレイヤーとして、スコアリングされた出力とリアルタイムの案件ステータスを保存し、アプリが低レイテンシで更新を読み書きできるようにします。回収が確定すると、累計額が即座に更新されます。また、モデルはUnity Gatewayを介して実行されるため、チームはワークフローを再構築することなく、設定変更だけで基盤となるモデルを選択または変更できます。
運用のスピードには、経営陣への可視性も必要です。収益保護のリーダーは、レポートを待つことなく、目標に対する回収状況を追跡し、CFOからの質問に回答できる必要があります。
Genie Oneを使用すると、リーダーは自然な言葉で質問し、Unity Catalogのメトリクス定義に基づいた回答を得ることができます。これにより、「回収された収益」や「適合率」などの指標が一貫した意味を持つようになり、チームは各数値がどのように算出されたかを検証できます。このガバナンスの効いたセマンティクスにより、Agent Bricksのマルチエージェントスーパーバイザーは、Genieクエリを調整して追跡可能な取締役会向けの出力を返すことで、月末の取締役会資料の作成を自動化できます。アナリストは、スライドの作成に時間を取られることなく、モデルの改善に集 中できます。
盗電を調査する際、ガバナンスは不可欠です。英国では、Ofgemのデータアクセスおよびプライバシーフレームワークと、ELEXONの需給調整・決済コード（BSC）が、エネルギーデータへのアクセスと使用方法を規定しています。Ofgemがサプライヤーのコンプライアンスを積極的に調査している現在、ガバナンスは理論上の問題ではなく、運用上および規制上の要件です。
モデル、サービングエンドポイント、データセットが、PII（個人を特定できる情報）としてラベル付けされたフィールドとともにUnity Catalogに登録されると、チームはデータを消費するモデルまでのデータリネージを追跡し、使用状況を監査し、モデルレベルのガードレールとアクセス制御を適用できます。Unity Gatewayを介して呼び出しをルーティングすることで、データ、PII、プロンプトを組織のセキュリティ境界内に維持しながら、各調査のAIコストを可視化できます。信頼でき、説明可能で、アクセス制御された回答こそが、規制のある業務においてAIの導入を可能にする要素です。
このパターンは、盗電対策をはるかに超えて応用できます。その仕組みは、モデルの出力をアクションに変換するための再現可能な方法です。Lakeflowが未加工 データを特徴量に変換し、モデルがプラットフォーム上でトレーニングおよびサービングされ、出力が運用アプリのためにLakebaseに書き込まれます。Genie OneとDatabricks SQLがリーダーの質問に答え、エージェントがレポート作成を自動化します。これらすべてが、サーバーレスコンピュート上で実行される、ガバナンスの効いたDatabricks App内で行われます。
モデルとシグナルを変更すれば、同じクローズドループを保険金請求詐欺、予兆保全、決済不正、解約防止対策などにも適用できます。このアプローチの価値は、単にスコアを向上させることだけではありません。検知、調査、分析、レポート作成が相互に補強し合う、ガバナンスの効いた単一のワークフロー内で、そのスコアに基づいてより迅速に行動することにあります。AIの価値はモデルだけでなく、その周囲に構築されたビジネスプロセスにも存在します。
詳細をご希望ですか？こちらのEnergy Virtual Industry Forum: Power the energy transition with unified data, real-time insights, and AI at scaleから、デモの全編と専門家によるディープダイブをご覧ください。
盗電とは、多くの場合メーターの改ざんや不正接続を通じて、ガスや電気を意図的に無賃で使用することです。請求ミスや未払いとは異なり、重大な安全上のリスクを引き起こす可能性があります。
Databricksは、MLによるスコアリングを 、調査と回収のためのガバナンスの効いたDatabricks Appに接続します。このワークフローにより、案件サマリーの生成、調査の優先順位付け、現場派遣用レポートの作成、回収状況の追跡、経営陣向けの分析の提供が可能になります。レイクハウスがデータ基盤を提供し、Lakebaseがリアルタイムの案件ステータスを保存して、迅速に反応する業務アプリケーションを実現します。
AIは、フラグが立てられたアカウントの理由を説明し、証拠を提示し、次のステップを推奨し、現場レポートを作成できます。安全性、コンプライアンス、および実行に対する責任は、引き続きアナリストやエンジニアが担います。
はい。Genie Oneは、回収された収益、調査件数、回収率、精度などのメトリクスを含む、管理されたデータと共有定義に基づいた回答を提供します。
いいえ。AIはトリアージやレポート作成を迅速化しますが、判断、規制の解釈、顧客対応、現場での実行が必要な意思決定は人間が行います。
(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事
ブログを購読して、最新の投稿を受信トレイにお届けします。