能源团队用Genie将盗电检测转为受治理行动

能源盗窃是指故意使用燃气或电力而不付费，通常通过篡改电表或供应设施使消费不被记录。与账单错误或未付账单不同，它涉及对连接进行物理改造，使其难以被发现，并可能带来危险。

对于收入保护团队来说，盗窃既是财务问题，也是安全问题。被篡改的电表和线路可能引发火灾和燃气泄漏。仅在英国，能源盗窃每年就让能源消费者损失超过14亿英镑，而目标案件中仅有40%被检测出来。

挑战不再只是检测出更多盗窃，因为大多数公司已经拥有能够标记可疑账户的机器学习模型。团队需要围绕一个统一的受治理工作流来整合收入保护运营，从而加速从被标记的电表到追回收入再到更安全家庭的循环。团队需要能够及时解读信号、确定调查优先级、为现场团队做好准备、追回损失，并为领导者提供可信的指标。

机器学习洞察还不是业务成果

大多数组织都能训练出生成有用预测的模型，例如流失概率、欺诈评分、故障预测或盗窃风险评分。但评分本身并不是成果。价值来自业务接下来采取的行动，而这正是许多机器学习项目停滞的地方。洞察停留在仪表板中，而仍然需要有人将其转化为行动。

能源盗窃就是一个有力的例子：洞察未被付诸行动会同时造成金钱和安全损失。被标记的账户不会自行解决。必须有人评估它是否值得调查、安全地派遣现场访问、追回损失、记录结果，并将结果反馈到模型中。当人工交接连接这些步骤时，流程会在最需要速度的地方变慢。一个真实案件每等待一天，就意味着更多能源被盗和风险持续时间延长。

因此，真正的挑战不是检测，而是运营化：将检测、调查、追回和报告连接成一个受治理的闭环。在Databricks上，这一闭环运行在一个Databricks应用中，实时案件状态保存在Lakebase中，业务逻辑在与底层数据相同的湖仓中运行，并由Unity Catalog进行端到端治理。洞察无需离开平台即可转化为行动。

观看Databricks能源解决方案架构师Daniel Zoccali演示Databricks如何帮助检测能源盗窃并使调查运营化。

从被标记账户到可开展调查的行动

将洞察运营化始于解读。对标记账户进行分诊的分析师不是数据科学家，即使准确的综合风险评分也可能无法解释下一步该做什么。一个光秃秃的数字可能让工作人员走向误报，并消耗稀缺的现场能力。因此，该工作流将评分与AI生成的案件摘要配对，通过Databricks模型服务提供，并由Unity Gateway治理，用通俗语言解释该账户为何被标记。冗长的人工审查变成快速、一致的评估。

随后分析师可以从解读转向执行。他们不必花数天收集证据和准备合规细节，而是生成一份基于湖仓知识的可派遣报告。报告包括建议的后续步骤、证据清单和安全说明，以便工程师到达时做好准备。由于工作流作为Databricks应用运行，它将案件带出文档，进入团队已经使用的企业系统。

Lakebase使流程保持实时响应。作为平台的Postgres事务层，它存储评分输出和实时案件状态，使应用能够以低延迟读取和写入更新。当追回得到确认时，运行总数会立即更新。而且，由于模型通过Unity Gateway运行，团队可以通过配置选择或更换底层模型，而无需重新设计工作流。

可信答案与快速行动同样重要

运营速度还需要高管可见性。收入保护领导者需要对照目标跟踪追回情况，并无需等待报告即可回答CFO的问题。

Genie One让领导者用通俗英语提问，并获得基于Unity Catalog中指标定义的回答。这意味着“追回收入”和“精确率”等指标具有一致的含义，同时团队可以检查每个数字是如何产生的。相同的受治理语义使Agent Bricks多智能体监督器能够通过编排Genie查询来自动生成月末董事会材料，并返回可追溯、可直接提交董事会的输出。分析师可以将时间花在改进模型上，而不是拼凑幻灯片。

治理是平台的核心，而非事后考虑

在调查能源盗窃时，治理不是可选项。在英国，Ofgem的数据访问与隐私框架和ELEXON的平衡与结算准则规定了能源数据的访问和使用方式。由于Ofgem正在积极调查供应商的合规情况，治理不是理论问题，而是运营和监管要求。

当模型、服务端点和数据集在Unity Catalog中注册，并将字段标记为PII时，团队可以追踪数据血缘直到使用这些数据的模型，审计使用情况，并应用模型级防护栏和访问控制。通过Unity Gateway路由调用有助于将数据、PII和提示保留在组织的安全边界内，同时提供每次调查的AI成本可见性。可信、可解释、访问受控的答案，正是AI在受监管运营中得以采用的关键。

同样的模式可将任何机器学习洞察运营化

这种模式远不止适用于能源盗窃。在底层，它是一种可重复的方式，将模型输出转化为行动：Lakeflow 将原始数据转换为特征，模型在平台上训练和提供服务，输出写入 Lakebase 供运营应用使用。Genie One 和 Databricks SQL 回答领导层的问题，而智能体则自动化报告。所有这些都在一个运行于无服务器计算之上的受治理 Databricks App 内完成。

更换模型和信号，同样的闭环就可以支持保险理赔欺诈、预测性维护、支付欺诈或客户流失干预。机会不仅仅是获得更好的评分，而是更快地依据该评分采取行动，在一个受治理的工作流中，使检测、调查、分析和报告相互强化。AI 的价值不仅在于模型，还在于围绕它构建的业务流程。

想了解更多？观看我们完整的演示和专家深度解析，来自能源虚拟行业论坛：以统一数据、实时洞察和规模化 AI 推动能源转型。

常见问题解答

什么是能源盗窃？

能源盗窃是指故意不付费使用燃气或电力，通常通过篡改电表或非法接线实现。它与账单错误或未付账单不同，可能造成严重的安全风险。

Databricks 如何帮助检测能源盗窃？

Databricks 将机器学习评分连接到受治理的 Databricks App，用于调查和追回。该工作流可以生成案件摘要、确定调查优先级、准备可直接派工的报告、跟踪追回情况，并提供高管分析。湖仓提供数据基础，而 Lakebase 存储实时案件状态，以支持响应迅速的运营应用。

AI 如何支持能源盗窃调查？

AI 可以解释被标记的账户、呈现证据、推荐下一步行动并准备现场报告。分析师和工程师仍然负责安全、合规和执行。

领导者能否用自然语言询问有关追回的问题？

可以。Genie One 提供基于受治理数据和共享定义的答案，包括已追回收入、调查量、追回率和精确率等指标。

AI 会取代收入保护分析师或现场工程师吗？

不会。AI 加速分诊和报告，而人员负责需要判断力、法规解读、客户处理和现场执行的决策。