Energizados

Energizados es un sistema que, “[a] partir de los datos disponibles suministrados por la empresa EEGSA, mediante la utilización del Aprendizaje Automático (Machine Learning), […] detecta a los usuarios con mayor probabilidad de haber cometido fraudes y/o con problemas en su conexión, para así poder disminuir las pérdidas no técnicas en la distribución de energía. Principalmente [con este sistema] se espera lograr una mayor eficiencia en el descubrimiento de conexiones ilegales. Para el correcto modelado del problema se emplearon perfiles temporales de los consumos mensuales mediante series de tiempo, junto con otras variables. En general se utilizaron métodos supervisados, del estilo de árboles y redes neuronales.” (BID, s. f.)

País

Guatemala

Entidad pública

Empresa Eléctrica de Guatemala, S.A. – EEGSA

Ubicación en la estructura del Estado

Instituciones de Educación Superior y/o empresas estatales

Nivel

Nacional

Clasificación COFOG

Vivienda y Servicios Conexos

Palabra clave

Detección de anomalías

Usa datos personales

Estado conocido del proyecto

En funcionamiento

Potencial aporte a ODS

7, 11, 12

Aporte a procesos de gobierno (Clasificación nivel I JRC - UE)

Análisis, monitoreo e investigación de política pública

Tipo de interacción (sí, no)

G2C

No

G2B

No

G2G

Clasificación OCDE por tipo de tarea (sí, no)

1. Reconocimiento

No

2. Detección de eventos

3. Predicción

4. Personalización

No

5. Soporte de interacción

No

6. Optimización orientada a objetivos

No

7. Razonamiento con estructura de conocimiento

No

¿Sistema previamente registrado en un repositorio anterior? (sí, no)

Nombre del repositorio

fAIr LAC+ del BID

Fuentes primarias y secundarias del repositorio

BID. (s. f.). Energizados. fAIr LAC+. Recuperado 16 de diciembre de 2024, de https://fairlac.iadb.org/piloto/energizados
Giraldo, C., Ríos, C., Alarcon, A., Snyder, V., Echevarria, C., & Riobo, A. (2022). Energizados: Los beneficios de una herramienta basada en las metodologías de machine learning para facilitar la detección de robo eléctrico (2022.ª ed.). Banco Interamericano de Desarrollo. https://doi.org/10.18235/0004178

Scroll to Top
Repositorio

Sistemas de IA en América Latina y el Caribe

Tipo de interacción

Clasificación OCDE por tipo de tarea