エネルギー会社：5万センサー、リアルタイム検知、240万ユーロ削減。

電力網で異常検出に8時間の遅延は、エネルギーが漏れる間に支払う8時間です。

コンテキスト

フランスエネルギー会社、4,800人従業員、パリハブ。50,000センサー（消費、電圧、高調波、トランス温度）を搭載した中電圧配電網。Hadoop上の夜間バッチデータパイプライン、静的ルールによる異常検出。

問題

• 平均8時間の遅延で異常検出（H+24バッチ）
• インシデントの30%がクライアント影響後に検出
• 未特定のグリッド損失を年380万ユーロと見積もり
• 70%の誤検知を生成する静的ルール
• 一部の産業ゲートウェイで限られた帯域幅（4G、時には2G）

アプローチ

エッジMLパイプライン：5秒未満のローカル推論のため産業ゲートウェイにコンパクトONNXモデル展開。曖昧なケースのみクラウドフォールバック。継続的ドリフト検出と月次自動再トレーニング。

アーキテクチャ

• 量子化ONNXのIsolation forest + autoencoderモデル（8 MB）
• ゲートウェイ内蔵Edge TPUでの推論
• 地域集約のためのKafkaストリーミングからFlink
• モデルバージョニングのMLflow、ドリフト > 閾値で自動再トレーニング
• 曖昧なケースのクラウドフォールバック（トラフィックの5%）、800ms未満の決定

スタック

• ONNX Runtime、INT8量子化モデル
• 産業ゲートウェイのCoral Edge TPU
• ストリーミングのApache Kafka 3.7、Flink 1.18
• MLライフサイクルのMLflow、ドリフト検出のEvidently AI
• AWS SageMakerでの週次再トレーニングパイプライン

結果

1. 異常検出：8時間から5秒未満
2. 未検出インシデント：-70%
3. 誤検知：70%から11%
4. グリッド損失節約：12か月で検証された240万ユーロ/年
5. 消費帯域幅：-82%（ローカル推論）

学んだこと

ドリフト検出は推論と同じくらいクリティカル：なしでは、モデルは静かに劣化します。INT8量子化は精度1.8ポイントを失い、ここでは許容可能ですがケースごとに検証必要。間違い：50,000センサー全てに6か月で展開したいと思いましたが、10か月に延長する必要がありました。やり直すなら：ロールアウト前に500センサーで8週間パイロット、それがプロジェクトを救いました。