Random Forest Nạve Bayes
Thời gian huấn luyên dữ liệu (Sử
dung Google Colab GPU) 15~18 phút < 10 phút
Thời gian trung bình dự đốn
317203 khách hàng > 65 phút 15~20 phút
Tỷ lệ chính xác 82% 53%
Để thực hiện so sánh giữa hai kỹ thuật học máy khác nhau, đĩ là Nạve Bayes và Random Forest để đo độ chính xác của chẩn đốn, tơi sẽ sử dụng nguồn dữ liệu chung như trên với các dữ liệu đầu vào là hồn tồn thật và chính xác. Theo kết quả đánh giá thực hiện vào năm 2021, bộ phân loại Rừng Ngẫu nhiên hoạt động tốt hơn phương pháp Nạve Bayes khi đạt độ chính xác 82%. Từ kết quả cũng cho thấy được dù thời gian chậm hơn nhiều so với Bayes vì mơ hình rừng gồm nhiều cây quyết định. Nên việc để đưa ra 1 dự đốn là rất tốn thời gian.
3.5.2 Kết quả đạt được
Hệ thống hiện hữu sử dụng hệ thống RF-Spider, CMIS giúp thu thập dữ liệu sản lượng điện và chỉ số cơng tơ của khách hàng. Người dùng cĩ thể sử dụng các nghiệp vụ chuyên mơn cá nhân để tự lọc các khách hàng cần kiểm tra. Nhưng vì số lượng khách hàng rất lớn, việc tìm ra các khách hàng bất thường chiếm nhiều thời gian và tỷ lệ chính xác cũng khơng cao vì chưa cĩ một cơ sở chính thức vì khả năng mỗi chuyên viên là khác nhau.
Từ đầu năm 2022, hệ thống AI nhận diện dự đốn khách hàng bất thường được vận hành thử nghiệm tại Cơng ty Điện lực Thừa Thiên Huế với đầu mối kỹ thuật chính là Hồng Xuân Thiện (Chuyên viên phịng CNTT) và bà Phạm Thị Quỳnh Giao (Chuyên viên phịng Kiểm tra Giám sát mua bán điện) làm chuyên viên chính trong q trình kiểm tra khách hàng bất thường. Trong quá trình hoạt động đầu năm 2022, hệ thống đã hỗ trợ nhận diện hơn 1034 khách hàng bất thường cĩ tỷ lệ trên 85% và sau quá trình kiểm tra đã phát hiện trong đĩ 03 vụ trộm cắp điện. Tỷ lệ nhận diện khách hàng trộm cắp đạt 87%. Với số lượng khách hàng nhận diện mỗi tháng là hơn 300.000 khách hàng trên địa bản tỉnh Thừa Thiên Huế. Dù số lượng phân loại khá lớn, nhưng hệ thống vẫn hoạt động ổn định với tần suất kịp thời khi cĩ hĩa đơn điện phát sinh.