De case gaat over hoe Enexis samen met Xomnia een uitlegbaar en operationeel voorspellend risicomodel ontwikkelde om gevaarlijke graafincidenten te voorkomen door risicovolle graafmeldingen te prioriteren en zo de veiligheid en efficiëntie van hun netbeheer te verbeteren.
Algemene beschrijving (incl. samenvatting van onderstaande vier punten)
Enexis en Xomnia ontwikkelden samen een uitlegbaar voorspellend risicomodel dat graafmeldingen prioriteert op basis van risico voor ondergrondse kabels. Door moderne datapijplijnen, frequente modelupdates en nauwe samenwerking met het preventieteam, kunnen veldinspecties nu efficiënter en transparanter worden gepland, wat de operationele veiligheid en adoptie vergroot.
Beschrijf hoe risico’s herkend worden, hoe kritische applicaties en data worden beschermd, hoe afwijkingen worden gedetecteerd, hoe er op gereageerd wordt en hoe het herstellen van toegang geregeld is
Risico’s worden herkend door een voorspellend model dat graafmeldingen analyseert en op basis van probabilistische methoden (zoals logistische regressie) risicoscores toekent, waarbij factoren als nabijheid van ziekenhuizen, aantal kabels en aanwezigheid van kritieke infrastructuur worden meegenomen. Kritische applicaties en data worden beschermd door het gebruik van moderne engineeringstandaarden, robuuste datapijplijnen en tools als MLflow en Airflow voor modeltracking, validatie en planning. Afwijkingen worden gedetecteerd door frequente (wekelijkse) hertraining van het model, waardoor het gevoelig blijft voor trends en veranderingen in graafactiviteiten. Reactie op afwijkingen en risico’s gebeurt door het preventieteam, dat op basis van de geprioriteerde risicolijst veldinspecties en risicobeperkende maatregelen plant en documenteert. Herstel van toegang en continuïteit zijn geborgd door uitlegbaarheid van het model, transparantie in risicofactoren en een iteratief co-creatieproces met eindgebruikers, waardoor kennisdeling en onboarding van nieuwe teamleden worden vereenvoudigd en afhankelijkheid van impliciete kennis wordt verminderd.
Beschrijf hoe het verlagen van risico’s, de financiële impact en het voorkomen van reputatieschade zijn vastgelegd in de cyber resilience-strategie
Het verlagen van risico’s, de financiële impact en het voorkomen van reputatieschade zijn in de cyber resilience-strategie van Enexis geborgd door het centraal stellen van een uitlegbaar en betrouwbaar voorspellend risicomodel in de dagelijkse workflow van het preventieteam. Door veldinspecties en teamresources te prioriteren op basis van datagedreven risicobeoordeling, worden incidenten zoals kabelschade en storingen proactief voorkomen, wat direct bijdraagt aan het beperken van financiële schade en het beschermen van de reputatie, vooral bij gevoelige locaties zoals ziekenhuizen en scholen. Transparantie in de risicofactoren en het documenteren van risicobeperkende beslissingen ondersteunen de verantwoording richting toezichthouders en stakeholders, terwijl de iteratieve samenwerking met eindgebruikers zorgt voor continue verbetering en acceptatie van het model. Zo wordt niet alleen de operationele efficiëntie verhoogd, maar ook de weerbaarheid tegen incidenten die financiële en reputatieschade kunnen veroorzaken.
Beschrijf hoe innovatief het product of de strategie is
De innovatie zit in het combineren van geavanceerde data science met operationele expertise via een iteratief co-creatieproces, waarbij eindgebruikers actief betrokken zijn bij de ontwikkeling en verfijning van het voorspellende risicomodel. Door frequente feedbackloops en het direct integreren van gebruikersinzichten, zoals contextuele risicofactoren (bijvoorbeeld nabijheid van snelwegen of spoorwegen), is het model niet alleen technisch geavanceerd maar ook optimaal afgestemd op de praktijk. De uitlegbaarheid van het model is sterk verbeterd: gebruikers krijgen inzicht in de onderliggende risicofactoren per locatie, wat het vertrouwen en de adoptie vergroot. Technisch onderscheidt de oplossing zich door het gebruik van moderne MLOps-tools en een flexibele datapijplijn die geospatiale data koppelt aan interne assetinformatie, waardoor het model snel kan inspelen op veranderende omstandigheden en eenvoudig uit te breiden is. Deze aanpak maakt het mogelijk om op schaal en met transparantie risicovolle graafactiviteiten te prioriteren, kennisdeling te faciliteren en de afhankelijkheid van impliciete kennis te verminderen.
Beschrijf hoe de digitale autonomie wordt gewaarborgd in het product of de strategie
Digitale autonomie wordt gewaarborgd doordat Enexis volledige controle behoudt over de data, modellen en processen: de nieuwe datapijplijn koppelt interne assetdata aan geospatiale meldingen, waardoor Enexis zelf de relevante informatie ontsluit en beheert. Door het gebruik van open standaarden en tools als MLflow en Airflow is het model transparant, aanpasbaar en onafhankelijk van externe leveranciers. Het iteratieve co-creatieproces met het preventieteam zorgt ervoor dat het model aansluit bij de operationele praktijk en dat kennis en beslislogica binnen de organisatie blijven. Uitlegbaarheid en inzicht in risicofactoren zijn direct geïntegreerd, waardoor Enexis zelfstandig beslissingen kan nemen, het model kan aanpassen aan veranderende omstandigheden en toekomstige uitbreidingen kan realiseren zonder afhankelijkheid van derden.