Non-technical losses (NTL) are a component of energy losses associated with energy theft or irregular billed energy measurements, including in rural areas. We developed a methodology that address the specificities of consumption with irrigation for rice crops, and use information from historical data of consumer units and associating with the size of the crop, energy demand, local topography and other pertinent information. Such information influenced and helped in the grouping (clustering) of consumer units composing their consumption profiles and cultivation areas. Clustering facilitated the association of rice growing areas with the corresponding consumer unit, and this also facilitated the definition of some rules for classifying consumer units with NTL potential. This study employs a large mass of input data, not only the energy consumption of the irrigation consumer units, but also phenological characteristics of the plant, type of irrigation, meteorological information, cultivated area and soil permeability. Based on the analysis of consumption historic from 2018 to 2021, the proposed artificial intelligence system generated as a result a list for planning inspection during the RGE-Sul's 2021/2022 harvest. The result of inspections may provide an important return as to the assertiveness of the choice. This result may also suggest a possible restructuring of the methodology in the use of the concepts of RNA, KNN and Random Forest. The methodology for automated analysis reached results with high adherence with the manual process currently applied. Resumo: Dentre as principais causas de perdas não técnicas (PNT) está a fraude ou irregularidade nas medições de energia faturada, inclusive em área rural. A partir deste contexto, desenvolveu-se uma metodologia que aborda as especificidades de consumo de energia elétrica para a irrigação de lavouras de arroz, utilizando-se informações de dados históricos de consumo das unidades consumidoras e se associando ao tamanho da lavoura, demanda energética, topografia local e outras informações pertinentes. Tais informações influenciaram e auxiliaram no agrupamento (clusterização) das unidades consumidoras compondo seus perfis de consumo e áreas de cultivo. A clusterização facilitou a associação das áreas do cultivo de arroz com a unidade consumidora correspondente, assim como algumas regras para classificá-las com potencial PNT. Salienta-se o uso de uma grande massa de dados de entrada, não apenas o consumo de energia das unidades consumidoras de irrigação, mas características fenológicas da planta, tipo de irrigação, informações meteorológicas, área cultivada e permeabilidade do solo. Como resultado do sistema de inteligência artificial proposto, foi gerada uma lista para inspeção durante o plano safra 2021/2022 da RGE-Sul, baseado na análise de históricos de consumo dos anos de 2018 a 2021. Considera-se que o retorno das inspeções pode proporcionar um importante feedback referente a assertividade destas, podendo sugerir uma, possível, reestruturação da metodologia no us...