Του Σταμάτη Τσινίδη,
Η τεχνολογία και η τεχνητή νοημοσύνη έχουν πρωταγωνιστικό ρόλο στη σημερινή εποχή. Συνεχώς, δημιουργούνται και αναβαθμίζονται τεχνικές μηχανικής μάθησης για την αντιμετώπιση ποικίλων ζητημάτων. Πιο συγκεκριμένα, από την 4η Βιομηχανική Επανάσταση, τα λιμάνια μετατρέπονται σε “Smart Ports”, εκμεταλλεύοντας την ανάπτυξη στις σύγχρονες ψηφιακές τεχνολογίες με τη συμμετοχή τους σε ένα ευρύτερο δίκτυο κόμβων, το οποίο αναμένει περεταίρω βελτίωση στο μέλλον. Επιπρόσθετα, μια από τις καινοτόμες τεχνολογίες που πρόκειται να χρησιμοποιήσει ένα έξυπνο λιμάνι είναι οι τεχνικές μηχανικής μάθησης (Μachine Learning), με κύριο σκοπό την πρόβλεψη του χρόνου άφιξης των πλοίων στα λιμάνια. H μέθοδος αυτή χρησιμοποιείται στα λιμάνια για συγκεκριμένους λόγους, που είναι οι εξής:
- Να ενημερώνεται μέσω δεδομένων για τη θέση που βρίσκεται το πλοίο.
- Να ενημερώνει και να προβλέπει τους εκτιμώμενους χρόνους άφιξης του πλοίου.
- Να ενημερώνεται για τυχόν καθυστερήσεις, ώστε να προγραμματίσει το χρονοδιάγραμμα άφιξης των πλοίων.
Η μηχανική μάθησης είναι ένα υποσύνολο της τεχνικής νοημοσύνης και αποτελείται από μια σειρά αλγορίθμων, οι οποίες αναλύουν δεδομένα και με βάση αυτά καταλήγουν σε αποτελεσματικές αποφάσεις. Η ικανότητά τους είναι να αυτοματοποιούν μια διαδικασία μάθησης, όπου η συγκεκριμένη διαδικασία περιέχει μια είσοδο (input) και μια έξοδο (output), που είναι τα δεδομένα και το μοντέλο αντίστοιχα.
Για την καλύτερη απόδοση της μηχανικής μάθησης χρησιμοποιούνται ποικίλα παραδείγματα, δηλαδή δεδομένα τα οποία με τη σειρά τους οι αλγόριθμοι τα αναλύουν και χρησιμοποιούν κάθε ένα παράδειγμα ξεχωριστά. Ο στόχος αυτών είναι να επεξεργαστούν το πόσο καλά μπορούν να απαντήσουν στο πρόβλημα που τους έχει δοθεί. Την απάντηση που θα πάρουν θα την αναλύσουν με σκοπό τη βελτίωση του αλγορίθμου, έτσι ώστε να δίνει καλύτερες απαντήσεις. Η μηχανική μάθησης αποτελείται από 4 βασικά μοντέλα: τα (1) εποπτευόμενα, (2) μη-εποπτευόμενα (3) ημι-εποπτευόμενα και (4) ενισχυμένα, τα οποία χρησιμοποιούνται με βάση το αποτέλεσμα που θέλουν και έπειτα εφαρμόζονται στο κάθε ένα μοντέλο με αλγοριθμικές τεχνικές.
Συμφωνά με την Travesía de la Innovación, η συγκεκριμένη μέθοδος περιλαμβάνει ένα μοντέλο για την πρόβλεψη άφιξης των πλοίων και ένα μοντέλο μαθηματικής βελτιστοποίησης, με σκοπό τον χρόνο αναμονής των πλοίων στα λιμάνια και της διαχείρισης ελλιμενισμού. Για τη σωστή συντέλεση της συγκεκριμένης πρόβλεψης, το μοντέλο χρησιμοποιεί αισθητήρες τύπου AIS και για να μπορεί να εντοπίζει την τοποθεσία του πλοίου καταγράφονται οι καθυστερήσεις που έγιναν σε προηγούμενες διαδρομές, το ιστορικό αφίξεων-αναχωρήσεων του πλοίου, οι συμπεριφορές της εταιρείας και οι καιρικές συνθήκες που επικρατούν. Σε περίπτωση που ένα πλοίο προσεγγίσει ένα λιμάνι την προβλεπόμενη ώρα άφιξης, αλλά δεν υπάρχει διαθέσιμος χώρος ελλιμενισμού, τότε εξετάζεται το ενδεχόμενο καθυστέρησης του πλοίου ή διατίθεται διαφορετικός χώρος ελλιμενισμού, έτσι ώστε να διατηρηθεί η ώρα άφιξης.
Το Machine Learning περιέχει τρεις υποκατηγορίες οικογενειών αλγορίθμων, οι οποίες βοηθούν εξίσου σε σημαντικό βαθμό για την πρόβλεψη άφιξης των πλοίων στους λιμένες.
Η supervised learning βοηθάει στην πρόβλεψη της τοποθεσίας και της χρονικής στιγμής ενός ατυχήματος στην τυχούσα περίπτωση ενός πλοίου με τη συνάρτηση y=f(x). Συγκεκριμένα, η μεταβλητή y περιγράφει την εμφάνιση ατυχήματος και η μεταβλητή x ένα σύνολο παραγόντων, με χαρακτηριστικά παραδείγματα την κυκλοφοριακή συμφόρηση στη θάλασσα, το βάθος, το μέγεθος του πλοίου σε μορφή (x1, x2, x3, ….., xn). Τα σύνολα δεδομένων χωρίζονται και εκπαιδεύονται μέσα από αυτά που αναπτύσσονται τα συγκεκριμένα μοντέλα.
Αντίθετα με τον ρόλο της supervised learning, η unsupervised learning εντοπίζει μη ανιχνευμένα μοτίβα και δεδομένα. Με αυτόν τον τρόπο μαθαίνουν τη συμπεριφορά των πλοίων που μπορεί να δημιουργηθεί από ανώμαλες διελεύσεις, οι οποίες συνεπάγονται με τον κίνδυνο, αλλά και με εκτροπές στο θέμα της πλοήγησής τους.
Τέλος, η reinforcement learning, η οποία απαρτίζει μια ακόμα κατηγορία του machine learning, έχει τη δυνατότητα να αντιλαμβάνεται, αλλά και να επεξηγεί το περιβάλλον του, πραγματώνοντας αυτές τις δράσεις του μέσω δοκιμών και σφαλμάτων. Οι προγραμματιστές επινοούν μια μέθοδο, η οποία επιβραβεύει κάθε φορά τις επιθυμητές ενέργειες, αποδίδοντας σε αυτές θετικές τιμές, ενώ τιμωρεί τις ανεπιθύμητες, αποδίδοντας σε αυτές αντίστοιχες αρνητικές τιμές.
Όσον αφορά τον οικονομικό τομέα, το Machine Learning μειώνει το κόστος των καυσίμων στα πλοία, τα οποία μειώνουν την απόδοση των κινητήρων και δεν χρειάζεται να υπάρχει αναμονή έξω από το λιμάνι, αφού τα πλοία θα έχουν έναν ακριβή και προγραμματισμένο ελλιμενισμό. Παράλληλα, οι ναυτιλιακές εταιρίες θα συνεχίζουν να μειώνουν το κόστος ενοικίασης θέσεων των πλοίων στα λιμάνια και θα υπάρχει αξιοπιστία στις διαδρομές τους.
Τόσο η λιμενική όσο και η ναυτιλιακή βιομηχανία τα τελευταία χρόνια προσπαθούν να προσαρμοστούν σε νέες τεχνολογίες, οι οποίες θεωρούνται κομβικής σημασίας για τη βελτιστοποίηση των υποδομών του οικονομικού τομέα, αλλά και για μια πιο «πράσινη» ναυτιλία.
ΕΝΔΕΙΚΤΙΚΕΣ ΠΗΓΕΣ
- Τι είναι η μηχανική μάθηση;, sap.com, διαθέσιμο εδώ
- What is unsupervised learning?, ibm.com, διαθέσιμο εδώ
- Definition: reinforcement learning, techtarget.com, διαθέσιμο εδώ
- Lutz Kretschmann, Miriam Zacharias, Steffen Klöver, Tina Hensel, MACHINE LEARNING IN MARITIME LOGISTICS, Fraunhofer CML, διαθέσιμο εδώ
- innovacion.apba.es, διαθέσιμο εδώ
