Machine learning aplicado al sector marítimo: navegando en un mar de datos

¿Qué es el machine learning?

El machine learning o aprendizaje automático es una tecnología clave para impulsar la digitalización del sector. Aunque su irrupción se produjo hace cuatro o cinco años, la eclosión del Internet de las Cosas (IoT, por sus siglas en inglés), el 5G y el Edge Computing representan una mejora sustancial en la recogida, transporte y transmisión de los datos obtenidos de sensores, cámaras y otros dispositivos de captación de información.

Como su propio nombre indica, el machine learning consiste en “enseñar” a las máquinas a aprender por sí mismas para que su trabajo se optimice y sepan cribar qué datos son o no útiles. Si establecemos una comparación con el cerebro humano, los dispositivos que captan la información son el equivalente a los sentidos: generan una serie de datos que se procesan y organizan a partir de un algoritmo, que va ganando en precisión a medida que se entrena con simulaciones y acumula más datos de los sensores. Así, va completando su aprendizaje y mejora su funcionalidad.

El machine learning forma parte de nuestras vidas: autocompleta las frases cuando escribimos un correo electrónico y desbloquea el teléfono móvil gracias a la detección facial.

“La máquina aprende a discernir a base de repetición porque ha visto un millón de casos diferentes, no porque sea inteligente. Las personas son, en última instancia, las que tomarán las decisiones apoyadas por las máquinas”, explica Lutz Kretschmann, responsable del Equipo de Gestión de Operaciones Marítimas de Fraunhofer CML y coautor del informe ‘Machine Learning in Maritime Logistics’. 

El informe del instituto alemán analiza la evolución de esta tecnología en la cadena de suministro marítima y destaca la aplicación de varios casos de usos que demuestran su capacidad para optimizar ciertos procesos logísticos.

¿Cuáles son los beneficios del machine learning en la operativa portuaria?

David Serral, director del Departamento de Sistemas de Información del Port de Barcelona, señala que son los puertos con mayores volúmenes de tráfico como Rotterdam, Hamburgo, Los Ángeles, Qingdao o Barcelona, los que están liderando su implementación a base de pilotos e identifica los procesos que se pueden beneficiar del potencial del machine learning: “la automatización y mejora de cierta operativa diaria, como el movimiento de contenedores y la reducción del tiempo de espera de los camiones que acceden a las instalaciones portuarias. A nivel de infraestructuras, los modelos predictivos pueden ayudar a pronosticar el crecimiento del volumen de tráfico para podernos adaptar adecuadamente”, ejemplifica.

En términos más generales, Kretschmann explica que la aplicación de esta tecnología le viene como anillo al dedo a la logística marítima al tratarse de una industria que es “extremadamente rica en la generación de datos”.

¿En qué áreas logístico-portuarias se ha aplicado hasta ahora? 

Según el informe de Fraunhofer CML, la punta de lanza de la introducción del machine learning en el sector ha sido la obligación de equipar a los buques con Sistemas de Identificación Automática (AIS, por sus siglas en inglés), el sistema de seguimiento de buques que permite su identificación unívoca, así como su posición, rumbo y velocidad. 

La información almacenada por los sistemas AIS ha permitido crear una base de datos de las pautas de navegación de la flota mercante en su conjunto y del comportamiento individual de una embarcación. Esta información potencia posibles casos de uso, como la previsión de la densidad y frecuencia del tráfico, escenarios de riesgo en aguas restringidas o la detección de comportamientos anormales que ayudan a evitar colisiones.

¿Cómo se ha puesto en práctica?

Fraunhofer CM ha desarrollado varias pruebas de concepto explicadas con detalle en el informe. La primera se basa en la hora de llegada de los buques a los principales puertos alemanes ya que la falta de puntualidad generalizada de aquellos impacta negativamente en la capacidad de planificación de la cadena de suministro. 

Para mejorar la predicción, se establecieron una serie de algoritmos a partir de la correlación de entre 3 y 4 millones de registros generados diariamente por el sistema AIS con parámetros meteorológicos e hidrográficos, que han permitido establecer un pronóstico de hasta 72 horas de antelación, con un margen de error de aproximadamente 3 horas.

Otro caso de uso está asociado con la evaluación y reducción de las emisiones de los barcos. Para definir este modelo, Fraunhofer CM utilizó dos conjuntos de datos: los proporcionados por el AIS (que incluye el movimiento, tamaño y las velocidades de los barcos) y los datos ambientales (condiciones del océano e información meteorológica).

Generalmente, la información sobre el consumo del motor principal y las emisiones generadas por los buques en alta mar no está disponible, por lo que se empleó un modelo de estimación en combinación con un algoritmo de agrupamiento, que agrupa una serie de vectores según un criterio determinado para poder identificar clases de barcos con características similares y estimar así estos valores. 

Posteriormente, se identificaron oportunidades para reducir las emisiones con la ayuda de un modelo de optimización que sugiere rutas alternativas más eficientes.