Machine learning aplicat al sector marítim: navegant en una mar de dades

Què és el machine learning?

El machine learning o aprenentatge automàtic és una tecnologia clau per a impulsar la digitalització del sector. Encara que la seva irrupció es va produir fa quatre o cinc anys, l'eclosió de la Internet de les Coses (IoT, per les seves sigles en anglès), el 5G i l’Edge Computing representen una millora substancial en la recollida, transport i transmissió de les dades obtingudes de sensors, càmeres i altres dispositius de captació d'informació.

Com el seu propi nom indica, el machine learning consisteix a “ensenyar” a les màquines a aprendre per si mateixes perquè el seu treball s'optimitzi i sàpiguen seleccionar quines dades són o no útils. Si establim una comparació amb el cervell humà, els dispositius que capten la informació són l'equivalent als sentits: generen una sèrie de dades que es processen i organitzen a partir d'un algorisme, que va guanyant en precisió a mesura que s'entrena amb simulacions i acumula més dades dels sensors. Així, va completant el seu aprenentatge i millora la seva funcionalitat.

El machine learning forma part de les nostres vides: autocompleta les frases quan escrivim un correu electrònic i ens desbloqueja el telèfon mòbil gràcies a la detecció facial.

“La màquina aprèn a discernir a base de repetició perquè ha vist un milió de casos diferents, no perquè sigui intel·ligent. Les persones són, en última instància, les que prendran les decisions secundades per les màquines”, explica Lutz Kretschmann, responsable de l'Equip de Gestió d'Operacions Marítimes de Fraunhofer CML i coautor de l'informe ‘Machine Learning in Maritime Logistics’. 

L'informe de l'institut alemany analitza l'evolució d'aquesta tecnologia en la cadena de subministrament marítima i destaca l'aplicació de diversos casos d'ús que demostren la seva capacitat per a optimitzar uns certs processos logístics.

Quins són els beneficis del machine learning en l'operativa portuària? 

David Serral, director del Departament de Sistemes d'Informació del Port de Barcelona, assenyala que són els ports amb majors volums de trànsit com Rotterdam, Hamburg, Los Angeles, Qingdao o Barcelona, els que estan liderant la seva implementació a base de pilots i identifica els processos que es poden beneficiar del potencial del machine learning: “l'automatització i millora d'una certa operativa diària, com el moviment de contenidors i la reducció del temps d'espera dels camions que accedeixen a les instal·lacions portuàries. A nivell d'infraestructures, els models predictius poden ajudar a pronosticar el creixement del volum de trànsit per a poder-nos adaptar adequadament”, exemplifica.

En termes més generals, Kretschmann explica que l'aplicació d'aquesta tecnologia li ve com a anell al dit a la logística marítima en tractar-se d'una indústria que és “extremadament rica en la generació de dades”.

En quines àrees logístic-portuàries s'ha aplicat fins ara? 

Segons l'informe de Fraunhofer CML, la punta de llança de la introducció del machine learning en el sector ha estat l'obligació d'equipar als vaixells amb Sistemes d'Identificació Automàtica (AIS, per les seves sigles en anglès), el sistema de seguiment de vaixells que permet la seva identificació unívoca, així com la seva posició, rumb i velocitat.

La informació emmagatzemada pels sistemes AIS ha permès crear una base de dades de les pautes de navegació de la flota mercant en el seu conjunt i del comportament individual d'una embarcació. Aquesta informació potencia possibles casos d'ús, com la previsió de la densitat i freqüència del trànsit, escenaris de risc en aigües restringides o la detecció de comportaments anormals que ajuden a evitar col·lisions.

Com s'ha posat en pràctica? 

Fraunhofer CM ha desenvolupat diverses proves de concepte explicades amb detall en l'informe. La primera es basa en l'hora d'arribada dels vaixells als principals ports alemanys ja que la falta de puntualitat generalitzada impacta negativament en la capacitat de planificació de la cadena de subministrament.

Per a millorar la predicció, es van establir una sèrie d'algorismes a partir de la correlació d'entre 3 i 4 milions de registres generats diàriament pel sistema AIS amb paràmetres meteorològics i hidrogràfics, que han permès establir un pronòstic de fins a 72 hores d'antelació, amb un marge d'error d'aproximadament 3 hores.

Un altre cas d'ús està associat amb l'avaluació i reducció de les emissions dels vaixells. Per a definir aquest model, Fraunhofer CM va utilitzar dos conjunts de dades: els proporcionats pel AIS (que inclou el moviment, grandària i velocitats dels vaixells) i les dades ambientals (condicions de l'oceà i informació meteorològica).

Generalment, la informació sobre el consum del motor principal i les emissions generades pels vaixells en alta mar no està disponible, per la qual cosa es va emprar un model d'estimació en combinació amb un algorisme d'agrupament, que agrupa una sèrie de vectors segons un criteri determinat per a poder identificar classes de vaixells amb característiques similars i estimar així aquests valors.

Posteriorment, es van identificar oportunitats per a reduir les emissions amb l'ajuda d'un model d'optimització que suggereix rutes alternatives més eficients.