Hoy en día, puertos como Hamburgo, Rotterdam o Singapur ya se han lanzado al desarrollo de herramientas de IA para la mejora en la predicción de las operaciones del transporte marítimo y terrestre. En concreto, en Hamburgo se ha creado un sistema de apoyo a la toma de decisiones basado en un modelo predictivo de comportamiento del transporte terrestre. El modelo toma datos históricos y, a través de técnicas de deep learning y redes neuronales, arroja una previsión detallada de los tiempos de llegada de los camiones a las terminales. A partir de ello, el sistema notifica a los transportistas los tiempos de acceso a terminal y, a las terminales, una previsión dinámica de la carga de trabajo que tendrán de acuerdo con los cambios en las condiciones de contorno (saturación de carreteras y vías de acceso, hora real de llegada del buque, grado de saturación de la terminal, etc.).

¿Cómo funciona el deep learning?

El deep learning y las redes neuronales son uno de los métodos de machine learning que más auge están teniendo en los últimos años. Están inspiradas en el funcionamiento de las neuronas del cerebro. Van transformando los valores de entrada, capa a capa, hasta conseguir el valor de las variables que se desea predecir. Aunque los resultados que ofrecen las redes neuronales son muy satisfactorios, necesitan grandes cantidades de datos para aprender y los tiempos de aprendizaje son elevados (días o incluso semanas). El procesamiento del lenguaje natural, el reconocimiento de patrones en imágenes y el procesamiento de la voz son los principales casos de éxito del deep learning. De esta manera, la evolución de la recopilación y la gestión de datos debe pasar por los siguientes niveles: registrar, analizar, simular, prever y, finalmente, recomendar. A partir de ello, se espera que los puertos de nueva generación apliquen técnicas de análisis predictivo y prescriptivo como herramientas de soporte a la toma de decisiones en la planificación del transporte de los actores de la cadena logístico-portuaria. Y no solo se trata de camiones, ya que la misma lógica del transporte por carretera puede aplicarse a cualquier otro modo de transporte (ferroviario, marítimo o fluvial).

La transformación digital en los puertos y la cadena logística comporta grandes cantidades de datos, muchos de ellos a tiempo real. La competitividad de los puertos del futuro dependerá en gran medida de la capacidad de sacar provecho de esta información. Con herramientas de IA que permitan aprovechar la potencialidad de esa cantidad ingente de datos, las decisiones tomadas por los gestores serán de mayor calidad, compartidas y generadas más rápidamente, por lo que con seguridad se conseguirá optimizar el tiempo, el coste y la fiabilidad de las operaciones en entornos logístico-portuarios. Complementariamente, todo esto acabará derivando en una gestión de las operaciones más flexible y a tiempo real. La IA ha llegado al mundo del transporte para quedarse. Aquellos puertos que antes se den cuenta de sus beneficios y potencialidad para cambiar el sector, sin duda ganarán en eficiencia operativa respecto a sus competidores. Los puertos que ya disponen de sistemas avanzados que permiten una recopilación significativa de datos (Port Community Systems, Port Management Systems, Terminal Operating Systems, entre otros sistemas) serán los mejor preparados para incorporar con éxito las herramientas que ofrece la inteligencia artificial.