Kann maschinelles Lernen die Schifffahrtsbranche verändern?

Wir haben ein maschinelles Lernmodell entwickelt, um vorherzusagen, welche Schiffe wahrscheinlich festgehalten werden. Das Modell hat es auf die Shortlist des Singapore Ocean of Opportunities AI Track geschafft, einer international renommierten Veranstaltung, bei der konkurrierende Unternehmen KI-Lösungen für die Schifffahrtsbranche entwickeln wollen. Was also kann maschinelles Lernen für die Schifffahrtsbranche leisten?

Eine KI prognostiziert das Risiko von Festsetzungen für Schiffe im asiatisch-pazifischen Raum. Dies ist ein Beispiel dafür, wie KI die Schifffahrt verändern kann.

Das Problem der Schiffsbeschlagnahmungen in der Branche

Zu Beginn des aktuellen Coronavirus-Ausbruchs haben Sie vielleicht vom unter britischer Flagge fahrenden Kreuzfahrtschiff Diamond Princess gelesen, das in Yokohama unter Quarantäne gestellt wurde, nachdem einige Passagiere positiv auf Covid-19 getestet wurden.

Die Diamantprinzessin. Quelle: Wikipedia

Tatsächlich können Schiffe aller Art festgehalten werden, wenn sie eine Inspektion durch die Hafenbehörden nicht bestehen. Großbritannien hat im Januar 2020 zwei Schiffe festgehalten : die unter lettischer Flagge fahrende Liv Greta, die wegen unzureichender Einhaltung der Rettungsboot- und Sicherheitsvorschriften festgehalten wurde, und die unter nigerianischer Flagge fahrende MV Jireh, weil sie die Sicherheits- und Tierschutzstandards nicht erfüllte.

Das Risiko von Festsetzungen ist für Reedereien ein Problem, da unterbrochene Fahrten Geld kosten. Darüber hinaus entstehen menschliche Kosten. Im Februar saßen neun russische Besatzungsmitglieder ohne Vorräte vor der Küste Englands fest , als die MV Jireh festgesetzt wurde.

Wenn ein Unternehmen einen Container übers Meer schickt, muss es ein Schiff wählen, bei dem die Wahrscheinlichkeit geringer ist, dass es in einem ausländischen Hafen aufgehalten wird. Schiffsregister klassifizieren Schiffe derzeit in die Kategorien „ Hochrisiko “, „ Mittelrisiko “ und „Niedrigrisiko “. Dabei wird ein von Menschen definierter Regelsatz herangezogen, der sich darauf stützt, wie viele Mängel bei früheren Inspektionen festgestellt wurden.

Eine Goldgrube für maschinelles Lernen in der Schifffahrtsbranche: Schiffsinspektionsprotokolle vom 29. Januar. Die Spalte ganz rechts zeigt die aktuelle Kategorisierung des Schiffes in hohes, mittleres oder niedriges Risiko, die durch das Tokyo MOU festgelegt wurde. Dies ist die Kategorisierung, die derzeit in der Branche verwendet wird.

Aufbau eines maschinellen Lernmodells zur Risikovorhersage für die Schifffahrtsbranche

Da maschinelles Lernen in vielen anderen Branchen zu Umbrüchen geführt hat, habe ich versucht, ein Modell für maschinelles Lernen zu trainieren, um Schiffsbeschlagnahmungen für die Schifffahrtsbranche vorherzusagen.

Glücklicherweise kann man Informationen zu vergangenen Inspektionen im asiatisch-pazifischen Raum aus zahlreichen Internetquellen kostenlos herunterladen. Ich habe Daten zu 21.000 Schiffen für die Jahre 2017, 2018 und 2019 heruntergeladen und mithilfe von Microsoft Azure ML ein Modell trainiert, um herauszufinden, was ein Schiff anfällig für eine Festsetzung macht.

Sie können dieser KI alles mitteilen, was Sie über ein Schiff wissen, und sie gibt Ihnen die Wahrscheinlichkeit an, mit der das Schiff festgehalten wird.

Kann das maschinelle Lernmodell der Schifffahrtsbranche das Festsetzungsrisiko erklären?

Ich habe festgestellt, dass der wichtigste Faktor, den die AI verwendet, das Land ist, in dem die Inspektion stattfindet. Der nächst informativste Indikator ist die Anzahl der Mängel, die bei früheren Inspektionen in anderen Häfen aufgedeckt wurden. Von besonderem Interesse sind der Zustand der Wasserdichtigkeit des Schiffes, seine Einhaltung der Brandschutzbestimmungen und seine Rettungsmittel.

Merkmalsbedeutungen für das KI-Modell zur Vorhersage von Schiffsfestsetzungen im asiatisch-pazifischen Raum. Die Balken zeigen, welche Aspekte der Schiffshistorie tendenziell auf eine hohe Wahrscheinlichkeit einer Festsetzung hinweisen. Tatsächlich ist das Land der Inspektion ein wichtiger Faktor, auch die Flagge des Schiffes und die Historie von Mängeln, die bei früheren Inspektionen festgestellt wurden und nicht zu Festsetzungen geführt haben.

Wenn Sie also die Wahrscheinlichkeit einer Festsetzung eines Schiffes einschätzen möchten, müssen Sie zunächst das Land berücksichtigen, das es anläuft, und sich frühere Aufzeichnungen über etwaige Lecks, Brandschutzprobleme und lebensrettende Ausrüstung ansehen.

Wie ist die Leistung des maschinellen Lernmodells in Zahlen?

Zur Bewertung des Modells habe ich anstelle der Genauigkeit ROC-Kurven und die Fläche unter der Kurve (AUC) verwendet, da Festsetzungen sehr selten vorkommen und ROC/AUC es uns ermöglichen zu messen, wie gut wir zwischen Schiffen mit relativ hohem und niedrigem Risiko unterscheiden können.

In Bezug auf die Modellleistung ergibt das aktuelle Schiffsklassifizierungssystem hoch/mittel/niedrig einen AUC von 0,66, während mein Modell einen AUC von 0,80 ergab. Das bedeutet, dass das Modell eine viel höhere Vorhersagekraft hat als das aktuelle System.

ROC-Kurve für das maschinelle Lernmodell im Vergleich zu den aktuellen Gefäßklassifizierungen. Wenn Sie wissen möchten, wie ROC-Kurven zu interpretieren sind, lesen Sie bitte meinen Beitrag zu KI im Gesundheitswesen .

Probieren Sie das Modell für maschinelles Lernen aus

Ich habe das Modell unter einer temporären URL bereitgestellt, wo es möglich war, die derzeit im Hafen von Singapur liegenden Hochrisikoschiffe in Echtzeit anzuzeigen und durch Berechnung des Risikos eines Schiffes zu experimentieren.

Weitere Verbesserungen

Bei einer Schiffsinspektion wird auch ein PDF mit freiem Text erstellt, der alle Aspekte des Schiffes beschreibt. Leider sind diese Dokumente nicht öffentlich verfügbar, es wäre jedoch möglich, mithilfe der Verarbeitung natürlicher Sprache auch ein Modell zu trainieren, um anhand dieses Textdokuments die Seetüchtigkeit eines Schiffes vorherzusagen.

Der Wert des maschinellen Lernens für die Schifffahrtsbranche

Jedes Versand- oder Speditionsunternehmen könnte ein solches Modell in seine Systeme integrieren, um das Risiko von Verzögerungen bei seinen Sendungen zu quantifizieren. Die Kosteneinsparungen für ein Unternehmen wären enorm.

Wenn Sie in Ihrer Branche ein ähnliches Problem haben, bei dem Ihrer Meinung nach KI helfen könnte, würde ich gerne von Ihnen hören. Bitte fügen Sie Ihre Ideen in den Kommentaren unten hinzu oder kontaktieren Sie mich mit Ihren Ideen.