در اواخر ماه مارس ، هنگامی که یک قایق بزرگ در کانال سوئز گیر کرد ، جهان از هر چیز دیگری که حوادث رخ داده منحرف شد.
قایق – کشتی کانتینر Ever Given که 400 متر طول دارد – در 23 مارس در کانال پهلو گرفت. در نتیجه ، بیش از 400 کشتی از طریق عبور از کانال سوئز به مدت شش روز مسدود شدند. سایر کشتی ها برای تغییر مسیر 5000 کیلومتری دور کیپ امید خوب مسیریابی کردند. پاکسازی موارد عقب مانده تقریباً یک هفته دیگر به محض آزاد شدن Ever Given در تاریخ 29 مارس به طول انجامید و هزینه تخمینی روزانه حمل و نقل 10 میلیارد دلار تخمین زده می شود.
حماسه Ever Given لحظه ای نادر از اتحاد حول یک خبر مهم در اختیار جهانیان قرار داد: همه می توانستند توافق کنند که قایق بسیار بزرگ و بسیار گیر کرده بود. همچنین اهمیت صنعت حمل و نقل جهانی را که هنوز ارزانترین راه برای جابجایی کالا در جهان جهانی است که به طور فزاینده ای جهانی شده است – و عدم دقت سیستمهایی را که این صنعت را به خوبی ادامه می دهد – برجسته کرد.
این سیستم ها به طور فزاینده ای شامل اتوماسیون یادگیری ماشین هستند که در صنعت استفاده می شود برای همه چیز ، از برنامه ریزی در بنادر تا بهینه سازی الگوی حمل و نقل برای طیف گسترده ای از کالاها. به عنوان مثال ، الف نظرسنجی کشتی انجام شده در سال 2019 نشان داد که بیش از هشت نفر از 10 پاسخ دهنده انتظار داشتند که سرمایه گذاری در هوش مصنوعی را طی سه سال آینده افزایش دهند ، و اکثریت موافق بودند که هوش مصنوعی می تواند در فرآیندهای اتوماسیون مختلف در پایانه ها استفاده شود.
اما هنگامی که کانال سوئز توسط قایقی مسدود شد که جابجایی آن دشوار بود ، نتیجه توجه کانون توجه به مشکلات وابستگی به یادگیری ماشین برای ادامه یافتن بخار صنعت جهانی بود.
‘آناته به یادگیری ماشین’
به گفته وی ، وضعیتی مانند وضعیت کانال سوئز برای یادگیری ماشین خنثی است خاویر آملا ، مدیر ارشد فناوری خدمات تجاری WIN ، بخشی از تدارکات و فناوری ادیسه.
“ام ال جادویی نیست. ”آملا گفت. “این به معنای واقعی کلمه همان چیزی است که روی جعبه می گوید – این یک یادگیری ماشینی است. “
برای پیش بینی نتایج احتمالی آینده از داده های جدید ، کامپیوترها باید با داده های حاصل از نتایج قابل پیش بینی و شناخته شده آموزش ببینند. علاوه بر این ، داده های مناسب داده باید با توجه به ارتباط آنها نگاشته شوند ، و داده های آموزش باید همه موارد مربوطه را برطرف کنند.
اما شرایطی وجود دارد که نتایج غیرقابل پیش بینی یا ناشناخته هستند. نتیجه این است که کمبود داده ای وجود دارد که می تواند برای آموزش سیستم های پیش بینی یا پیشنهاد برای یک شرکت یا صنعت استفاده شود. صنعت حمل و نقل از ابتدای شیوع همه گیر COVID-19 این درس را آموخته است.
“آنچه COVID انجام داده است اساساً انداختن آچار به مدلهایی است که قبل از سال 2020 بر روی داده ها آموزش داده شده اند “،” وی گفت ، “زیرا این یا داده های غیر عادی است که باید حذف شوند زیرا حمل بار به حالت عادی قبل از COVID برمی گردد. ، یا این می تواند آینده جدیدی باشد که در این صورت تمام یادگیری های قبلی باید دوباره بازیابی شود. “
همین امر در مورد داده های تولید شده در هنگام خاموش شدن کانال و دوره کوتاه مدت پس از آن با بازگشت صنعت حمل و نقل جهانی صادق خواهد بود. داده ها از نتایج مانند تأخیر غیرمنتظره کشتی به دلیل انسداد ، یا تغییر مسیر آن برای جلوگیری از این تاخیر ، در صورت وجود می توانند بر روی مدل های ML تأثیر بگذارند – حتی اگر این داده ها نشان دهنده شرایطی باشد که نتایج قابل پیش بینی نبوده بلکه انحراف در عملکردهای معمول صنعت حمل و نقل است. .
برنامه ریزی سناریو هنوز هم مهم است
فیلیپ باربه گفت ، یک درس مهم از وضعیت کانال سوئز این است که همه چیز قابل پیش بینی نیست – و غیر قابل پیش بینی ترین اتفاقات نیز دردناک ترین است. بارب ، دکترای ریاضیات و کار به عنوان مشاور در علوم داده ، هوش مصنوعی و تجزیه و تحلیل ، گفت: قایق گیر اهمیت برنامه ریزی سناریو را برجسته می کند ، حتی در زمان اتوماسیون.
وی گفت که مطالعاتی در مورد اینکه اگر خطوط اصلی حمل و نقل مانند کانال سوئز یا پاناما بسته شود چه اتفاقی می افتد ، اظهار داشت: آنهایی که بیشتر روی پتانسیل بسته شدن در اثر درگیری یا تروریسم تمرکز داشتند.
بارب گفت: “كشتی كه به طور تصادفی گیر افتاده بود چنین سناریویی نبود.” “با این حال ، وضعیت مشابهی است.” وی گفت ، برنامه ریزی مناسب سناریو در مورد خاموش شدن احتمالی سوئز یا کانال حمل و نقل یا بندر اصلی دیگر می تواند به مقابله با چنین سناریویی کمک کند ، اما هنوز نمی تواند به طور دقیق پیش بینی کند چه زمانی چنین وضعیتی ممکن است رخ دهد.
علاوه بر برجسته سازی موارد بالقوه یادگیری ماشین در اتوماسیون آینده و پیش بینی ، اگر داده های ناشی از انسداد در مدل های رو به جلو وجود داشته باشد ، از ML نمی توان به طور م toثر برای از بین بردن انسداد و تأخیر استفاده کرد ، زیرا هیچ داده قبلی قبلی در مورد آن وجود ندارد به مدل سازی پایه.
“از نظر سوئز ، ML واقعاً نمی تواند كمك كند زیرا برای انجام این كار ، ما باید عمداً زنجیره تأمین جهانی را به هم بزنیم و سپس چندین بار آن را” اصلاح كنیم “و سپس از این داده ها برای آموزش رایانه ها برای پیش بینی بهترین راه برای در آینده آن را برطرف کن ، “آملا گفت. “بدیهی است که این اتفاق نخواهد افتاد.”
بازگشت به مسیر
فراگیری ماشین اتوماسیون بارب گفت ، نمی تواند مانع از گیر افتادن یک قایق در کانال سوئز شود – اما این می تواند به صنعت حمل و نقل جهانی کمک کند تا اکنون با حل مشکل فوری ، مسیر خود را دوباره آغاز کند.
وی گفت ، یک سناریوی بالقوه این است که اگر همه طرف ها همکاری کنند و درک درستی از هزینه و پیامدهای آبشار زنجیره تامین برای همه داشته باشند ، می توان از یادگیری ماشین برای اولویت بندی عبور از عقب مانده استفاده کرد.
متناوباً ، اگر این همکاری وجود نداشته باشد ، هر شرکت می تواند عواقب و هزینه های فردی خود را دریابد و سپس از بهینه سازی ML برای کاهش آنها استفاده کند. اکنون که کانال یک بار دیگر باز شده و تعداد عقب مانده فعلی پاک شده است – اگرچه قایق های آن هنوز از برنامه عقب مانده اند و نیاز به تنظیماتی نیز وجود دارد – یادگیری ماشینی ممکن است دفعه بعدی در مدیریت موثرتر چنین شرایطی نقشی داشته باشد .