Port Technology: Machine Learning in Terminal Operations

Pressespiegel

zurück zur Übersicht

Letztes Jahr haben wir einen Artikel über künstliche Intelligenz (KI) verfasst und gezielt beschrieben, wie sie ihren Weg in die Terminalindustrie gefunden hat und hier noch weiter vorstoßen wird. Wir widmeten besondere Aufmerksamkeit der Frage, wie maschinelles Lernen (ML) als Zweig der KI implementiert werden könnte. Ein Artikel, der den aktuellen Stand von AI mit dem von Frankenstein verglich, wurde mit der Aussage abgeschlossen, dass Künstliche Intelligenz (KI) Geschäftsprozesse revolutionieren wird und wir als Branche entweder vorbereitet – oder eben unvorbereitet sein können. Für INFORM, als führenden Anbieter von KI-Lösungen, lautete die Frage nicht, wie man sich auf KI vorbereitet, sondern viel mehr, wie wir maschinelles Lernen (ML) nutzen und es in unsere KI-gesteuerte Kernlösung integrieren können.

Dieser Artikel ist ausschließlich in englischer Sprache erhältlich.


As such in 2018, INFORM undertook an ML assessment project looking at maritime container terminals and how ML could be used to improve optimization and operational outcomes. The assessment aimed to achieve two results. Firstly, could INFORM’s broader ML algorithms, developed for use in other industries such as finance, be applied to our optimization Modules that are used in terminals around the world. Secondly, if they could be, does that mean we can apply them to real-world terminal data and identify areas where improvements could be made to parameters that influence the optimization calculations of INFORM’s add-on Optimization Modules.

Working with a randomized sample of 1 million containers handled in the 2017 calendar year with 50 data variables (explanatory variables) at a selected terminal, we set off to answer these two questions. The dataset was split further; using a time slicing method, a training dataset (75% of the dataset) and a testing dataset (25% of the dataset) were created in accordance with good ML practices. Further, we worked with a human export to review and identify variables that amongst the 50 explanatory variables that would prove meaningful in the assessment. We identified 16 variables that have been used to build the random forest ML models.

Den vollständigen Artikel senden wir Ihnen gerne zu. Füllen Sie bitte das untenstehende Formular aus.


Kontakt
Anrede
...
Datenschutz*
...
Nach oben