ML2Grow gebruikt machine learning in de haven van Antwerpen

ML2Grow heeft een volledig datagedreven oplossing ontwikkeld om de planningshorizon te verlengen en toekomstige tekorten aan middelen in de haven van Antwerpen te voorspellen.
illustration

.

Wat hebben we gerealiseerd:

  • Voorspellende machine learning-modellen die onzekerheden in de planning vastleggen

Toegevoegde waarde:

  • Opvoeren van de planningshorizon van 20 minuten naar 8 uur
  • Vermijd dure capaciteitstekorten
  • Betrouwbare simulaties van personeelsopdrachten en alternatieve scenario’s

.

Haven van Antwerpen, ontladen van schepen

De haven van Antwerpen is een wereld op zich. Heel weinig buitenstaanders weten wat er werkelijk gebeurt in de op een na grootste haven van Europa. Iedereen kent het klassieke beeld van schepen die komen en gaan om goederen te laden en te lossen. Om dit mogelijk te maken zijn tal van spelers nodig die elk een onmisbare schakel vormen in de nautische keten in het havengebied: van sluismannen, brugwachters, sleepbootbemanningen en scheepscoƶrdinatoren tot loodsen en bootlieden. Het veilig loodsen, afmeren en ontmeren van schepen is de core business van Brabo.

.

Concreet verzorgt Brabo de opleiding van havenloodsen en loodsdiensten voor de besturing van inkomende en uitgaande schepen in de haven van Antwerpen. Om de toenemende vraag het hoofd te kunnen bieden en steeds over voldoende capaciteit zonder onnodige (hoge loon)kosten te kunnen beschikken, besliste Brabo om te investeren in technologie die de vraag voorspelt, een betere planning mogelijk maakt en een capaciteitstekort vermijdt gezien de hieraan verbonden hoge (private en maatschappelijke) kosten.

.

Brabo heeft een dergelijk systeem nodig, zodat onze bootmannen ook in piekmomenten de nodige diensten kunnen verlenen. Het model stelt dispatchers in staat om de beschikbare bootmannen efficiƫnt te beheren.

CEO Ronny Detienne, Brabo Group

.

Deze vragen beantwoorden was geen sinecure, men dient de beloodsingstijd van schepen te voorspellen op basis van een grote complexiteit aan parameters: type van schip, grootte van het schip, diepgang, plaats van vertrek en bestemming, uitrusting (hekschroef, boegschroef), sleepboten,…

ML2Grow kon met succes een voorspellend machine learning systeem operationeel maken waardoor de haven korter op de bal kan spelen met hun scheepsoperaties. Dankzij deze modellen kon Brabo’s planningshorizon verbeterd worden van 20 minuten tot 8 uur, wat een enorm verschil maakt in de op een na grootste haven van Europa.

.

Brabo is een van onze beste voorbeelden van hoe je met kleine AI-ingrepen grotere veranderingen kunt teweegbrengen. Met een minimum aan investeringen heb je een quick win.

Joeri Ruyssinck, CEO ML2Grow

.

Dit was een schoolvoorbeeld van het soort problemen dat ML2Grow graag wil oplossen: geavanceerde machine learning toepassen voor bedrijfsuitdagingen binnen een wereldwijde context. De snelle opkomst van kunstmatige intelligentie biedt ongeziene mogelijkheden om nieuwe applicaties te bouwen die duidelijke en onmiddelijke waarde toevoegen aan organisaties.

Ons model voorspelt hier accuraat een dreigend tekort aan loodsen zes uur op voorhand.