Maskinlæringsalgoritme
Usikkerheten er nå i ferd med å bli historie.
Estimater på ankomst gis i dag manuelt av en skipsagent eller mannskap via den offentlige innmeldingsportalen SafeSeaNet (SSN). Dette oppdateres sjeldent og er ofte mangelfullt.
Oslo Havn tar denne våren i bruk en maskinlæringsalgoritme som pålitelig beregner ankomsten for skip fra nært og fjernt.
Ved bruk av kunstig intelligens i form av forskjellige maskinlæringsmetoder analyseres flere år med fartøystrafikk. Disse dataene, sammen med bruk av posisjon, kurs og fart på fartøyene i sanntid, beregner nå automatisk en ETA (estimated time of farrival) på skipenes anløp.
– Denne teknologien gir ikke bare nytteverdi for oss som jobber i havna, men det kommer til å øke effektiviteten og forutsigbarheten for våre kunder, og alle som leverer varer og tjenester i forbindelse med et anløp, sier Jens Petter Christensen, havnekaptein i Oslo Havn.
Samarbeid mellom havner
Utviklingen av teknologien ble startet i 2018 med prosjektet «Just in Time». «Just in Time» er et samarbeidsprosjekt mellom havnene Stavangerregionen Havnedrift, Oslo Havn, Kristiansund og Nordmøre Havn, Bodø Havn og Ålesundsregionens Havnevesen.
Grieg Connect
Prosjektet ble delvis finansiert med midler fra Kystverket, samtidig som Grieg Connect som teknologipartner og eier av løsningen, har investert betydelige midler.
– Som leverandør av systemløsninger for havner og terminaler er det viktig å ligge i forkant med ny teknologi. Den nye teknologien vil forsterke konkurranseevnen til sjøtransportnæringen til det beste for miljøet. Risikoen ved å ikke gjøre noe er at man taper markedsandeler til andre logistikkaktører som tilbyr frakt på vei og bane, sier Vidar Fagerheim, daglig leder i Grieg Connect.
Miljøvennlig
Den nye teknologien vil bidra til at fartøy får informasjon som gjør at de kan optimalisere seilingstiden. Det vil føre til drivstoffbesparelser - og dermed reduserte utslipp - for fartøy og rederi.
Teknologien vil også bli brukt til å varsle om fartøy som oppfører seg unormalt basert på historiske data, og med det enklere kunne forutse grunnstøtinger og uhell.