Wie Machine Learning die Schifffahrt verändern kann

Ob beim Spam-Filter oder bei der Planung vorausschauender Wartungsarbeiten – Machine Learning kommt bei vielen Funktionen zum Einsatz, die uns im Alltag begleiten. Dabei wertet ein Algorithmus die ihm zur Verfügung gestellten Daten aus und entwickelt auf dieser Basis eine Logik. So kann er Unregelmäßigkeiten in Datensätzen erkennen, was dazu führt dass er beispielsweise Spam-Emails erkennt. Oder er trifft Vorhersagen – wodurch sich etwa Wartungsarbeiten entsprechend planen lassen. Das besondere beim Machine Learning ist, dass der Algorithmus dafür nicht extra programmiert wird, sondern einfach nur mit Daten „gefüttert“ wird.

Grundsätzlich unterscheidet man zwischen supervised und unsupervised Machine Learning. Überwachte Algorithmen erfordern einen Datenwissenschaftler, der den Algorithmus trainiert – dafür bestimmt er, welche Variablen oder Merkmale das Modell analysieren und für die Entwicklung der Vorhersagen verwenden soll. So erhält man ein Ergebnis, das genau auf die jeweiligen Bedürfnisse zugeschnitten ist. Beim unbeaufsichtigten Machine Learning verwendet der Algorithmus einen intuitiven Ansatz, der als Deep Learning bezeichnet wird, um Daten zu überprüfen und Schlussfolgerungen zu ziehen.

Hapag-Lloyd nutzt die Technologie des Machine Learnings in den Bereichen der maritimen Netzwerkplanung sowie bei der Hochrechnung der Containernachfrage und der Un-/Paarigkeit der Containerströme. Doch die Technologie könnte noch in vielen weiteren Bereichen von Vorteil sein und so die Schifffahrt maßgeblich verändern. Dies sind fünf Beispiele:

1. Störungsfreiere Dienste
Machine Learning könnte dabei helfen, Wartungsarbeiten besser vorauszusagen und somit die Planung dieser Arbeiten erheblich verbessern. Dadurch könnten Dienste noch reibungsloser gestaltet werden, weil viel langfristiger absehbar wäre, wann welches Schiff aus dem Verkehr gezogen werden muss.

2. Zuverlässigere Fahrpläne
Durch Machine Learning könnte man kalkulieren, wie hoch die Wahrscheinlichkeit einer Verspätung bei bestimmten Szenarien ist und so noch präzisere Ankunftsdaten angeben. Diese Wahrscheinlichkeitsrechnungen würden für Kunden eine bessere Planbarkeit ihrer Lieferkette nach sich ziehen. Wobei hierbei zu beachten gilt, dass die Ursachen für Fahrplanverspätungen wie Tiefgangprobleme im Hamburger Hafen auf Grund niedrigen Wasserstandes im Frühjahr oder Stürme in Südamerika im Herbst nicht immer die einzigen Kausalitäten sind, die auf die Zuverlässigkeit des Fahrplans einzahlen. Hinzu kommen oft auch Wartezeiten vor Häfen, die sich nicht vorhersehen lassen.

3. Konstantere Raten
Dank Machine Learning ließe sich das Handling von Defiziten optimieren. Durch eine bessere und zuverlässigere Auslastung könnten wir konstantere Raten anbieten – Kunden würden davon also direkt profitieren.

4. Bessere Umschlagsraten
Maschinelles Lernen könnte dabei helfen, die Street Turns und Umschlagzeiten der Container zu verbessern mit vorausschauenden Empfehlungen, die den Containerimport mit Exportbuchungen abgleichen. Dadurch wäre die Imbalance stabiler, was sich positiv auf die Raten auswirken würde. Denn aktuell sind Repositionierungs- und Evakuierungskosten ein großer Kostenfaktor in unserer Deckungsbeitragskalkulation – also wenn Kunden ihre Leercontainer immer an Ort A zurückbringen, der Export aber von Ort B aus stattfindet. Denn dann müssen wir den Leercontainer umfahren, wodurch zusätzliche Kosten entstehen. Ist der Kunde bereit, den Container von Ort B abzuholen, gewähren wir ihm einen Nachlass.

5. Planbare Wartungsarbeiten
Würde man betrachten, wann Container nach welcher Nutzung kaputt gehen, würde sich daraus ein Muster ergeben. Taucht das Muster auf, ist die Wahrscheinlichkeit hoch, dass ein Container in die Reparatur muss. Machine Learning würde also durch Vorhersagen dabei helfen, die Wartungsarbeiten an Containern zu optimieren – denn wir würden wissen, dass Mängel auftreten, bevor diese richtig sichtbar werden.