ML ETA กำลังปิดช่องว่างความแม่นยำในการขนส่งทางทะเล

เวลาถึงที่สายเรือรายงานมักถูกมองว่าเป็นการประมาณการมากกว่าพันธะสัญญา เรือบรรทุกตู้สินค้าที่กำหนดเทียบท่าที่รอตเตอร์ดัมในวันอังคารอาจเทียบท่าจริงในวันพฤหัสบดีหรือช้ากว่านั้น และผู้ส่งสินค้าจะทราบเรื่องนี้ก็ต่อเมื่อการสแกนที่ท่าเทียบเรือไม่ปรากฏขึ้น โมเดล ML ETA กำลังเปลี่ยนแปลงการคำนวณความไม่แน่นอนนั้น โดยอาศัยแหล่งข้อมูลที่การประมาณการตามตารางเวลาแบบดั้งเดิมไม่เคยแตะต้อง

เหตุใด ETA ของสายเรือจึงยังไม่เพียงพอ

สายเรือรายงาน ETA จากแผนการเดินเรือตามตารางเวลา ได้แก่ เส้นทางที่กำหนดไว้ ระยะเวลาการเทียบท่าที่สมมติ และเวลาขนส่งที่ประกาศ ตัวเลขเหล่านี้เปลี่ยนแปลงไม่บ่อยและสะท้อนเงื่อนไขในอุดมคติมากกว่าสภาพจริง เมื่อเรือต้องเบี่ยงเส้นทางหลบระบบอากาศ จอดรอนอกท่าที่แออัด หรือสูญเสียลำดับการจอดหลังออกเดินทางล่าช้า ETA ที่ประกาศไว้มักล้าหลังความเป็นจริงหลายวัน ผู้ส่งสินค้าที่ทำงานด้วยข้อมูลประมาณการล้าสมัยวางแผนการขนส่งภายในประเทศ การจัดพนักงานคลังสินค้า และการให้คำมั่นสัญญาแก่ลูกค้าได้ไม่ถูกต้อง

ปัญหาหลักคือ ETA ของสายเรือถูกสร้างจากระบบตารางเวลาภายในของสายเรือ ไม่ใช่จากการสังเกตการณ์แบบเรียลไทม์ว่าเรือกำลังทำอะไรอยู่จริงๆ พอร์ทัลและฟีด EDI ของสายเรือส่งต่อ ETA ตามตารางนั้นไปโดยมีการปรับแต่งน้อยมาก แม้ว่าพฤติกรรมของเรือจะเบี่ยงเบนจากแผนก็ตาม ผลลัพธ์คือความไม่สมดุลของข้อมูลที่ยังคงอยู่ ตำแหน่งและวิถีจริงของเรือมองเห็นได้ในข้อมูล AIS แต่ผู้ส่งสินค้าส่วนใหญ่ไม่เคยเห็นสัญญาณนั้น

สิ่งที่โมเดล ML ทำแตกต่างออกไป

เอ็นจิน ETA ที่ใช้ ML รับข้อมูลการส่ง AIS (Automatic Identification System) อย่างต่อเนื่อง ข้อมูล AIS อัปเดตทุกไม่กี่นาทีสำหรับเรือที่อยู่กลางทะเล ให้ตำแหน่ง ความเร็ว และทิศทางที่แม่นยำ เมื่อรวมกับบันทึกการเทียบท่าทางประวัติศาสตร์ว่าเรือลำนี้ออกจากท่านี้จริงๆ เมื่อใด จอดสมออยู่นานแค่ไหน และระยะเวลาดำเนินการที่ท่าเทียบเรือในการเดินทางที่เทียบเคียงได้คือเท่าใด โมเดล ML จึงสามารถสร้างมุมมองเชิงความน่าจะเป็นของการเดินทางที่เหลืออยู่ได้

สถาปัตยกรรมโดยทั่วไปจะซ้อนสัญญาณหลายอย่างเข้าด้วยกัน:

• ข้อมูลวิถี AIS — ตำแหน่งจริงและความเร็วเหนือพื้นดิน ไม่ใช่เส้นทางที่วางแผนไว้
• เมตริกความแออัดของท่าเรือ — ความลึกของแถวจอดสมอปัจจุบัน การใช้งานท่าเทียบเรือ ความหนาแน่นของลาน
• การพยากรณ์อากาศ — ความสูงของคลื่น ความเร็วลม และการนำทางในสภาพอากาศเลวร้ายที่ทำให้เรือช้าลง
• พฤติกรรมเฉพาะเรือ — เรือบางลำมาถึงก่อนเวลาที่ประกาศอย่างสม่ำเสมอ ในขณะที่บางลำมีความล่าช้าอย่างเป็นระบบที่เชื่อมโยงกับรูปแบบของผู้ดำเนินการ
• บันทึกเวลาถึงจริง (ATA) ในอดีต — ข้อมูลจริงที่โมเดลได้รับการฝึกให้พยากรณ์

กรอบโมเดลการซ้อนที่รวมบันทึกการเทียบท่าแบบสถิตกับวิถี AIS แบบไดนามิกได้แสดงให้เห็นถึงการปรับปรุงความแม่นยำที่มีนัยสำคัญ งานวิจัยที่วิเคราะห์การเทียบท่าที่ท่าเรือฮ่องกงพบว่า MAE (mean absolute error) ลดลง 54.5% และ RMSE ลดลง 50.1% เมื่อเทียบกับ ETA ที่รายงานโดยสายเรือเมื่อใช้แนวทางการผสานนี้ งานวิจัยเส้นทางข้ามแปซิฟิกที่ใช้ข้อมูล AIS และเครือข่ายประสาทเทียมได้ทำซ้ำการปรับปรุงที่เทียบเคียงได้ ซึ่งชี้ให้เห็นว่าการปรับปรุงความแม่นยำสามารถขยายผลได้เกินกว่ากรณีศึกษาท่าเรือเดียว

ผลกระทบเชิงปฏิบัติต่อการดำเนินงานด้านการขนส่ง

ข้อผิดพลาด ETA สองวันแปลผลโดยตรงเป็นต้นทุน ได้แก่ ค่าระวางล่าช้าหากตู้สินค้าจอดอยู่ที่ท่าเรือ ค่ากักตู้หากส่งอุปกรณ์คืนล่าช้า แรงงานคลังสินค้าที่ว่างงาน และช่วงเวลาส่งมอบให้ลูกค้าที่พลาด ผู้ดำเนินการโลจิสติกส์ที่นำร่องใช้ ETA ที่พยากรณ์โดย AI รายงานว่าค่าระวางล่าช้าลดลงประมาณ 35% ต่อปี ซึ่งส่วนใหญ่เกิดจากการวางแผนก่อนเรือมาถึงที่แม่นยำกว่า

ประโยชน์รองคือการตรวจจับข้อยกเว้น เมื่อการมาถึงที่พยากรณ์ของเรือเบี่ยงเบนอย่างมีนัยสำคัญจากการประมาณการก่อนหน้า เนื่องจากเรือชะลอความเร็ว เปลี่ยนเส้นทาง หรือรอคิวนอกท่าที่แออัด ระบบ ML จะแจ้งเตือนข้อยกเว้นล่วงหน้าเป็นชั่วโมงหรือวันก่อนที่สายเรือจะออกประกาศอย่างเป็นทางการ เวลานำนั้นคือส่วนต่างระหว่างการตอบสนองแบบตั้งรับและการตอบสนองฉุกเฉินอย่างเป็นระเบียบ

ทีมโฟร์เวิร์ดดิ้งสามารถจองการขนส่งภายในประเทศทางเลือกล่วงหน้า แจ้งผู้รับสินค้า และปรับตำแหน่งสินค้าคงคลังก่อนที่ความล่าช้าจะกลายเป็นที่มองเห็นสำหรับคู่แข่งหรือลูกค้า ช่องว่างระหว่าง ETA ที่พยากรณ์โดย ML และ ETA ที่รายงานโดยสายเรือกลายเป็นข้อได้เปรียบด้านการดำเนินงาน แพลตฟอร์มหนึ่งรายงานผลตอบแทน 5 เท่าของค่าลิขสิทธิ์ ซึ่งส่วนใหญ่มาจากช่วงเวลาของการแจ้งเตือนเชิงรุกนี้

การทำให้สัญญาณ ETA เป็นมาตรฐานในสภาพแวดล้อมหลายสายเรือ

ความท้าทายที่มักถูกมองข้ามในสภาพแวดล้อมหลายสายเรือคือสายเรือต่างๆ รายงาน ETA ในช่วงเวลาต่างกันของการเดินทางและมีการตีความที่แตกต่างกันว่าการประทับเวลาหมายความว่าอะไร ไม่ว่าจะเป็นการออกจากท่าสุดท้าย การมาถึงที่สถานีนำร่อง การมาถึงของเรือ หรือการปล่อยพิธีการศุลกากร การปรับให้คำนิยามเหล่านี้เป็นมาตรฐานในสายเรือต่างๆ เพื่อให้ ETA สามเวันจากสายเรือ A และ ETA สามวันจากสายเรือ B อ้างอิงถึงเหตุการณ์เดียวกัน ต้องการเลเยอร์การทำให้เป็นมาตรฐานบนข้อมูลสายเรือดิบ

ระบบที่ใช้ ML แก้ไขปัญหานี้โดยยึดการพยากรณ์กับเหตุการณ์ที่ท่าเทียบเรือที่สอดคล้องกัน (โดยทั่วไปคือการผ่านประตูครั้งแรกหรือ ATA ที่ท่าเทียบเรือ) และแสดงช่วงความเชื่อมั่นแทนการประมาณค่าแบบจุด การขนส่งที่แสดงว่าจะมาถึง "ใน 2.1 วัน ± 0.4" มีความหมายทางการดำเนินงานมากกว่า ETA ของสายเรือ "วันอังคาร" โดยไม่มีความเชื่อมั่นแนบมา การกำหนดกรอบเชิงความน่าจะเป็นนี้ยังช่วยให้วางแผนปลายทางได้ดีขึ้น ศูนย์กระจายสินค้าสามารถตัดสินใจเรื่องการจัดพนักงานตามช่วงความน่าจะเป็นในการมาถึงแทนที่จะผูกมัดกับวันที่เดียวที่อาจเลื่อนออกไป

การสร้างโครงสร้างพื้นฐานการมองเห็นรอบคุณภาพ ETA

การเปลี่ยนแปลงจาก ETA ตามตารางเวลาไปสู่ ETA ที่พยากรณ์โดยโมเดลไม่ใช่แค่การฝึกวิทยาศาสตร์ข้อมูล แต่ต้องการการรับฟีด AIS ในระดับกว้าง การรักษาโมเดลสถานะท่าเรือที่อัปเดตอย่างต่อเนื่อง และการผสาน ETA ที่พยากรณ์เข้ากับเวิร์กโฟลว์ TMS และ WMS ที่นักวางแผนทำงานอยู่จริง แพลตฟอร์มที่ทำให้ข้อมูล milestone เป็นมาตรฐานในสายเรือต่างๆ และซ้อน ETA ที่พยากรณ์โดย ML บนเหตุการณ์ของสายเรือมาตรฐานให้สัญญาณที่สอดคล้องกันแก่ทีมโลจิสติกส์ ไม่ว่าสายเรือหรือเส้นทางใดที่การขนส่งใช้

สำหรับการดำเนินงานที่รันสายเรือหลายสิบรายในหลายเส้นทางการค้า ความสามารถในการแสดง ETA เดียวที่ได้รับการปรับเทียบโดยโมเดล และได้รับการแจ้งเตือนโดยอัตโนมัติเมื่อ ETA นั้นเปลี่ยนแปลงเกินเกณฑ์ คือการปรับปรุงการดำเนินงานที่ปิดช่องว่างความแม่นยำที่อุตสาหกรรมยอมรับมาเป็นเวลานานว่าหลีกเลี่ยงไม่ได้ คำถามไม่ใช่อีกต่อไปว่าโมเดล ETA เชิงพยากรณ์มีประสิทธิภาพเหนือกว่าการประมาณการที่รายงานโดยสายเรือหรือไม่ งานวิจัยได้พิสูจน์แล้วว่าทำได้ คำถามด้านการดำเนินงานคือว่าโครงสร้างพื้นฐานการมองเห็นสามารถส่งมอบการพยากรณ์เหล่านั้นได้เร็วพอ และสอดคล้องกันเพียงพอในสายเรือต่างๆ เพื่อทำให้เป็นค่าเริ่มต้นในการดำเนินงาน

แหล่งที่มา: FreightWaves