Vooruitkijken voor slimme logistiek
Rudy Negenborn
Matthijs Spaan
Delfts AI-onderzoek biedt de haven- en transportsector oplossingen voor de toenemende transportbehoeften. Onderzoekers prof. dr. Rudy Negenborn en dr. Matthijs Spaan vertellen over het belang van samenwerking daarin.
Delfts AI-onderzoek in haven en scheepsvaart ontwikkelt slimme computersystemen die bijdragen aan slimme logistiek. Daardoor kunnen we de infrastructuur en beschikbare materieel goedkoper, duurzamer en efficiënter inzetten. Het is een belangrijke onderzoeksrichting van de TU Delft, die ook deel uitmaakt van het 'AI-ecosysteem' AI-hub Zuid Holland waarin Delft samenwerkt met de universiteiten in Rotterdam en Leiden en het bedrijfsleven. "Toegepaste AI is niet alleen technologie," vertelt Prof. dr. Rudy Negenborn, hoogleraar Multi-machine Operations & Logistics. "Je moet ook kijken naar economie, recht en ethiek. Elke universiteit heeft een eigen focus. In de AI-hub brengen we alles bij elkaar."
AI Theme Port and Maritime
Verschillende beslissers
Negenborn vat zijn onderzoeksveld samen als "smart shipping en smart logistics". Informatie over haventransport is niet op één plek beschikbaar maar verspreid over veel verschillende automatiseringssystemen en organisaties. "En een beslissing over bijvoorbeeld hoe snel een schip met welke vracht waarnaartoe moet varen, wordt niet door één computer of persoon genomen, maar door verschillende beslissers." De grootschaligheid en verspreiding van besluitvorming in de logistiek staat centraal in zijn onderzoek. Negenborn ontwikkelt algoritmen die data uit computersystemen en sensoren in het veld inzetten voor optimaal vervoer van goederen over water-, weg- en spoornetwerken, en focust op algortimen voor de verbetering van watertransport met zelfvarende schepen.
Risico's verlagen
Ook Matthijs Spaan, universitair hoofddocent informatica, werkt aan algoritmen. Hij gaat na hoe die beslissingen kunnen nemen op basis van voorspellingen, om daarop te anticiperen. Zowel operationeel (voor de komende uren) als op lange termijn (jaren). Dat komt bijvoorbeeld van pas voor een chemische havenfabriek die zijn energiegbruik wil optimaliseren. Spaan: "Met data over alleen de huidige situatie kan het systeem niet anticiperen. Het kan dan alleen willekeurig iets uitproberen en daarvan leren. Maar dat kan gevaarlijk zijn, of schadelijk voor het systeem zelf." Systemen die wel kunnen anticiperen verlagen risico's. Spaan: "Het mooie is dat kennis uit dit fundamentele onderzoek ook buiten het maritieme domein toepasbaar is."
Samenwerking tussen AI en mensen is een belangrijk thema. Er is nu nog veel interactie tussen transport-operators, via telefoon of e-mail. Negenborn: "Als je meer informatie sneller uitwisselt via slimme AI-systemen, kun je beter afstemmen en efficiënter beslissen. Bijvoorbeeld over het besluit wanneer waar welk schip met welke vracht moet aanmeren."
Botsende belangen
Daarnaast is mens-systeemsamenwerking ook belangrijk om menselijke controle over AI te waarborgen. Stel dat door veranderende wind er veel schepen naar elkaar toe varen. Dan botsen verschillende belangen: veiligheid, efficiëntie, kosteneffectiviteit. Kan een AI-systeem daarover beslissen? Zulke vragen neemt Spaan mee in de modellen. "We leren systemen wanneer een voorspelling zeker genoeg is om zelf over te beslissen, en wanneer ze meerdere scenario's moeten aangeven waarover een mens moet beslissen."
Samenwerking draagt ook bij in de aanpak van de uitdagingen van AI-toepassingen in scheepstransport: de beperkte beschikbaarheid van realistische data om algoritmes te laten leren. Scheepsvaartbedrijven en haventerminal-operators zijn concurrenten, en bij voorbaat niet happig op het delen van data. Maar dat weerhoudt de onderzoekers niet. Negenborn "We werken veel samen met bedrijven. Zo nodig creëren we datasets gebaseerd op werkelijke data, zonder gevoelige bedrijfsinformatie. "
Groot netwerk
Een andere uitdaging is dat bedrijven nog onvoldoende bewust zijn van de mogelijkheden en beperkingen van slimme systemen. Maar dankzij het grote netwerk van TU Delft kunnen studenten afstudeeronderzoek doen bij bedrijven. Die ervaren daardoor bij welke problemen AI kan helpen. En het onderwijs in AI beperkt zich niet tot de AI-disciplines. Binnen de opleiding wertuigbouwkunde leren studenten bijvoorbeeld over de mogelijkheden van AI. Spaan: "Daardoor komen vanuit verschillende disciplines studenten bij heel veel bedrijven over de vloer. Dat versterkt de samenwerking en bedrijfsmatige waardering voor AI."