Hapag-Lloyd, una de las principales empresas de transporte marítimo a nivel mundial, ha desarrollado un asistente impulsado por aprendizaje automático (ML) que predice los tiempos de llegada y salida de sus buques, revolucionando así su planificación de horarios. La compañía, que cuenta con más de 308 buques modernos y transporta 11.9 millones de TEUs al año, ha mejorado la fiabilidad de sus horarios, un indicador clave en la industria que promete calidad a sus clientes. Este avance se basa en la integración de Amazon SageMaker AI y prácticas robustas de MLOps.
La fiabilidad del horario es esencial para Hapag-Lloyd, ya que se define como el porcentaje de buques que llegan dentro de un día calendario del tiempo estimado de llegada, que se comunica entre tres y cuatro semanas antes. Antes de la implementación de este nuevo sistema, la empresa se basaba en cálculo estadísticos y reglas simples, lo que limitaba su capacidad para adaptarse a condiciones en tiempo real como la congestión en puertos. Esto requería una intervención manual considerable por parte de los equipos de operaciones.
El desarrollo de esta solución de ML enfrentó varios desafíos, entre los cuales destaca la necesidad de considerar las condiciones dinámicas del transporte marítimo. Esto incluye factores que influyen en la duración del viaje, como condiciones meteorológicas, retrasos en puertos, y eventos inesperados que requieren cambios de ruta. Por ejemplo, el bloqueo del canal de Suez por el buque Ever Given en marzo de 2021 obligó a desviar otros barcos alrededor de África, añadiendo aproximadamente diez días a sus tiempos de viaje.
Otro reto consistió en la integración de grandes volúmenes de datos históricos de los viajes con fuentes de datos en tiempo real. Este modelo debe operar efectivamente a escala en 120 servicios de buques y 1,200 rutas únicas.
La infraestructura de MLOps es crucial para supervisar de forma continua el rendimiento del modelo y desplegar rápidamente actualizaciones cuando sea necesario. Esto incluye la capacidad de reentrenar modelos regularmente para adaptarse a patrones cambiantes y mantener capacidades de inferencia en tiempo real.
El enfoque anterior de Hapag-Lloyd para la planificación de horarios no podía abordar eficazmente estas complejidades. Por lo tanto, era necesario un sistema comprensivo que pudiera gestionar la predicción de horarios con la infraestructura que sostiene las operaciones de ML a nivel global.
Hapag-Lloyd opera una red de más de 308 buques, lo que resulta en más de 3,500 llegadas a puertos mensuales. Cada buque sigue una línea de servicio fija, lo que requiere la provisión de tiempos estimados de llegada con varias semanas de anticipación para organizar la logística crítica. Cuando un buque experimenta un retraso en uno de los puertos intermedios, esto impacta en sus tiempos de llegada en puertos posteriores, lo que requiere una replanificación extensa y puede interrumpir conexiones de transbordo.
Para la predicción de tiempos de llegada (ETA), Hapag-Lloyd utiliza datos internos almacenados en un lago de datos, que incluyen horarios detallados de buques, información de rendimiento de puertos, y datos en tiempo real sobre congestión en puertos. Asimismo, se incorpora el Sistema de Identificación Automática (AIS) para rastrear actualizaciones en el movimiento de los buques.
A partir de esta información, se desarrollaron modelos específicos para predecir tiempos de llegada y garantizar la confiabilidad del sistema. Los resultados han sido prometedores, mostrando un aumento en la precisión y reduciendo sustancialmente los tiempos de respuesta en comparación con métodos tradicionales. Esto representa un avance significativo en la industria de transporte marítimo, mejorando la competitividad de Hapag-Lloyd en el mercado global.
vía: AWS machine learning blog
