◄ هوش مصنوعی قبل از فاجعه/ آیا AI می‌تواند آینده حمل‌ونقل دریایی را نجات دهد؟

تین نیوز |

با بیش از ۹۰٪ تجارت جهانی که از مسیرهای آبی عبور می‌کند، امنیت در حمل‌ونقل دریایی دیگر فقط یک اولویت نیست؛ بلکه ضرورت زیرساختی است. خطاهای انسانی، مانند آنچه در فاجعه Costa Concordia شاهد بودیم، می‌توانند در عرض چند دقیقه جان ده‌ها نفر را بگیرند و میلیون‌ها دلار زیان به‌جا بگذارند. با پیشرفت فناوری‌های هوش مصنوعی، اکنون سامانه‌هایی بر پایه یادگیری ماشین، شبکه‌های عصبی و بینایی ماشین قادرند نه‌تنها محیط اطراف را به‌دقت رصد کنند، بلکه با استفاده از داده‌های لحظه‌ای، خطرات را قبل از وقوع پیش‌بینی و مدیریت نمایند.

به گزارش تین نیوز، امروزه شرکت‌هایی چون IBM، Rolls Royce و NAPA با توسعه سامانه‌های خودران، تحلیل بلادرنگ داده‌ها و تصمیم‌یارهای هوشمند، عصر جدیدی را در ایمنی دریایی رقم زده‌اند. برای نمونه، کشتی Mayflower 400 با پردازش بیش از ۲۵ گیگابایت داده در هر پنج ثانیه، مسیر امن خود را در اقیانوس بدون دخالت انسانی پیدا می‌کند. این مقاله به بررسی پنج چالش حیاتی در حمل‌ونقل دریایی می‌پردازد و نشان می‌دهد چگونه هوش مصنوعی از طریق مدل‌های پیش‌بینی، شناسایی ناهنجاری و تصمیم‌سازی خودکار، ایمنی، پایداری و بهره‌وری را به ارمغان می‌آورد.

 

۱. ایمنی دریایی: از اشتباه انسانی در Costa Concordia تا سیستم های تصمیم یار هوشمند

شبی آرام در ژانویه ۲۰۱۲، کشتی تفریحی Costa Concordia با بیش از ۴۲۰۰ مسافر، در دل آب های مدیترانه نزدیک جزیره جیلیو ایتالیا حرکت می کرد. مهمانان در حال صرف شام و تماشای دریا بودند، که ناگهان صدای مهیب برخورد و لرزش شدید، سکوت شب را شکست. کشتی به صخره برخورد کرده بود؛ چراغ ها خاموش شدند، و فریاد و ترس در عرشه پیچید.

علت حادثه؟ تصمیم شخصی و بی محابای کاپیتان برای نزدیک تر شدن به ساحل — نمایشی برای مهمانان، اما مرگی برای ۳۲ نفر.

این سانحه، درس تلخی برای صنعت دریانوردی بود: حتی ماهرترین انسان ها هم در لحظات بحرانی ممکن است دچار قضاوت نادرست شوند.

اما پاسخ فناوری در سال های بعد چه بود؟

کشتی ای بدون انسان، اما با مغزی از کد

در سال ۲۰۲۱، شرکت IBM به همراه مؤسسه ProMare، پروژه ای انقلابی را راه اندازی کردند: Mayflower Autonomous Ship (MAS400) — یک کشتی پژوهشی کوچک اما مستقل، که بدون کاپیتان، خدمه یا اتاق کنترل، از انگلستان تا آمریکای شمالی را پیمود.

چشم ها: دوربین های بینایی ماشین (Computer Vision)
گوش ها: حسگرهای صوتی، لرزش، دما، GPS و Radar
مغز: شبکه عصبی عمیق (Deep Neural Network) و الگوریتم های یادگیری تقویتی (Reinforcement Learning) که به سیستم اجازه می داد در لحظه تصمیم بگیرد:

«در این زاویه، سرعت را کاهش بده — کشتی مقابل مسیر را قطع خواهد کرد.»

«طوفانی در پیش است؛ تغییر مسیر بده.»

چگونه عمل می کند؟

سامانه MAS400 از یک موتور تحلیل تصمیم به نام IBM Operational Decision Manager استفاده می کند که با پایگاه داده ی مسیرهای خطرناک، الگوریتم های پیش بینی برخورد (Collision Prediction Engine)، و شبکه های عصبی آموزش دیده بر داده های تاریخی دریایی کار می کند.

• هر ۵ ثانیه، بیش از ۲۵ گیگابایت داده از حسگرها تحلیل می شود.

• مسیر و سرعت هر کشتی اطراف را از طریق AIS دریافت و با داده های راداری تلفیق می کند.

• سپس با استفاده از مدل های یادگیری ماشینی، احتمال برخورد را محاسبه می کند و اقدام لازم (مانور، توقف، تغییر مسیر) را پیشنهاد یا اجرا می کند.

آینده ای که از خطا پیش گیری می کند

امروزه، بسیاری از ناوگان ها — از جمله کشتی های خودران شرکت Sea Machines Robotics یا سامانه های هشدار تصادف شرکت Furuno Electric — از همین رویکرد بهره می برند.

هوش مصنوعی، دیده بانی ست که نه تنها اطراف را می بیند، بلکه آینده را حدس می زند؛ و این همان چیزی ست که از توان انسان فراتر می رود.

جایی که روزی یک تصمیم اشتباه، جان ها را گرفت، حالا یک سامانه ی هوشمند، در سکوت، بدون احساس، اما با دقت، کشتی را از خطر می رهاند.

 

۲. آتش، دود، و یک هوش بی خواب: از MV Yantian Express تا تحلیل بلادرنگ موتور

ژانویه ۲۰۱۹. در دل اقیانوس اطلس، کشتی عظیم کانتینری MV Yantian Express در حال عبور از مسیر پرتردد جنوب شرقی آسیا به کانادا بود. همه چیز طبق برنامه پیش می رفت تا این که یکی از کانتینرها شعله ور شد؛ در عرض چند ساعت، آتش بخش بزرگی از کشتی را در برگرفت. خدمه مجبور شدند عملیات ترک کشتی را آغاز کنند و ده ها میلیون دلار محموله در آتش نابود شد.

بعدها مشخص شد نقص در بارگیری و تاخیر در شناسایی نشانه های هشدار، علت اصلی فاجعه بود.

اینجا جایی است که توانایی انسان به پایان می رسد — و هوش مصنوعی وارد می شود.

شرکت Rolls Royce Marine و شرکت فنلاندی Wärtsilä در پاسخ به چنین خطرهایی، سامانه های نگهداری پیش بینانه ی مبتنی بر هوش مصنوعی طراحی کردند که مانند "پزشک درون کشتی"، هزاران داده از بخش های مختلف موتور، پمپ ها، و سیستم های الکتریکی را به صورت لحظه ای تحلیل می کنند.

یکی از این سیستم ها با نام Fleet Optimisation Solution (FOS)، مبتنی بر یادگیری ماشین (Machine Learning) و تحلیل بلادرنگ (Real-time Data Analytics)، الگوهای لرزش موتور، دمای ژنراتورها، و فشار پمپ ها را با داده های تاریخی مقایسه می کند. اگر سامانه متوجه شود که لرزش موتور، حتی اندکی، از الگوی معمول خارج شده، هشدار می دهد: «در ۴۸ ساعت آینده، احتمال نقص در محور میانی وجود دارد.»

این هشدارها در زمانی صادر می شود که انسان هنوز چیزی نمی بیند، نمی شنود و نمی داند.

عملکرد فنی:

• داده ها از طریق حسگرهای IoT دریافتی از تجهیزات مختلف جمع آوری می شوند.

• الگوریتم های یادگیری نظارت نشده (unsupervised learning) برای کشف ناهنجاری (anomaly detection) به کار می روند.

• سیستم بر اساس مدل های آمار تطبیقی پیش بینی می کند که چه زمانی خرابی رخ می دهد، حتی اگر شواهد آشکار نباشد.

نتیجه: به جای اینکه مثل Yantian Express در لحظه حادثه به آتش واکنش نشان دهیم، این سامانه ها ما را ۲۴ یا حتی ۷۲ ساعت جلوتر از فاجعه نگه می دارند.

هوش مصنوعی در اینجا فقط ابزار نیست؛ دیده بانی است که بیدارتر از انسان، بی وقفه می پاید — و از آینده خبر می دهد.

۳. سوخت کمتر، آلودگی کمتر: وقتی هوش مصنوعی کاپیتان دوم می شود

در نگاه اول، مسیر از بندر سنگاپور به روتردام ساده به نظر می رسد. کشتی طبق نقشه از کانال سوئز عبور می کند، با سرعت ثابت پیش می رود و سوخت گیری در میانه مسیر انجام می شود. اما آنچه نقشه نشان نمی دهد، جریان های پنهان آب، تغییرات باد در نیمه های شب و امواج سهمگین مدیترانه است.

در همین مسیر، کشتی هایی بوده اند که به دلیل انتخاب زمان نادرست حرکت یا مسیر نامناسب، تا ۱۵٪ سوخت بیشتری مصرف کرده اند — یعنی صدها هزار دلار در یک سفر!

ولی امروزه، کاپیتان ها تنها نیستند. پشت سر آن ها، سامانه هایی از جنس هوش نشسته اند.

یکی از پیشگامان این حوزه، شرکت فنلاندی NAPA است که با سامانه ی NAPA Voyage Optimization با بهره گیری از الگوریتم های یادگیری تقویتی (Reinforcement Learning) و پیش بینی های هواشناسی (Weather Forecast Integration)، صدها متغیر را تحلیل می کند:

• سرعت باد در هر ساعت از مسیر

• جهت جریان های سطحی و زیرسطحی

• تراکم ترافیک کشتی ها در روزهای آینده

• میزان بارگیری و تعادل کشتی

خروجی چیست؟ توصیه هایی بسیار دقیق و لحظه ای:
«اگر فردا ساعت ۱۴ حرکت کنید و در ۲۴ ساعت نخست مسیر خود را ۱۵ مایل به جنوب منحرف کنید، تا ۸٪ سوخت صرفه جویی خواهید کرد و از منطقه طوفانی دور می مانید.»

 عملکرد فنی:

• تلفیق مدل های هواشناسی عددی با یادگیری ماشین

• بهینه سازی مسیر با الگوریتم های ژنتیک و الگوریتم های گرادیان

• تحلیل بی درنگ و بازآموزی مدل ها در طول سفر

این سیستم ها به قدری موفق بوده اند که شرکت CMA CGM، یکی از غول های حمل ونقل، اعلام کرده توانسته است با استفاده از آن ها بیش از ۴۰۰۰ تُن سوخت را در سال ۲۰۲۳ صرفه جویی کند.

در جهانی که هر لیتر سوخت برابر است با آلودگی بیشتر و هزینه بالاتر، هوش مصنوعی به کاپیتانی بدل شده که نه تنها می راند، بلکه حسابگر است.

۴. دشمنی که دیده نمی شود: از حمله ی سایبری Maersk تا دیده بان دیجیتال کشتی ها

تابستان ۲۰۱۷، شرکت دانمارکی Maersk، که روزانه بیش از ۷۰۰ کشتی را در اقیانوس ها هدایت می کند، ناگهان دچار اختلال شد. نه از طوفان، نه از آتش سوزی — بلکه از یک فایل آلوده.

باج افزار NotPetya توانست تنها در عرض چند ساعت، سیستم های جهانی این غول لجستیکی را قفل کند. کشتی ها در بندر معلق ماندند، بارها در مقصد ناتمام رها شدند و ضرری بیش از ۳۰۰ میلیون دلار ثبت شد.

ولی امروز، شرکت هایی که بیدار مانده اند، به دیده بان هایی از جنس الگوریتم مسلح شده اند.

شرکت اسرائیلی Cybereason و پلتفرم Darktrace با استفاده از شبکه های عصبی خودیادگیر (Self-learning Neural Networks) سامانه هایی طراحی کرده اند که در فضای دیجیتال کشتی ها و بنادر، مانند آنتی بادی هوشمند، ناهنجاری ها را شناسایی می کنند.

 مثال عملی:
اگر در نیمه شب، سیستم GPS کشتی ناگهان شروع به ارسال داده به سرور ناشناس کند — در حالی که چنین رفتاری سابقه نداشته — سیستم هشدار می دهد: «رفتار مشکوک در واحد ناوبری شناسایی شد.» و بلافاصله ارتباط را قطع می کند.

عملکرد فنی:

• تحلیل رفتار (Behavioral Analysis) از طریق یادگیری بدون ناظر

• مدل سازی ناهنجاری با Autoencoderها و مدل های آماری

• واکنش بلادرنگ و قرنطینه خودکار بسته های مشکوک

در عصری که حمله های دیجیتال می توانند کشتی ها را زمین گیر کنند، هوش مصنوعی سپر دیجیتالی ست که زودتر از انسان، بوی حمله را می فهمد.

۵. سکوت در عرشه: وقتی خدمه نیستند، دستیار دیجیتال وارد می شود

در میانه بحران کرونا، بسیاری از کشتی ها با حداقل خدمه به دریا رفتند. نبود افسران ناوبری مجرب، بار روانی سنگینی بر دوش کاپیتان گذاشت. برخی حتی مجبور شدند تصمیمات حیاتی مانند ورود به مناطق پرترافیک را تنها بگیرند.

اما پاسخ جهان فناوری چه بود؟

شرکت Kongsberg Digital نروژ، با طراحی سیستم Kognifai Maritime AI Assistant، دستیار هوشمندی ارائه داد که نه تنها اطلاعات ناوبری، شرایط جوی و داده های حرکتی را به صورت بلادرنگ نمایش می دهد، بلکه از طریق NLP (پردازش زبان طبیعی) با خدمه صحبت می کند:

 مثال عملی:
کاپیتان می پرسد:
«آیا ورود به تنگه جبل الطارق در ۶ ساعت آینده ایمن است؟»
و دستیار پاسخ می دهد:
«با توجه به داده های ترافیکی AIS، احتمال برخورد ۲۶٪ است. پیشنهاد می شود عبور را ۳ ساعت به تأخیر بیندازید.»

 عملکرد فنی:

• تحلیل چندلایه داده های دریانوردی

• پردازش زبان طبیعی برای تعامل صوتی

• توصیه گرهای مبتنی بر یادگیری تقویتی برای تصمیم سازی

در زمانی که نیروی انسانی کافی نیست، هوش مصنوعی نه جایگزین، بلکه یار و مشاور وفادار کاپیتان است — بی وقفه، بی خطا، بی خستگی.

 

 جایی که انسان تنها نیست — و نباید تنها باشد

صنعت حمل ونقل دریایی، ستون فقرات تجارت جهانی ست، اما همواره بر لبه ای نازک از ریسک حرکت می کند: اشتباه انسانی، خرابی فنی، شرایط نامساعد جوی، یا حتی یک ایمیل آلوده، کافی ست تا میلیون ها دلار، جان انسان ها و اعتبار شرکت ها به خطر بیفتد.

ما در این مقاله دیدیم که چطور:

• یک اشتباه نمایشی در Costa Concordia، به فاجعه ای مرگبار انجامید،

• آتش سوزی در Yantian Express به دلیل نبود تشخیص زودهنگام، میلیون ها دلار خسارت زد،

• حمله سایبری NotPetya بزرگ ترین غول حمل ونقل دریایی را فلج کرد،

• و چطور هوش مصنوعی در قالب پروژه هایی از شرکت هایی چون IBM, Rolls Royce, Wärtsilä, NAPA, Darktrace و Kongsberg وارد صحنه شد — نه برای جانشینی انسان، بلکه برای پشتیبانی دقیق، سریع و بی وقفه.

هوش مصنوعی با الگوریتم های پیش بینی، تشخیص ناهنجاری، یادگیری تقویتی و پردازش زبان، تبدیل به دیده بان دوم، دستیار پیشگو و افسر تحلیل گر کشتی ها شده است.

در جهانی که هر لحظه بر پیچیدگی اش افزوده می شود، سوال اصلی دیگر این نیست که آیا باید از هوش مصنوعی استفاده کرد یا نه — بلکه این است:

"آیا بدون آن، می توان زنده ماند، به موقع رسید و از خطر گذشت؟"

 

منابع:

۱-IBM & ProMare. Mayflower Autonomous Ship Project. https://www.promare.org/mayflower.html

۲-Rolls-Royce & Wärtsilä. Fleet Optimization and Predictive Maintenance for Marine Vessels. https://www.wartsila.com

۳-NAPA Group. AI-Powered Voyage Optimization for Fuel Efficiency. https://www.napa.fi

۴-Darktrace. Artificial Intelligence for Maritime Cybersecurity. https://www.darktrace.com

۵-Kongsberg Digital. Kognifai Maritime AI Assistant. https://www.kongsbergdigital.com

۶-Wired Magazine. The Untold Story of NotPetya and Maersk. https://www.wired.com/story/notpetya-cyberattack-maersk