◄ چرا هوش مصنوعی باید وارد تصمیم‌گیری بندر شهید رجایی شود؟

تین نیوز | امیرحسین عبدی * :

بندر شهید رجایی یکی از پیچیده ترین کانون های عملیاتی و لجستیکی کشور است؛ محیطی که در آن، داده های مربوط به کشتی ها، کالاها، کانتینرها، کامیون ها، تجهیزات، مجوزها و فرایندهای اجرایی به صورت مستمر تولید می شوند. در سال های اخیر نیز اقدامات مهمی برای الکترونیکی کردن و یکپارچه سازی بخشی از فرایندهای بندری انجام شده است. بااین حال، میان «ثبت و گزارش داده» و «استفاده از داده برای پیش بینی، برنامه ریزی و تصمیم گیری» تفاوتی اساسی وجود دارد.

به گزارش تین نیوز، هوش مصنوعی در بسیاری از کاربردهای مشخص بندری، از پیش بینی زمان ورود کشتی و ازدحام کامیون ها تا برنامه ریزی منابع، مدیریت محوطه و نگهداری تجهیزات، دیگر صرفاً یک فناوری آزمایشی نیست. پرسش اصلی این مقاله آن نیست که آیا هوش مصنوعی می تواند تمام مشکلات بندر را حل کند؛ بلکه این است که چرا نباید از ظرفیت اثبات شده آن برای کاهش تصمیم های دیرهنگام و واکنشی استفاده کرد؟

این مقاله با رویکردی تحلیلی–سیاستی، شکاف میان داده و تصمیم را بررسی می کند، چند حوزه مناسب برای کاربرد هوش مصنوعی در بندر شهید رجایی را معرفی می کند و موانعی را توضیح می دهد که ممکن است سبب شوند داده ها و سامانه های موجود هنوز به نتایج ملموس عملیاتی منجر نشوند. پیشنهاد مقاله، آغاز یک پروژه عظیم و پرهزینه نیست؛ بلکه انتخاب یک مسئله محدود، استفاده از داده موجود، اجرای یک پایلوت قابل سنجش و ارزیابی نتیجه واقعی آن است.

کلیدواژه ها: بندر شهید رجایی، هوش مصنوعی، مدیریت پیش بینانه، مدیریت داده، مدیریت دانش، تصمیم گیری بندری، تحلیل پیش بینانه

این نوشته یک پژوهش تجربی مبتنی بر دسترسی به داده های داخلی بندر شهید رجایی نیست. نویسنده به اطلاعات تفصیلی سامانه ها، قراردادهای فناوری، مدل های احتمالی در حال بهره برداری و شاخص های عملکرد قبل و بعد از اجرای پروژه های هوشمندسازی دسترسی نداشته است.

بنابراین، مقاله ادعا نمی کند که در بندر شهید رجایی هیچ استفاده ای از هوش مصنوعی صورت نگرفته است. گزاره دقیق تر آن است که در منابع عمومی، نتایج مستمر و قابل سنجشی که نشان دهد هوش مصنوعی به بخشی ملموس از تصمیم گیری روزمره بندر تبدیل شده، به روشنی مشاهده نمی شود.

تحلیل حاضر بر سه پایه استوار است: منابع و گزارش های عمومی مرتبط با تحول دیجیتال بندر شهید رجایی؛ پژوهش های علمی درباره کاربرد یادگیری ماشین و تحلیل پیش بینانه در عملیات بندری؛ و تجربه حرفه ای و شناخت عملیاتی نویسنده از محیط بندر، ترمینال کانتینری و زنجیره حمل ونقل.

هدف، صدور حکم قطعی درباره عملکرد سازمان یا مجموعه ای مشخص نیست؛ هدف، طرح یک پرسش مدیریتی و سیاستی ضروری است.

صف کامیون ها معمولاً زمانی به مسئله مدیریتی تبدیل می شود که تشکیل شده است. تراکم محوطه هنگامی در دستور کار قرار می گیرد که فضای عملیاتی محدود شده باشد. کمبود یک نوع کانتینر، افزایش زمان انتظار کشتی، توقف تجهیزات یا اختلال در جریان خروج کالا نیز غالباً زمانی بیشترین توجه را جلب می کند که آثار آن بر عملیات، هزینه یا رضایت مشتری آشکار شده است.

در این شرایط، مدیران و کارشناسان ناچارند با دریافت گزارش، تماس با واحدهای مختلف، تشکیل جلسات فوری و صدور دستورهای اجرایی، وضعیت ایجادشده را کنترل کنند. چنین اقداماتی در زمان بحران ضروری است؛ اما یک پرسش اساسی همچنان باقی می ماند:

آیا مسئله ای که اکنون برای مهار آن تلاش می کنیم، واقعاً قابل پیش بینی نبود؟

بخش مهمی از رویدادهای بندری کاملاً تصادفی نیستند. برنامه ورود کشتی، حجم عملیات، نرخ تخلیه و بارگیری، درصد اشغال محوطه، جریان ورود و خروج کامیون ها، وضعیت تجهیزات، فرایند صدور مجوزها و الگوهای روزهای مشابه، همگی نشانه هایی از وضعیت آینده در خود دارند.

ممکن است نتوان همه اختلال ها را با قطعیت پیش بینی کرد؛ اما می توان احتمال شکل گیری بسیاری از گلوگاه ها را پیش از تبدیل شدن آن ها به بحران برآورد کرد.

گزارش مدیریتی سنتی عمدتاً می گوید در گذشته چه اتفاقی افتاده است. تحلیل پیش بینانه باید به پرسش دیگری پاسخ دهد:

با ادامه روند فعلی، در ساعات یا روزهای آینده چه اتفاقی محتمل است و اکنون چه اقدامی می تواند احتمال یا شدت آن را کاهش دهد؟

فاصله میان این دو پرسش، فاصله میان مدیریت واکنشی و مدیریت پیش بینانه است.

مدیریت پیش بینانه	مدیریت واکنشی
احتمال مسئله پیش از وقوع ارزیابی می شود	مسئله پس از آشکارشدن مدیریت می شود
تمرکز بر روند آینده و هشدار زودهنگام است	تمرکز بر گزارش وضعیت موجود و گذشته است
زمان بیشتری برای انتخاب و هماهنگی وجود دارد	گزینه های اقدام محدود و پرهزینه ترند
تصمیم در شرایط کنترل شده تر اتخاذ می شود	تصمیم عمدتاً تحت فشار بحران اتخاذ می شود
موفقیت با پیشگیری یا کاهش آثار بحران سنجیده می شود	موفقیت با مهار بحران سنجیده می شود

هوش مصنوعی در این میان، جایگزین مدیر نیست. ارزش آن در توانایی بررسی هم زمان حجم بزرگی از متغیرها، شناسایی الگوهای پنهان، برآورد احتمال رخدادها و مقایسه گزینه های مختلف تصمیم است.

مرور نظام مند ۷۰ پژوهش درباره کاربرد یادگیری ماشین در عملیات بندری نشان داده است که پیش بینی، مهم ترین حوزه استفاده از این فناوری است و کاربردهای تصمیم یار نیز در حال گسترش اند. همین مطالعه دو خلأ مهم را شناسایی کرده است: بخش بزرگی از داده های بندری همچنان کمتر از ظرفیت خود استفاده می شوند و نمونه های استقرار مستمر و لحظه ای مدل های یادگیری ماشین در عملیات واقعی محدودند [۱].

این یافته اهمیت زیادی دارد. مسئله فقط «داشتن الگوریتم» نیست؛ مسئله آن است که مدل پیش بینی به جریان واقعی کار و اختیار تصمیم گیری متصل شود.

تقریباً هر رویداد عملیاتی در بندر ردی از اطلاعات ایجاد می کند: ورود کشتی، تخصیص اسکله، شروع و پایان عملیات، جابه جایی کانتینر، ورود و خروج کامیون، صدور مجوز، ثبت قبض انبار، وضعیت تجهیزات، توقف های عملیاتی، تشریفات گمرکی و اتصال محموله به شبکه جاده ای یا ریلی.

از این منظر، مسئله بندر شهید رجایی فقدان مطلق داده نیست. در مرداد ۱۴۰۳، سامانه یکپارچه عملیات بندری در این بندر رونمایی شد. در مرحله نخست، فرایندهای ورود کالا از مسیر خشکی در آن پیاده سازی شد و یکپارچه سازی فرایندی، داده ای و نرم افزاری، ارتقای نظارت و بهبود خدمات به عنوان اهداف آن اعلام شد [۲].

این گونه اقدامات برای تحول دیجیتال بندر ضروری اند. بدون ثبت استاندارد رویدادها، ارتباط میان سامانه ها و دسترسی مناسب به اطلاعات، استفاده پایدار از تحلیل پیشرفته و هوش مصنوعی عملاً ممکن نیست.

بااین حال، باید میان چهار سطح متفاوت تمایز قائل شد:

سطح اول: ثبت داده — سامانه مشخص می کند چه رویدادی، در چه زمان و مکانی اتفاق افتاده است.

سطح دوم: گزارش گیری — داده های ثبت شده به شاخص ها، نمودارها و تصویری از وضعیت موجود یا گذشته تبدیل می شوند.

سطح سوم: پیش بینی — سامانه با استفاده از روندهای گذشته و وضعیت جاری، احتمال رخدادهای آینده را برآورد می کند.

سطح چهارم: تصمیم یاری — سامانه علاوه بر پیش بینی، گزینه های اقدام و پیامد احتمالی هر گزینه را در اختیار مدیر قرار می دهد.

یک بندر ممکن است در ثبت الکترونیکی و گزارش گیری پیشرفت قابل توجهی داشته باشد، اما همچنان در سطح پیش بینی و تصمیم یاری محدود باقی بماند.

داشبورد می تواند نشان دهد در سه ساعت گذشته چه تعداد کامیون وارد بندر شده اند؛ مدل پیش بینانه باید برآورد کند در سه ساعت آینده چه تعداد مراجعه خواهند کرد و احتمال شکل گیری گلوگاه در کدام نقطه بیشتر است.

گزارش موجودی می تواند درصد اشغال فعلی یک محوطه را نمایش دهد؛ تحلیل پیش بینانه باید مشخص کند با توجه به برنامه کشتی ها، جریان خروج و وضعیت کانتینرها، چه زمانی ممکن است ظرفیت محوطه از محدوده عملیاتی مناسب عبور کند.

داشتن سامانه به معنای هوشمندی نیست. هوشمندی زمانی شکل می گیرد که سامانه بتواند در تصمیمی واقعی و قابل سنجش، به مدیر کمک کند.

این گزاره که «بندر هوشمند از داده های باکیفیت آغاز می شود» در اصل درست است، اما کامل نیست.

داده باکیفیت خودبه خود ایجاد نمی شود. کیفیت پایدار داده، محصول نظام مدیریت داده، استانداردهای مشترک، مالکیت روشن، کنترل خطا و حاکمیت اطلاعات است.

در محیط چندسازمانی بندر، داده مورد نیاز یک تصمیم ممکن است میان چند بازیگر توزیع شده باشد: مرجع بندری، اپراتورهای ترمینال، گمرک، خطوط و نمایندگان کشتیرانی، شرکت های حمل ونقل جاده ای و ریلی، صاحبان کالا و پیمانکاران تجهیزات و سامانه ها.

برای مثال، زمان خروج یک کالا فقط به عملکرد یک سازمان وابسته نیست. وضعیت اسناد، تشریفات گمرکی، مجوز بندری، آمادگی وسیله حمل، موقعیت کالا در محوطه و ظرفیت دروازه، همگی می توانند در آن مؤثر باشند.

بانک جهانی، سامانه جامعه بندری را بستری برای تبادل هماهنگ اطلاعات میان مدیریت بندر، گمرک، خطوط کشتیرانی، اپراتورها، شرکت های لجستیکی و فورواردرها معرفی می کند. هدف چنین بستری صرفاً کاهش فرم ها نیست؛ بلکه ایجاد تصویری مشترک از عملیات، کاهش ورود تکراری اطلاعات و تسریع تصمیم گیری میان ذی نفعان است [۳].

اگر یک رویداد در سامانه های مختلف با شناسه ها، زمان ها یا تعاریف متفاوت ثبت شود، اتصال ظاهری نرم افزارها لزوماً به یکپارچگی واقعی داده منجر نمی شود. الگوریتم نیز نمی تواند از اطلاعات ناقص، متناقض یا دیرهنگام، تصویری کاملاً دقیق از واقعیت بسازد.

اما حتی مدیریت داده نیز کافی نیست. بندر فقط با داده اداره نمی شود؛ بخش مهمی از تصمیم های عملیاتی بر دانش ضمنی مدیران و کارشناسان استوار است.

برنامه ریز باتجربه ممکن است از مجموعه ای از نشانه ها تشخیص دهد که زمان اعلام شده ورود یک کشتی واقع بینانه نیست. مدیر محوطه ممکن است بدون محاسبات رسمی متوجه شود که ترکیب خاصی از کانتینرها در روزهای آینده جابه جایی های اضافی ایجاد خواهد کرد. مسئول تجهیزات نیز ممکن است از تغییر رفتار دستگاه، احتمال خرابی را زودتر تشخیص دهد.

هوش مصنوعی زمانی به ابزار مؤثر مدیریتی تبدیل می شود که داده های رسمی را با دانش عملیاتی متخصصان ترکیب کند؛ نه آنکه خود را جایگزین تجربه آن ها بداند.

شکل ۱ ـ زنجیره تبدیل داده و دانش عملیاتی به تصمیم و یادگیری سازمانی

این زنجیره نشان می دهد که هوش مصنوعی یک نرم افزار مستقل یا نقطه شروع تحول نیست. AI در میانه یک نظام مدیریتی قرار دارد و ارزش آن به کیفیت حلقه های قبل و بعد وابسته است.

در فضای عمومی، هوش مصنوعی گاهی با چت بات ها، تولید متن یا اتوماسیون کامل اشتباه گرفته می شود. در عملیات بندری، مهم ترین ظرفیت آن در چهار سطح تحلیل قرار دارد:

• تحلیل توصیفی: چه اتفاقی افتاده است؟
• تحلیل تشخیصی: چرا اتفاق افتاده است؟
• تحلیل پیش بینانه: در آینده چه اتفاقی محتمل است؟
• تحلیل تجویزی: در برابر وضعیت پیش بینی شده، چه گزینه هایی وجود دارد و نتیجه احتمالی هر گزینه چیست؟

هوش مصنوعی بیشترین ارزش مدیریتی خود را در دو سطح آخر ایجاد می کند؛ جایی که داده از گزارش گذشته به ابزاری برای مدیریت آینده تبدیل می شود.

بانک جهانی و انجمن بین المللی بنادر و لنگرگاه ها، هوش مصنوعی، تحلیل پیشرفته، اینترنت اشیا و دوقلوی دیجیتال را از فناوری هایی می دانند که بنادر هوشمند برای ارتقای عملکرد، رقابت پذیری و پایداری به کار می گیرند. در عین حال، مسیر پیشنهادی آن ها از ایجاد زیرساخت های پایه دیجیتال و تبادل اطلاعات آغاز می شود، نه از خرید یک فناوری منفرد [۴].

در بندر روتردام، داده های عمومی، اطلاعات شرکت های مشارکت کننده و پیش بینی های تولیدشده توسط کاربردهای هوش مصنوعی در سامانه PortXchange ترکیب می شوند تا اطلاعات دقیق تری درباره فراخوان کشتی و برنامه ریزی عملیات در اختیار ذی نفعان قرار گیرد [۵].

در سنگاپور، دوقلوی دیجیتال دریایی داده های زنده و تاریخی بندر را با شبیه سازی و مدل سازی ترکیب می کند تا کاربران بتوانند سناریوهای مختلف را پیش از اجرای واقعی آزمایش کنند، شکاف منابع را ببینند و ریسک تصمیم را کاهش دهند [۶]. سامانه digitalPORT@SG نیز از هوش مصنوعی برای بهینه سازی و زمان بندی منابع و برنامه ریزی به موقع حرکت کشتی ها استفاده می کند [۷].

این نمونه ها برای تقلید مستقیم مطرح نمی شوند. ساختار نهادی، منابع مالی و زیرساخت فناوری این بنادر با بندر شهید رجایی متفاوت است. اهمیت آن ها در اثبات یک اصل است:

هوش مصنوعی در برخی کاربردهای مشخص بندری، از مرحله وعده و آزمایش نظری عبور کرده است.

دامنه کاربردهای هوش مصنوعی در بندر گسترده است، اما مقاله حاضر آگاهانه بر سه مسئله متمرکز می شود؛ مسائلی که هم اهمیت عملیاتی دارند و هم قابلیت تبدیل شدن به پروژه های محدود و قابل سنجش را دارا هستند.

۵ـ۱. پیش بینی ترافیک کامیون ها و ازدحام دروازه

ازدحام کامیون ها معمولاً حاصل یک متغیر منفرد نیست. برنامه عملیات کشتی، میزان ترخیص کالا، مجوزهای صادرشده، ساعات مراجعه، ظرفیت دروازه، محدودیت مسیرهای دسترسی، وضعیت محوطه و رفتار شرکت های حمل ونقل، همگی بر جریان تردد اثر می گذارند.

پایش تصویری و شمارش تردد مشخص می کند اکنون چه وضعیتی وجود دارد. مدل پیش بینانه باید چند ساعت زودتر اعلام کند:

با ادامه روند فعلی و بر اساس مجوزهای صادرشده و برنامه عملیات، احتمال افزایش شدید مراجعه و تشکیل صف در یک بازه زمانی مشخص وجود دارد.

این هشدار می تواند فرصتی برای تقویت موقت ظرفیت دروازه، تنظیم زمان مراجعه بخشی از ناوگان، اطلاع رسانی به شرکت های حمل ونقل، هماهنگی با واحدهای مسئول مسیر دسترسی و تغییر اولویت برخی عملیات ایجاد کند.

سامانه های نوبت دهی کامیون در پایانه های کانتینری با هدف کاهش ازدحام، زمان انتظار و نوسانات مراجعه توسعه یافته اند. یک مرور جدید، این سامانه ها و الگوریتم های زمان بندی مرتبط را به عنوان ابزارهای مهم مدیریت جریان کامیون در پایانه ها بررسی کرده است [۸].

هدف واقع بینانه، حذف کامل ترافیک نیست. هدف آن است که مدیر، پیش از وقوع گلوگاه، زمان و امکان مداخله داشته باشد.

۵ـ۲. پیش بینی ورود کشتی و برنامه ریزی اسکله و تجهیزات

تغییر زمان ورود یک کشتی می تواند تخصیص اسکله، جرثقیل، یدک کش، راهنما، نیروی انسانی، محوطه و حمل پس کرانه را تحت تأثیر قرار دهد.

زمان اعلام شده ورود کشتی همواره با زمان واقعی یکسان نیست. شرایط سفر، آب وهوا، وضعیت بندر قبلی، سرعت حرکت و ترافیک دریایی می توانند برنامه را تغییر دهند.

ابزارهای مبتنی بر داده های AIS، کلان داده و الگوریتم های یادگیری ماشین در بنادر پیشرو برای افزایش دقت برآورد زمان ورود کشتی و تولید هشدارهای به روز استفاده می شوند [۹].

در این کاربرد، AI جایگزین برنامه ریز اسکله نمی شود؛ بلکه به او کمک می کند زمان ورود را با اطلاعات جدید به روز کند، تأثیر تأخیر یک کشتی بر برنامه سایر کشتی ها را ببیند، سناریوهای مختلف تخصیص اسکله و تجهیزات را مقایسه کند و پیش از قطعی شدن اختلال، منابع را بازتنظیم کند.

ارزش مدل زمانی ایجاد می شود که به اطلاعات جاری متصل باشد و خروجی آن در زمان مناسب در اختیار فرد دارای اختیار تصمیم قرار گیرد.

۵ـ۳. پیش بینی تراکم محوطه و وضعیت کانتینرها

مدیریت محوطه فقط به دانستن تعداد کانتینرهای موجود محدود نیست. مدیر باید بداند کدام کانتینرها احتمالاً زودتر خارج می شوند، کدام بلوک در حال حرکت به سمت تراکم نامطلوب است، چه نوع یا سایزی از کانتینر ممکن است با کمبود مواجه شود و برنامه فعلی چه میزان جابه جایی اضافی ایجاد خواهد کرد.

دو محوطه ممکن است در یک لحظه درصد اشغال یکسانی داشته باشند، اما آینده عملیاتی متفاوتی داشته باشند. در یکی، بخش بزرگی از کانتینرها آماده خروج اند؛ در دیگری، موانع اسنادی یا حملی احتمال ماندگاری را افزایش داده اند.

مدل پیش بینانه می تواند احتمال خروج یا ماندگاری گروه های مختلف کانتینر را برآورد کند و این اطلاعات را در تصمیم های مربوط به چیدمان، تجهیزات و فضای محوطه به کار گیرد.

در مدیریت کانتینر خالی نیز پیش بینی تقاضا می تواند از کمبود کانتینر مناسب در محل نیاز، انتقال اضطراری و از دست رفتن فرصت بارگیری جلوگیری کند.

نشانه های مسئله پیش از آشکارشدن کامل آن در داده ها وجود دارند؛ اما تا زمانی که داده به پیش بینی و پیش بینی به اقدام متصل نشود، مدیریت پس از وقوع مسئله وارد عمل خواهد شد.

نبود نتایج عمومی و قابل سنجش می تواند دلایل متعددی داشته باشد. این عوامل به عنوان فرضیه های تحلیلی مطرح می شوند و اثبات دقیق آن ها نیازمند دسترسی به اطلاعات و مصاحبه با مدیران، کارشناسان و پیمانکاران مرتبط است.

۶ـ۱. دیجیتالی شدن با هوشمندی اشتباه گرفته می شود

تبدیل فرم کاغذی به فرم الکترونیکی، ایجاد داشبورد، صدور مجوز دیجیتال و تجمیع گزارش ها مراحل مهمی هستند؛ اما هنوز به معنای پیش بینی یا تصمیم یاری نیستند. سامانه ای که وضعیت فعلی را با دقت بیشتری نمایش می دهد، شفافیت ایجاد کرده است؛ اما لزوماً مدیریت را پیش بینانه نکرده است.

۶ـ۲. داده ها وجود دارند، اما یک تصویر مشترک ایجاد نمی کنند

داده های کشتی، محوطه، گمرک، کامیون، راه آهن و تجهیزات ممکن است در سامانه های جداگانه نگهداری شوند. حتی در صورت وجود ارتباط فنی، تعاریف، شناسه ها و زمان ثبت اطلاعات ممکن است کاملاً همسان نباشند. اگر مدل تنها بخشی از زنجیره را ببیند، پیش بینی آن نیز بخشی و محدود خواهد بود.

۶ـ۳. پروژه از نام فناوری آغاز می شود، نه از مسئله مدیریتی

عباراتی مانند «سامانه هوش مصنوعی»، «دوقلوی دیجیتال» و «داشبورد هوشمند» جذاب اند؛ اما نقطه شروع حرفه ای باید یک تصمیم مشخص باشد: چه تصمیمی امروز دیر اتخاذ می شود؟ تأخیر در آن چه هزینه ای دارد؟ کدام داده ها پیش از وقوع مسئله در دسترس اند؟ خروجی مدل به چه کسی تحویل داده می شود؟ آن شخص چه اقدامی می تواند انجام دهد؟ و موفقیت پروژه با چه شاخصی سنجیده می شود؟

۶ـ۴. مدل پژوهشی وارد جریان کار نمی شود

فاصله زیادی میان مدلی که روی داده تاریخی آزمایش می شود و ابزاری که هر روز در عملیات مورد استفاده قرار می گیرد، وجود دارد. مدل عملیاتی باید به داده های جاری متصل باشد، خطاها و فقدان اطلاعات را مدیریت کند، خروجی قابل فهم تولید کند، در زمان مناسب هشدار دهد، نتیجه تصمیم را ثبت کند و بر اساس داده های جدید به روزرسانی شود.

۶ـ۵. اقدام پس از هشدار تعریف نشده است

هشدار به تنهایی ارزش ایجاد نمی کند. اگر مدل احتمال افزایش ترافیک را اعلام کند، اما مسئول اقدام، سطح اختیار و فرایند واکنش مشخص نباشد، خروجی مدل فقط گزارشی زودهنگام از مسئله خواهد بود. AI باید به یک پروتکل اجرایی متصل شود: چه سطحی از هشدار، چه اقدامی را، توسط چه واحدی و در چه زمانی فعال می کند؟

۶ـ۶. دانش بهره برداران در طراحی مدل نادیده گرفته می شود

مدلی که بدون مشارکت مدیران و کارشناسان عملیاتی طراحی شود، ممکن است از نظر آماری دقیق باشد اما محدودیت های واقعی بندر را نشناسد. تجربه افراد باید در انتخاب متغیرها، تعریف شرایط استثنایی، تعیین آستانه هشدار و تفسیر نتایج حضور داشته باشد.

۶ـ۷. مالکیت، دسترسی و مسئولیت داده روشن نیست

در محیطی با چندین دستگاه دولتی و شرکت خصوصی، پرسش های مهمی درباره مالکیت داده، مجوز استفاده تحلیلی، سطح اشتراک اطلاعات، مسئولیت اصلاح خطا، محرمانگی تجاری و پاسخ گویی تصمیم های مبتنی بر مدل مطرح می شود. حل نشدن این مسائل می تواند پروژه را حتی در صورت آمادگی فنی متوقف کند.

۶ـ۸. امنیت سایبری و استمرار عملیات جدی گرفته نمی شود

هرچه بندر دیجیتالی تر و متصل تر شود، وابستگی عملیات به سامانه ها و داده ها افزایش می یابد. بانک جهانی تأکید می کند که بنادر اکوسیستم هایی متصل اند و مدیریت مستمر ریسک های فناوری اطلاعات و فناوری عملیاتی، ارزیابی آسیب پذیری و برنامه تداوم کسب وکار ضرورت دارد [۱۰]. بنابراین، استفاده از هوش مصنوعی باید همراه با کنترل دسترسی، ثبت رخداد، حفاظت از اطلاعات و امکان ادامه عملیات در صورت اختلال سامانه باشد.

۶ـ۹. موفقیت با خروجی فنی سنجیده می شود، نه نتیجه عملیاتی

تعداد داشبوردها، حجم داده، ظرفیت پردازشی یا درصد پیشرفت نرم افزار، معیار نهایی موفقیت نیست. معیار واقعی باید در کاهش زمان انتظار کامیون، کاهش تأخیر کشتی، کاهش جابه جایی اضافی کانتینر، افزایش دقت برنامه ریزی تجهیزات، کاهش توقف ناشی از خرابی، کاهش تصمیم های اضطراری و صرفه جویی در زمان و هزینه دیده شود.

پاسخ این مقاله ایجاد یک سازمان جدید یا آغاز طرحی گسترده و چندساله نیست.

حرکت به سمت مدیریت پیش بینانه می تواند از یک مسئله واقعی، محدود و قابل سنجش آغاز شود.

یک مسئله، یک تصمیم، یک مالک، یک جریان داده و یک شاخص نتیجه.

مرحله	پرسش کلیدی	خروجی
تعریف مسئله	کدام تصمیم دیر یا با عدم قطعیت زیاد گرفته می شود؟	صورت مسئله محدود
تعیین خط پایه	وضعیت فعلی چه هزینه، زمان یا اختلالی ایجاد می کند؟	شاخص قبل از اجرا
ارزیابی داده	چه داده ای وجود دارد و کیفیت آن چقدر است؟	مجموعه داده قابل استفاده
اجرای آزمایشی	آیا مدل می تواند مسئله را زودتر تشخیص دهد؟	دقت و میزان پیش آگاهی
اتصال به عملیات	چه کسی با دریافت هشدار چه اقدامی می کند؟	پروتکل اجرایی
سنجش نتیجه	آیا استفاده از مدل، شاخص عملیاتی را بهبود داد؟	مقایسه قبل و بعد
تصمیم توسعه	آیا ارزش ایجادشده توسعه پروژه را توجیه می کند؟	توسعه، اصلاح یا توقف

برای نمونه، پروژه ای با عنوان کلی «هوشمندسازی ترافیک بندر» بسیار گسترده است. اما این هدف محدود، قابل اجرا و ارزیابی است: پیش بینی احتمال افزایش غیرعادی مراجعه کامیون ها در یک دروازه مشخص، چند ساعت پیش از شکل گیری صف.

مدل در مرحله نخست می تواند در کنار روش موجود فعالیت کند. پیش بینی های آن ثبت و با رخداد واقعی مقایسه شوند. پس از دستیابی به دقت مناسب، خروجی در اختیار مدیر عملیات قرار گیرد و تأثیر استفاده از هشدار بر زمان انتظار و تعداد شرایط بحرانی ارزیابی شود.

اگر نتیجه مثبت بود، پروژه توسعه یابد. اگر نتیجه کافی نبود، مدل اصلاح یا متوقف شود.

این رویکرد هزینه و ریسک شکست را محدود می کند و اعتماد مدیران و بهره برداران را بر اساس نتیجه واقعی، نه تبلیغات فناوری، شکل می دهد.

مدل های هوش مصنوعی ممکن است خطا کنند. ممکن است شرایط استثنایی را تشخیص ندهند، تحت تأثیر داده نادرست قرار گیرند یا با تغییر الگوی عملیات، دقت سابق خود را از دست بدهند.

بندر نیز زیرساختی حیاتی است. تصمیم های مرتبط با ایمنی، کشتی، کالا، تجهیزات و تردد را نمی توان بدون نظارت و پاسخ گویی به الگوریتم واگذار کرد.

اما این محدودیت ها دلیلی برای کنارگذاشتن هوش مصنوعی نیستند؛ دلیلی برای استفاده مسئولانه، مرحله ای و تحت نظارت از آن هستند.

انتخاب واقعی میان «مدیر» و «ماشین» نیست. انتخاب میان مدیریتی است که عمدتاً پس از مشاهده آثار مسئله واکنش نشان می دهد و مدیریتی که از داده و مدل برای دیدن زودتر احتمال مسئله استفاده می کند.

هوش مصنوعی نباید مسئولیت مدیر را حذف کند. باید میدان دید، سرعت تحلیل و کیفیت گزینه های در اختیار او را افزایش دهد. در یک الگوی مناسب، AI پیش بینی و سناریوها را ارائه می کند؛ مدیر با توجه به تجربه، شرایط روز، محدودیت های اجرایی و مسئولیت سازمانی، تصمیم نهایی را می گیرد.

بندر شهید رجایی در مرکز بخش بزرگی از تجارت و زنجیره تأمین کشور قرار دارد. پیچیدگی عملیات، تنوع ذی نفعان و تعداد بالای رویدادهای روزانه، اداره آن را تنها با اتکا به تجربه فردی، گزارش های دوره ای و واکنش های سریع دشوارتر می کند.

در چنین محیطی، داده یک محصول جانبی عملیات نیست؛ بخشی از زیرساخت مدیریت است.

اما تولید داده به تنهایی بندر را هوشمند نمی کند. ثبت الکترونیکی رویدادها، ایجاد سامانه و تهیه گزارش، هرچند ضروری اند، تا زمانی که به پیش بینی، هشدار و تصمیم بهتر منجر نشوند، تنها بخشی از مسیر تحول را طی کرده اند.

هوش مصنوعی نیز راه حل جادویی نیست. این فناوری نمی تواند جایگزین فرایند صحیح، داده معتبر، دانش عملیاتی، مسئولیت مدیریتی و همکاری میان سازمان ها شود. بااین حال، می تواند توان انسان را برای تشخیص الگو، بررسی هم زمان متغیرها، پیش بینی وضعیت آینده و مقایسه گزینه های تصمیم به طور جدی افزایش دهد.

کاربرد هوش مصنوعی در پیش بینی ورود کشتی، برنامه ریزی اسکله، مدیریت دروازه، کنترل تراکم محوطه، توزیع کانتینر خالی و نگهداری تجهیزات، دیگر صرفاً یک امکان نظری نیست. تجربه بنادر پیشرو و پژوهش های علمی نشان داده اند که این ابزارها در صورت دسترسی به داده مناسب و اتصال به جریان تصمیم گیری، می توانند ارزش عملیاتی ایجاد کنند.

کدام تصمیم های مهم بندر شهید رجایی هنوز بدون استفاده از ظرفیت پیش بینی داده ها اتخاذ می شوند و ادامه این شیوه تصمیم گیری چه هزینه ای برای بندر، فعالان اقتصادی و زنجیره تأمین کشور دارد؟

اگر می توان احتمال تشکیل صف را زودتر تشخیص داد، انتظار برای شکل گیری آن منطقی نیست.

اگر می توان زمان ورود کشتی را دقیق تر برآورد کرد، برنامه ریزی صرفاً بر اساس زمان های اعلامی کافی نیست.

اگر می توان تراکم آینده محوطه یا تقاضای کانتینر خالی را پیش بینی کرد، واکنش پس از شکل گیری کمبود یا ازدحام را نمی توان بهترین روش مدیریت دانست.

مطالبه این مقاله خرید گسترده تجهیزات، اجرای پروژه نمایشی یا ایجاد ساختار اداری جدید نیست. مطالبه آن ساده تر و بنیادی تر است:

در کنار هر گزارشی که می گوید در بندر چه اتفاقی افتاده است، باید به تدریج پاسخی نیز برای این پرسش ایجاد شود که در آینده نزدیک چه اتفاقی محتمل است و اکنون چه اقدامی باید انجام دهیم.

حرکت با دانش روز به معنای دنبال کردن هر فناوری تازه یا تقلید بی چون وچرا از بنادر دیگر نیست. معنای آن، استفاده سنجیده و مسئولانه از ابزاری است که در کاربردهای مشخص توانایی خود را نشان داده و می تواند مسئله ای واقعی را با دقت بیشتر، زمان کمتر یا هزینه پایین تر حل کند.

بندر هوشمند از خرید تجهیزات هوشمند آغاز نمی شود؛ اما در ثبت داده نیز متوقف نمی ماند.

هوشمندی واقعی از جایی آغاز می شود که داده های عملیات تصویری از آینده بسازند، تجربه متخصصان به دانش سازمانی تبدیل شود، مدیر پیش از وقوع مسئله هشدار دریافت کند، گزینه های اقدام را ببیند و نتیجه تصمیم دوباره به داده و دانش قابل استفاده برای تصمیم های بعدی تبدیل شود.

در بندر شهید رجایی، داده تولید می شود، تجربه عملیاتی وجود دارد و مسائل قابل پیش بینی کم نیستند. آنچه اکنون باید جدی تر مطالبه شود، تبدیل این ظرفیت ها به تصمیم هایی است که آثارشان نه در عناوین پروژه ها، بلکه در کاهش انتظار، افزایش بهره وری، کاهش هزینه و روان ترشدن عملیات مشاهده شود.

هوش مصنوعی آینده دور صنعت بندری نیست؛ ابزار امروز برای مدیریت آینده نزدیک است.

• بررسی کیفیت، کامل بودن و قابلیت اتصال داده های عملیاتی موجود؛
• اندازه گیری زمان انتظار کامیون ها در ساعات و روزهای مختلف؛
• تحلیل عوامل مؤثر بر زمان ماندگاری کالا و کانتینر؛
• ارزیابی دقت زمان های اعلامی و واقعی ورود کشتی؛
• بررسی دلایل توقف و خرابی تجهیزات و امکان نگهداری پیش بینانه؛
• مصاحبه با مدیران و کارشناسان درباره موانع اعتماد و استفاده از خروجی مدل ها؛
• اجرای یک پایلوت محدود و مقایسه شاخص های عملیاتی پیش و پس از اجرا.

• این مطالعات می توانند مشخص کنند کدام کاربرد هوش مصنوعی بیشترین ارزش عملیاتی و اقتصادی را برای بندر شهید رجایی ایجاد خواهد کرد.

۱. Filom, S., Amiri, A. M., & Razavi, S. (2022). Applications of machine learning methods in port operations: A systematic literature review. Transportation Research Part E: Logistics and Transportation Review, 161, 102722. https://doi.org/10.1016/j.tre.2022.102722

۲. پایگاه خبری وزارت راه و شهرسازی. (۱۴۰۳). «سامانه یکپارچه عملیات بندری رونمایی شد».

۳. World Bank. (2023). Port Community Systems: Driving Trade in the 21st Century.

۴. World Bank & International Association of Ports and Harbors. (2021). Accelerating Digitalization Across the Maritime Supply Chain.

۵. Port of Rotterdam Authority. PortXchange Synchronizer; Artificial Intelligence in the Port.

۶. Maritime and Port Authority of Singapore. Maritime Digital Twin.

۷. Maritime and Port Authority of Singapore. digitalPORT@SG.

۸. Tang, G., et al. (2025). Truck Appointment Scheduling: A Review of Models and Algorithms. Mathematics, 13(3), 503. https://doi.org/10.3390/math13030503

۹. Port of Rotterdam Authority. PortXchange Shiptracker: Big data and machine-learning algorithms for more accurate ETA.

۱۰. World Bank. Cybersecurity in Ports: Shifting from Risk to Resilience.

مشاور امور بندری و لجستیک