「HDの運航」- ホワイトペーパーをダウンロード

一つ自問してみましょう:本当に自分の船を最適化できる程その性能を正確に理解しているのだろうか

海運業界は、依然として「不鮮明な低解像」の世界です。 我々の調査によると:

  • 殆どの海運会社は、保有する船舶の挙動を「割と良く」程度しか理解していません。
  • 殆どの海運会社は、燃料消費量を「ある程度正確に」という程度しか予測していません。
  • 殆どの海運会社は、現実は常に変化しているのに、定期的な運航計画の見直しをしていないか、またはできていません。

運航計画の核心部には、船舶についての不鮮明な低解像度の理解に起因する体系的で、容認されたままの不正確さが依然として存在します これは、純粋に技術的課題です。

ならば、高解像度革命が必要です。 革命成就の直接的な成果は、一社あたり何千トンもの燃料節約となるでしょう。

HD革命は千載一遇の好機です。

我々には高解像度革命が必要です。 革命成就の直接的な成果は、一社あたり何千トンもの燃料節約となるでしょう。

そのための第一歩は、以下に必要事項を記入して、当社のホワイトペーパー「HDの運航」を読むことです

海運におけるAI:課題と機会

DeepSeaのAI研究ディレクター、Antonis NikitakisとのQ&A

Q:現時点で最もエキサイティングなAI研究は何ですか?

AIシステムにおいてその信頼を構築するには、説明可能性が重要です。 そこで、当社の最もエキサイティングなAI研究には、予測モデルの説明可能性を改善する方法の研究も含まれ、これが上手く行けば、利害関係者の間でこれまで以上に大きな信頼を構築することが可能になります。 AIは、「ブラックボックス」と見做されがちですが、特に複雑なアルゴリズムやディープラーニングモデルに基づいて動作している場合、その入力と内部の動作は不透明で、部外者には理解しがたいものだからでしょう。 AIは、偏ったデータセットを基に学習している場合や倫理的な懸念事項に十分な配慮を払わずに設計されている場合、偏見や差別に対して脆弱性を呈する場合があります。 このような脆弱性は、システムの精度や信頼性に関する懸念を招き、使用する際の信頼感や自信が損なわれる可能性があります。

信頼を取り戻すことができる最も有望な方法の一つは、システムが下した決定の背後にあるロジックを人間が理解できるようにするモデルや方法を実用化することです。 DeepSeaでは、物理学と海軍工学の概念と原理を統合したモデルの研究を行っています。 これにより、モデルがどのように動作するのか、そして判断には常に自然原理が優先されることを説明できるようになります。 加えて、我々は、外挿領域(与えられた学習データの分布範囲外)におけるAIモデルの性能評価のために新たな方法や基準を取り入れることで説明可能性を強化しようとしています。 利用可能なデータの量と質に関係なく、性能評価のための信頼できるアプローチを手に入れることは、説明可能性の向上に向けての大きな一歩となります。

Q:AIは、海運業界の市場勢力図をどのように変えていますか? AIは、早期導入者にどのようなメリットを提供できますか?

AIは、船舶固有のウェザールーティングを用いて、運航の最適化と効率の向上から意思決定能力の改善に至るまで、様々な方法で海運業界を変革しています。 従って、AIが早期導入者に提供するメリットは大変大きいと言えます。 当社は、ワレニウス・ウィルヘルムセンとの協業でAIがもたらす主だった効果を既に目にしてきました その車両輸送船の運用会社は、DeepSeaのパフォーマンスルーティング技術を活用して、完全AIベースの運用最適化アプローチを初めて採用した世界有数の海運会社となりました。 ワレニウス・ウィルヘルムセンは、早期導入者として、燃料の節約や環境への影響低減といった定量化できる恩恵を既に享受するようになりました。

また、AIは、早期導入者に対して、不要な費用の発生を招く人為的ミスのリスクを軽減し、保守および運用の効率を改善する優れた意思決定能力も提供可能です。 例えば、DeepSeaのCassandraを使用すると、船舶の現在の船体汚染の状態と今後の汚染の傾向を非常に正確に推定できるため、運用チームが最適な洗浄計画を立案する手助けとなります。

Q:海運業界では、どのような種類のデータがAIによって収集、分析されるのですか?

今日では、非常に大量のデータが収集されています。 収集されるデータは、船舶に搭載したセンサーからの様々なセンサーデータであり、船体やメインエンジン、電子海図表示装置(ECDIS)、および発電機関など船舶の全ての主要な機械類やサブシステムに関するデータです。 このデータの情報は、船舶の航路を最適化し、メンテナンスが必要となる時期を予測し、さらに各船舶が最大効率で運航されていることを確認するために重要です。 次に、気象データがあります。このデータは、船と乗組員の安全を確保する上で極めて重要です。 気象データには、センサーから送信されるライブの気象データと、第三者のプロバイダーから収集される気象予報データおよび気象履歴データがあります。 さらに、他にも、手動で報告される運用データ(例えば、ヌーンレポート)、および他の船舶がこちらの位置を認識できるように船舶の位置情報を送信する役割を担う船舶自動識別装置(AIS)からのライブと履歴データなどがあります。 当社は、これら全ての種類のデータを分析し、実際の運用に有効な洞察に変えることで、海運会社が、保有するフリートのパフォーマンスを最適化し、運航効率を改善し、燃料費を節約し、そしてカーボンフットプリントを削減することに貢献します

Q:AIを実装する際の課題にはどのようなものがありますか?

今日のAIの実装における課題の多くには、データに関連する課題やモデルの評価とその堅牢性に関連する課題が含まれますが、先刻述べた利害関係者の信頼性の問題もあります。 主要課題の一つは、分布シフトの問題です。 端的に言えば、分布シフトによって、同じAIモデルであっても、トレーニング環境で実装されたAIモデルと実際の船舶の現場で実装されたAIモデルの間では、AIモデルの中にミスマッチが発生し得るということです。 この「シフトされた」データは、機械学習モデルにとって厄介なものになる可能性があります。 例えば、海運には、船体汚染という顕著な「潜在的現象」があります。 船体汚染の状態は、動的現象であり、一般的なモデルでは、データを追従させることができません。 センサーの校正不良によるデータの変動も分布シフトにつながる可能性があります。 船舶のデータセット全体にわたって、その一貫した適合性を確実にするためには、特別な検討と方法を考慮する必要があります。 DeepSeaは、そのような問題が起こりそうになると検知機能が働く高度なデータ駆動型の教師なし異常検知方法を開発しました。

Q:海運業界でのAi利用に関連して、倫理的検討事項や潜在リスクはありますか? どのように対処すればよいのですか?

AIをベースとする全ての意思決定支援システムの場合、AIが推奨するアクションに基礎となるモデルによる偏見が加えられていないか、常に懸念はあります。 ディープラーニングの時代には、そのような偏見がデータのどの部分から生じたのか、或いはどのように偏見を修正するかが明らかになることはありませんが、偏見をデータから直接導き出すことは可能です。 DeepSeaでは、モデルの解釈可能性を改善し、モデルの全体的な不偏性を測定して保証するために、多面的な取り組みによってこのような問題を軽減しようとしています。 モデルの堅牢性を高める方法に興味がありましたら、当社の「海運における現実世界でのAIの有効性の判定法」に関する論文をご覧ください。

パフォーマンスルーティングとは? ホワイトペーパーを読む

ウェザールーティングが進化。

ウェザールーティングの方程式に船舶の性能を追加すると、驚くべき効果が生まれます。即ち、殆ど先行投資を行うことなく、既存のシステムの中断時間もごく僅かで、従来のウェザールーティングを、船舶の効率を平均8%も向上させることが可能な強力な脱炭素化ツールに変えるのです。

ホワイトペーパー、「AI:脱炭素化の秘密兵器を利用する」をダウンロードして、運航最適化効果の高いこのアプローチの背景にある原理と、何故今がその採用時期なのかをご理解ください。

以下に必要事項をご記入ください。直ぐにホワイトペーパーをお送りします。

あなたの船は感じることが出来るようになる? CEOとのQ&A

DeepSea Technologiesの創設者でCEOのKonstantinos KyriakopoulosとのQ&A

最近、「知覚できる」人工知能のニュースを多く目にします。 DeepSeaのAIも、近い将来知覚できるようになるのでしょうか?

センティエンスとは、感情や感覚を経験できる能力です。 機械学習のアルゴリズムは、入力と出力のペアのデータを繰り返し学習することで、入力から出力を自ら再構築する方法を学びます。 今日のAIの多くは、人間によって与えられた入力と出力についてトレーニングされます。例えば言語モデルの場合、大量のテキストデータが与えられ、それらを使って会話を再現する方法を学習します。 会話の一部を隠すことも可能で、学習したAIは、最終的にその隠された部分を正しく埋めるようになります。 AIに話しかけるか、或いは質問しようとすると、AIは、人間が次に言うまたは答える、統計的に最も尤度の高いフレーズを判断します。

感情認識、感情的な言語や画像について学習したAIに関して話を始めると、そこからは、かなり哲学的な話になります。

人間が何かを「感じる」のと類似の方法で、機械が内部表現の処理を開始した時、どの時点をもって、アルゴリズム自体が問題の感覚を本当に経験していると言えるでしょうか

以上が、知覚できるAIについての問答です。 この問答は主に哲学的な会話になりましたが、これらの神経回路網が内部からどのように機能するかを議論する素晴らしい機会でもありました。

DeepSeaのAIは、人間を対象に学習しているわけではありません。 そのAIは、船について、船のエンジンについて、そして船が動く時の周囲の環境についてトレーニングされ、洋上で学習するのです。 DeepSeaのAIは、人間の特性ではなく、こういった船舶の運航に関する要素の特性を取得します。 従って、センティエンス(知覚)は、当社の場合無関係なのです。

AIの最もクールな所は何ですか?

AIとディープラーニングのアプリケーションで最も優れた点は、その完璧なまでの柔軟性です。

これらのシステムは、学習させれば、基本的にあなたがやって欲しいことを何でもやってくれます。

ですから、何かの問題の対処から仕事を始める場合、いつでも思い付きでAIに正しいデータと構成を与えてその解決法を学習させても構いません。 このようにして、あらゆる種類の様々な分野で膨大な数の問題解決の機会が広がります。

DeepSeaがこれまで取り組んできた中で最も躍起とならせる問題の一つが、船体汚染を実際に測定することなく、その汚染レベルを把握する方法でした。 船舶に非常に現実的な出来事が起きました。フジツボが船体にくっ付き始めたのです。 これは、船舶の性能に影響を与えますが、さりとて直接測定することはできません。 インテリジェントなAIを使えば、この問題も迅速かつ正確に理解できるのです。

それでは、DeepSeaのAIは、私の船について何を学習するの?

AIの優れた点の一つは、同じ手法や技術を全く異なる分野に対しても適用できることです DeepSeaで非常に上手く転用できた、そのような手法の一つが転移学習です。これは、DeepSeaの場合、基本的にある船舶を別の学習済みの船舶から学ばせることを意味します。

DeepSeaでは、転移学習が適用できるようになり、その結果、データ不足や低品質のデータ、例えば、高周波センサーではなく日報から集めたデータしかない船舶にでも当社の最適化ソリューションを導入することができるようになりました。 どの船舶にも、AIS(船舶自動識別装置)や船舶明細書、日報データなど幾つかの利用可能なデータはありますが、AIをゼロから学習させるには不十分です しかし、我々は、全ての船舶に共通するけれど、船舶に依存しない挙動や動力学および物理学に関わる主要な特性を学習するモデルがあれば、同じ転移学習の手法を使って、そのモデルを取り出し、新しい船舶に移すことが出来ることを発見しました。

DeepSeaのAIは、他社のAIとどのように違うのでしょうか?

海運業界にとってAIは比較的新しい技術であったため、不可避な基礎作業が沢山ありました。そこでDeepSeaは、この作業にあたるAIチームを業界に先駆けて編成しました。

当社の研究は、その活動をいくつかの重要分野に絞っています。 恐らく、実際にお客様にもたらされる成果の中で最も重要なものは、因果関係、即ちどの要素が何に影響したかの理解です これが意味するのは、DeepSeaでは、運航期間にわたって変化する任意の条件(例えば、気象、速度、喫水など)の下で船舶がどの位の燃料を消費するかを予測できるということです。 この要素特定予測は、エネルギー要件、即ち燃料消費を最小化するために、船舶はどの速度でどの航路を取るべきかを把握する上で不可欠です。

この予測は、どんな種類にせよ、特に船舶について、モデリングを試みる殆どの人が失敗する技術分野です。 船舶をモデル化しようとする場合、退治しなければならないありとあらゆる疑似相関が発生します。 あまり高性能とは言えない機械学習モデルは、効果のどの部分がどの要素に因るものかを、必ずしも正しく判断できないでしょう。

私の知る限り、この難題を効果的に解決した唯一の組織が当社なのです。 これは、実際当社のお客様にとって何を意味するのでしょうか? 通常、これらの精緻なモデルは、当社のパフォーマンスルーティングプラットフォームを駆動して、直接、平均8%の燃料節約につなげます。

時として、ルーティング機能無しで航行する場合より燃料消費量が増える場合がある標準的なウェザールーティングのアプローチと真の運航最適化のアプローチの違いは、実はこれらのモデルの違いなのです

DeepSeaを起業したきっかけは?

私のバックグラウンドはディープラーニングの研究です。 ケンブリッジ大学では、特に言語と音声の研究を行いました。 DeepSeaの構想は、会社のもう一人の創設者であるRoberto Coustasと交わした会話の中から生まれました。 私は、「標準的」と言う使い古された方法とは違うAlのアプリケーションを探していました。 Robertoのバックグラウンドは海運関連で、彼自身もAiの研究をしていたので、業界では解決不能と思われていた難題、即ち船舶の完全な挙動予想もAIを使えば可能ではないかと気付いていました。

海運会社には、様々な状況(特に異常気象)の下で燃料消費量がどのように変化するのか正確に予測する能力がなかったため、船体汚染の検出や本当の運航最適化などの作業に悪戦苦闘していました。 その結果、彼等が下す全ての決定には、決定により予想される影響は何かという非常に重要な情報が欠落していたのです。 これを正確に予測できれば、海運会社は、遥かに優れた運航調整が可能となり、燃料費を最小化し、必然的に二酸化炭素排出量と環境への影響も最小レベルに低減できます。 逆に、この予測能力がなければ、膨大な無駄が生じます。 私達は、この予測にディープラーニングを適用すれば、この大問題を実際に解決できるはずだと直感したのです。

AIは全ての問いに答えてくれますか?

残念ながらそうではありません。 AIは、特定の種類の問題、特に予測可能性が低い問題を解決する特殊な技術です。

AIは、人間が関わり合いながら動作させる必要があります。 一方、人間にしか出来ない事もあります。例えば、船舶の場合、船長の任務や、日々の安全管理の決定、エンジンの点検などです。 AIにも知らない事は沢山あります。例えば、海上交通の問題や港湾の複雑な制約、地政学的要素などです。

我々の、そして今日の海運会社の役割は、ある決まったやり方で働くことに慣れ切った人々をAIベ ースの職場に連れて行き、異 なるやり方、即ち彼ら自身のスキル、目標、および洞察の中でAIの力を活用できるやり方で働けるようにサポートすることです。

なるやり方、即ち彼ら自身のスキル、目標、および洞察の中でAIの力を活用できるやり方で働けるようにサポートすることです。

確かに昔の「ブラックボックス」ですね。 はい、それは本当です。これは、AIの大きな課題の一つです(実際、ユーザーだけでなく、研究者や現場の作業者にとっても同様に苛立たしい問題です!)。

問題は、人間にこの技術をインタラクティブに活用してもらいたい場合、AIには、何故そのような提案をしているのかAIの意図について可能な限りの透明性を持たせる必要があることです。 我々の取り組みが目指すものは、この「ブラックボックス」を中で何が起こっているか分かるように「半透明ボックス」に変えることです。

そのツールを使えば、例えばある特定の変更を加えた時、結果としてどれだけの節約になるのか、 何故ある特定の航路が他の航路より最適なのか、と言った問いに対して正確に説明できます。 AIの世界全体でこの「説明可能性」の分野は、実際には研究半ばであり、多くの学術研究の対象となっています。

しかし、完全に理解していない物であっても、正しく動作する保証があり、利用に際しての十分なサポートが得られる限り、その物を信用しても構わないと思います。 現在、我々は、多くの一流大学と共にShiftsプロジェクトと呼ばれる重要なイニシアティブに参加しており、AIの実世界への応用に立ちはだかる幾つかの大きな課題を解決する新しい方法を見出す活動を世界に先駆けて進めています。 当社の増え続ける顧客のリストに加えて、ケンブリッジ大学やジョンホプキンス大学などの大学の学術的支援が得られれば、名だたるAI懐疑派の人たちを我々との議論の席に着けさせるのに十分だと思います。


世界最先端の海運会社は、急激なペースでAIの導入を始めています AIを使って何故、そして何を実現できるのか理解するには、当社のホワイトペーパー、「AI:脱炭素化の秘密兵器を利用する」を今すぐダウンロートしてください。

ワレニウス・ウィルヘルムセンと共にゴールポストを動かす-オンラインセミナーを見る

運航最適化における画期的な成功事例

ワレニウス・ウィルヘルムセンは、所有する120隻余りのフリートの全船舶にDeepSeaのAIを活用したパフォーマンスルーティングを導入しています

この導入は、厳格なトライアルプロセスを経て決定されました。 導入の成果は驚くべきもので、船舶効率は6.9% 改善し、フリート全体の二酸化炭素排出量は、170,000トン以上の削減が期待できることが分かったのです。

ワレニウス・ウィルヘルムセンのSergey UshakovとDeepSeaのオンラインセミナーに参加し、以下の事実を理解しましょう:

  • 何故ワレニウス・ウィルヘルムセンはこの技術を探求しようと決めたのか
  • 上手く利用するためのデータ要件
  • プロセスの全成果
  • 彼らと同様の効率改善を御社のフリートで実現する方法

ビデオ全体の視聴はこちらから:

海運業におけるAIの実際の有効性をどう判断するか

人工知能。 AIはたくさんのことができます:クジラの歌を理解する、要望に応じて映画の脚本を書く、航海中の燃料消費量を削減するなど。 しかし、「AI」はすぐに21世紀最大のバズワードになり、顧客、投資家、政府の支持を求めています。

このすばらしいアプローチを普及させようと真剣にがんばっている研究者が、自分たちが作っているものの本当の価値を証明する厳密な方法を求め続けることが重要です 実際、海運やまたは他の産業でこの種のサービスを使いたいと思っているエンドユーザーはみなそれを強く求めているはずです。

明快なAI

DeepSeaのAIへのアプローチは単純明快です - あなたもそうすべきです。

弊社では、AIで作成した船舶モデルの正確さ、-つまり有用性 - を実際の条件下で検証する方法を開発しました。 これは重要なことです - バーチャルモデルが正確であればあるほど、船舶は効率が上がり、また逆も同様です。

この新しいアプローチは総勢13人のリサーチサイエンティストからなるチームの中の7名が開発し、2022年5月に発表されました。

現在精度を推定できる数少ないモデルはすべて、モデルのトレーニングに使うデータとして同一の分布(すなわち、同様の条件を代表し、同様のバイアスを含んでいるもの)から得たデータを使った試験に基づいて計算するものです。 たとえば、よく経験している風速や喫水といった狭い範囲の船舶の挙動履歴からのデータでモデルをトレーニングする場合、その同じデータで試験も行ないます。 したがって、その試験では、モデルがトレーニングデータのバイアスを再現しているのか、別の、かつて経験したことのない条件下でも同様に機能するのかわかりません。 海象データに精通している人であれば、実際の航海データは大きなばらつきがあるということを知っているはずです。ゆえに、出版物やマーケティング資料に載っているモデル精度の数値は、実際に使用する場合のモデルの有用性とは結びつきません。

DeepSeaは、未知(「領域外」)の条件に対するモデルの理解を高めるという技術的な課題を解決する方法を長く研究してきました。 しかし、この最近の発表まで、船舶モデルのこの種の能力を評価するためのベンチマークはありませんでした。 この発表で伝えたいことは、この厳密な試験は弊社のAIの重要な一部であるということです。 さらに、業界全体の透明性を高めることを願って、世界中の研究者に利用してもらうためにこのアプローチの詳細を公表しています。

この研究は、AIを活用したアプローチについて、限界を克服しながら、その真の力を顧客を始め広く理解してもらう上での重要な一歩です。 現実の世界で毎日燃料消費量やCIIレーティングに与える影響とともに、この種の情報はこのすばらしい技術を業界に普及させる上で重要なカギになると思っています。

この論文の全文を読む

この研究論文の全文をご希望の場合は、以下に詳細を記入してください。直接メールでお送りします。