人工智能在集装箱航运业界的应用至关重要 阿法牛AlphaBull 蔡欣怡 黄逸君 大家好,我是阿法牛。 人工智能与数字化的创新肯定会被广泛应用于航运业界,但不会像人们希望的那样快。 人工智能在航运和大宗商品市场决策中的应用 挪威经济学院航运经济学教授罗阿尔·奥德兰在2017年8月领英上的一篇博客文章中,强调了货运业的四个特点:首先,由于运价的波动性,航运本身就采用了动态定价,并且这种情况已经持续了几个世纪。其次,航运业已经以高效率的方式匹配供需。第三,航运业充分利用其资产,即当出现空白航班时,不是因为供需不匹配,而是因为没有需求。最后,船东已经把监管和税收套利提升为一门艺术,他们从上世纪70年代就开始这样做了。 博连·奥黑在“美国托运人”(American Shipper)8月27日的文章《人工智能在航运和大宗商品市场决策中的应用述评》一文中说:“奥德兰的观察结果有助于确认我在2017年2月出版《行业研究:海运》和2017年6月出版《更新-行业研究:海运》( Updates — Industry Study: Ocean Freight Shipping)前后得出的结论。在航运业的创新方面,有很多东西超出了人们的视线,'航运优步’的商业模式缺乏足够的细微差别,无法像初创企业创始人和大多数风险投资家认为的那样取得成功。” 奥黑在这篇文章中,举了三个例子,来说明机器学习和人工智能是如何应用于乾散货航运问题的。 1.第一个例子是真知灼见公司利用数据科学做出更好的决策 保罗·多奇是真知灼见(True Bearing Insights)公司的首席执行官,这是一家总部位于波士顿的初创企业,它利用数据科学和预测分析的力量来帮助大宗商品和大宗商品航运市场作出商业决策。 “真知灼见”(True Bearing Insights)是一个决策支持平台,它使用计算机和软件来完成机器最擅长的工作,即在寻找模式的同时处理大量数据,同时使人们能够在决策循环中做人类最擅长的事情——管理异常和其他不熟悉的情况。真知灼见并不认为机器学习会取代人类的判断,而是认为机器学习会让人类在做重要判断的时候更高效。 多奇说:“作为企业的一个决定性特征,我们都希望做出更好的决定。理解问题和背景,迫使我们后退一步,审视整个决策过程,以确定制约因素。我们是否拥有正确的数据或信息来做出更好的决策?我们知道什么是正确的数据吗?我们被数据淹没了吗?在某种程度上,人类系统地管理信息的能力成为制约因素。” 目前,真知灼见正在利用货运远期协议来展示其平台的强大功能,该平台已于今年年初投入运营。因此,该软件可以帮助船东就如何交易铁矿石、煤炭和其他乾散货大宗商品的货运衍生品做出决策,但也可以用来回答诸如“我应该去澳大利亚还是巴西进货?” 据多奇称,这一点比业内人士意识到的更重要,因为该行业运输的商品主要在南半球生产,而对这些商品的需求绝大多数位于北半球。 因此,多奇认为,关注于提出正确的问题是至关重要的,而且必须在不同的时间点提出不同的问题,因为关于未来的许多事情都是未知的。 多奇说:“我们提出的问题是为了给一个受约束的人类决策者提供另一个数据点,以便更好地了解情况,或者为是否进一步深入到下游,提出具体建议,以补充人类的判断。” 多奇说,围绕所问问题的明确性和具体性是成功的必要条件,他认为清晰性和具体性使我们能够在整体业务的背景下确定客观的成功衡量标准,并确定这对损益表、资产负债表和现金流量表的影响。 他说,观察到像这样的技术是由真知灼见开发出来的,这使船东能够提出和回答比过去更为微妙的问题,他说:“理解这个问题揭示了另一层复杂性,那就是使新系统的性能指标与实际创造的价值相一致。所提出的问题通常比最初显而易见的要复杂,而且通常必须分解为一系列步骤和模型或真实世界的表示。” 最后,他总结道,“数字化只是达到目的的一种手段——正是围绕着问题本身的清晰性,催化了真正的变革性解决方案。” 2. 第二个例子是一篇硕士论文关于作为决策支持系统的机器学习 赫尔曼博姆·霍尔特和托尔斯滕·图恩的硕士论文公布的消息称,在2017年至2019年期间,一些机器学习算法的表现超过相关基准指数约10%,即每天1700美元。 这篇论文正在接受同行评审,因此完整的细节尚未公布。然而,这篇论文的影响力对航运业有着非常广泛的作用。 首先,理论上可行的和现实世界中的约束有一个重要的区别。尤其是在获取对机器学习系统至关重要的数据时。特别是,具有领域专业知识的人对于机器学习算法所依赖的假设的制定至关重要。这就是为什么机器学习和优化应该被视为决策支持系统,而不是人类专业知识的替代品。我们的目标应该是“人加机器”,而不是“人或机器”。 其次,航运业的市场周期很重要,这使得开发和维护机器学习和优化系统的任务不像人们预期的那么简单。必须解决的一些问题包括:查明进行调查的适当时间跨度;可用数据的频率以及是否符合要求;是否有足够长的关于所研究现象的历史数据;考虑到航运路线不断变化的事实;以及不断变化的旅行租费。然而,博姆霍尔特和图恩认为,个别航运公司可能保留了更多的被扣留和完整的数据,而这些数据很容易从公共行业数据来源中找到。 在航运中使用机器学习和AI运行业务的人应该考虑一些可操作的建议。 首先,航运公司要加大投资,收集专有和非专有数据,并利用这些数据解决公司面临的问题。 其次,分析团队应该由非常了解机器学习的人和对航运业数据和分析有深入了解的人组成。他们建议这些团队应该慢慢开始,根据过去的数据和事件测试他们的机器学习算法,然后用它们来预测未来的决策。即便如此,他们也强调人类的判断必须是决策过程的一部分。 第三,对以下问题进行评估:机器能理解什么?机器不能理解什么?还有什么需要人们进一步研究? 博姆霍尔特和图恩分享的关于航运中人机决策系统需求的见解,与大卫西多蒂在其2018年博士论文《复杂系统中动态资源管理的新优化算法》和由西多蒂等人撰写并于2015年在华盛顿举行的第18届信息融合国际会议上发表的2015年论文《动态资源管理和信息集成》中的观察一致。 3. 第三个例子是关于乾散货市场的前瞻性价值 2018年1月,奥德兰、维特普罗查兹卡和斯坦W.华莱士发表了乾散货货运市场的前瞻价值。作者认为,“散货运输市场中所有船舶运营商都面临的一个优化问题:如何通过连续接受运输网络中港口对之间现货市场货物的货运合同(租船合同),在空间和时间上对船舶或船队进行最优重新分配,通常被称为不定期运输 他们解决了这个问题的两个版本。首先,他们解决了这个问题的一个版本,即他们假设未来运费率是有完美预见的。其次,他们解决了一个问题另一个版本,即他们认为人们对未来运费率的了解是有限的。 作者发现,首先,在充分了解情况的情况下,他们的模型在2006年至2016年期间产生了更高的累积耳环(cumulative earrings),尽管他们指出,金融危机造成了2008年底之前运费的扭曲。这显然是不现实的,但对确定理论最大值很重要。他们发现,2006年至2016年期间,这一比例为15%,但2009年至2016年期间更高,超大型、巴拿马型和海岬型油轮分别为20%、15%和23%。 第二,当他们在一个有限的、相对较短的时间范围内假设完美的知识时,他们发现有可能通过假设完美的远见来获取他们所建立的理论最大值的很大一部分。他们指出,这需要一种不同的方法论,而在有限的视界上设想完美的远见仍然是不现实的。 第三,为进一步研究市场优化提供了可能。例如,我们计算了每个决策在空间和时间的每个点上的值。由此,我们观察到大西洋地区的地理转换函数不对称。也就是说,一个不正确的决定“去太平洋”如果在错误的时间被应用,可能比错误的“留在大西洋”的决定更昂贵 总的来说,他们的结论是“实证结果揭示了通过复杂的租船策略来利用空间效率低下的巨大潜力。这项研究的自然延续是应用随机规划来处理运价的不确定性。例如,使用场景树来描述运价的未来发展,而不是完全预见的假设。” 结论是:考虑到航运业的体量、规模和重要性,航运业作为所有行业全球贸易的驱动力,早期的技术投资者对数字技术将扰乱航运业的业务流程和规范这一概念非常着迷。基于前面的讨论,对于那些对该行业不太熟悉的FreightWaves读者来说,如果他们认为我们正处在机器学习和人工智能在短期内(比如说未来2到5年)将应用于乾散货航运和大宗商品市场的尖端,那是可以原谅的。 奥黑说:“总的来说,我非常怀疑。2017年11月至2018年10月期间,我担任纽约海事创新中心志愿者顾问委员会成员。我在那段时间的经历帮助我认识到,海运业的创新是一个缓慢的过程,它依赖于自上而下的指令,而复杂和相互关联的监管制度和合规要求使之复杂化。” 他说,这并不意味着创新永远不会发生。然而,这意味着事情的发展将慢得多,甚至可能比一些资深的行业参与者所希望的要慢得多。 奥黑说:“我预计,像阿德兰和他在挪威经济学院的同事这样的学术研究人员,以及像多奇这样的早期科技初创公司创始人,以及真知灼见的同事们,在等待其他行业的人赶上他们的时候,他们会继续奋力拼搏。这也意味着,行业中那些愿意突破极限、尝试机器学习、人工智能和其他预测分析技术的高管团队,可以建立比人们原本设想的更持久的优势。” 奥黑说:“我给一家大型集装箱运输公司的C级主管发了一封电子邮件,询问人工智能在行业中的应用。他回答说:'在我看来,集装箱运输中的人工智能仍然有点牵强,有太多迫切的问题需要解决,所以这些问题目前还不在我的首要任务清单上。显然,在BI(商业智能)部门工作的一些开发人员在人工智能方面有些手忙脚乱,但我现在还不敢称他们为专家。’但他指出,这不是他的专长领域。” 资料来源:American Shipper |
|
来自: 新用户4143CkvX > 《待分类》