L’IA et l’avenir de l’automatisation portuaire
Fred Dorosh Fred Dorosh
6 mai 7 min

L’IA et l’avenir de l’automatisation portuaire

Partout dans le monde, les ports sont confrontés à de fortes pressions pour s’adapter à la croissance rapide de l’EVP, tant en matière de volume que de taille des navires. Pourtant, le zonage et les contraintes réglementaires limitent souvent la capacité des ports à dimensionner l’espace pour l’accostage et le terminal portuaire. Dans la lutte pour rester compétitifs dans ce paysage en constante évolution, les terminaux se tournent de plus en plus vers l’automatisation afin d’optimiser l’utilisation des actifs restreints tout en minimisant les temps de rotation des navires, conteneurs et camions.

Dans la recherche d’une plus grande efficacité des terminaux, l’automatisation de l’équipement est devenue un domaine prioritaire, attirant 10 milliards de dollars d’investissements dans le monde entier. Pourtant, il y a encore des inconvénients à mesure que ces solutions arrivent à maturité : dans une récente enquête McKinsey, par exemple, les répondants ont indiqué que si les dépenses d’exploitation des ports automatisés ont diminué de 15 à 35 pour cent, la productivité a également diminué de 7 à 15 pour cent.

Parallèlement, l’adoption croissante de plateformes ouvertes de partage de données portuaires dans les sphères semi-privée et publique a ouvert la porte à un nouveau champ de possibilités : l’intelligence artificielle au service de l’automatisation de la gestion opérationnelle. En comparaison avec le réoutillage mécanique, l’IA décisionnelle est, par sa nature même, moins coûteuse à mettre en œuvre, plus rapide à déployer et moins perturbatrice pour les opérations. Ainsi, une gestion opérationnelle améliorée par l’IA a le potentiel d’engendrer des gains d’efficacité comparables ou supérieurs à ceux atteignables à travers l’automatisation des équipements.

Comme sous-produit du déploiement automatisé de l’équipement, nous assistons également à une montée en flèche de la mise en réseau de la télémétrie dans le terminal portuaire. Bien exploitée, cette masse de données pourrait doter les ports d’une représentation numérique agrégée en temps réel de leur état de fonctionnement. Ce « jumeau numérique », riche en informations, représente une panacée pour l’entraînement des IA, un processus qui requiert une grande quantité de données. La propagation de l’Internet des objets, depuis les portails intermodaux jusqu’au quai, ouvre de nouvelles frontières d’innovation en matière d’IA réactive : détection des anomalies, notification anticipatoire et planification juste à temps.

En résumé, les systèmes communautaires de partage de l’information et les tendances de l’automatisation mécanique favorisent l’agrégation et la disponibilité des données dans les ports, ouvrant la voie à l’IA en tant que technologie transformatrice. La question est maintenant de savoir comment l’exploiter.

Orchestration portuaire intelligente

Chez Element AI, nous envisageons un écosystème portuaire mobilisant des technologies de l’IA pour orchestrer efficacement le flux des navires et des marchandises dans le port et au-delà.

Au fur et à mesure que les systèmes de partage d’information portuaire (communément appelés en anglais « Port Community Systems » ou PCS) sont adoptés, divers acteurs de l’écosystème (autorités portuaires, opérateurs de terminaux, transporteurs, propriétaires de cargaison, fournisseurs de services logistiques, etc.) sont incités à aligner leurs feuilles de route de transformation numérique. Cela leur permet de profiter de nouvelles occasions mutuellement bénéfiques pour améliorer leur efficacité. Alors que les PCS offrent une capacité sans précédent de partage des données opérationnelles, une véritable optimisation en temps réel entre les partenaires logistiques nécessite une plateforme de partage d’intelligence. Construite sur un PCS, une telle plateforme fournirait une interface ouverte et standard pour partager renseignements, prédictions, objectifs communs et contraintes entre des IA collaboratives.

Orchestration portuaire intelligente.
Douanes par Seung Hnam du Noun Project; Terminaux par Nikita Kozin du Noun Project; Armateurs par Nikita Kozin du Noun Project; Entreposage par ProSymbols du Noun Project; Fournisseurs logistiques par Nikita Kozin du Noun Project; Autorités portuaires par bezier master du Noun Project

L’IA collaborative : l’effet de réseau

Pour être réalisable, la vision de l’IA collaborative doit être mise en œuvre par étapes rationnelles, appuyées par des analyses de rentabilisation convaincantes au rythme des organisations individuelles. Chaque étape implique le déploiement d’un agent piloté par l’IA qui est relié aux systèmes d’enregistrement traditionnels et à d’autres agents dans un réseau pris en charge par une API intelligente ouverte. Dans un tel réseau, les agents d’IA :

Accroissent et informent individuellement la décision humaine dans un contexte opérationnel particulier (p. ex. la planification de l’équipage); et

Agissent de concert pour rationaliser les opérations dans le cadre d’un objectif commun.

L’approche privilégiée est donc un déploiement progressif d’îlots de capacités d’IA qui convergent vers un système orchestré de façon collaborative.

En permettant aux agents d’IA de négocier entre eux au-delà des frontières organisationnelles, cette collaboration pourrait s’étendre à l’ensemble de l’écosystème portuaire. En agissant pour optimiser les indicateurs clés de performance (KPI) dictés par les prérogatives de leurs propriétaires respectifs, les agents pourraient cibler des objectifs communs et des occasions mutuellement bénéfiques en temps quasi réel :

  • Le temps de rotation des navires serait amélioré au niveau de l’opérateur du terminal en optimisant l’attribution des postes d’amarrage et des grues de quai grâce à une meilleure anticipation du flux d’arrivée des vaisseaux. L’arrivée en peloton des vaisseaux pourrait être mitigéede façon proactive grâce à la coordination avec les armateurs, les pilotes, les remorqueurs et les services de trafic maritime.
  • Le flux des navires serait amélioré au niveau de l’autorité portuaire en tirant parti des connaissances sur les goulets d’étranglement de la navigation dans les estuaires, les aires de mouillage et les zones d’accostage. À plus long terme, ces analyses pourraient guider d’éventuels programmes d’amélioration des infrastructures hydrauliques.
  • Le temps d’immobilisation des conteneurs peut être réduit en offrant aux transporteurs routiers et ferroviaires, aux propriétaires de cargaisons et aux fournisseurs logistiques une visibilité sur l’état des conteneurs et les étapes prévues de la chaîne logistique.

Grâce à une approche axée sur l’IA collaborative, les indicateurs clés de performance pourraient être combinés et rééquilibrés quotidiennement en fonction de l’évolution des conditions commerciales. En résumé, les PCS ont le potentiel d’évoluer en passant des plateformes d’échange de données vers des plateformes d’échange d’intelligence.

L’apprentissage profond rencontre la recherche opérationnelle

De nombreux aspects des processus portuaires relèvent du domaine bien établi de la recherche opérationnelle. Depuis des décennies, cette discipline fournit des outils et des méthodes pour coder la sécurité, la navigabilité et la conformité réglementaire qui doivent être respectés tout en générant des plans qui maximisent les performances de l’entreprise. En théorie, cette approche permet d’optimiser en toute sécurité les activités de centaines de navires, de grues, de véhicules de manœuvre et de personnel tout en déplaçant des dizaines de milliers de conteneurs par jour.

Les systèmes de planification automatisés d’aujourd’hui, incapables de gérer toute la portée et la complexité des opérations des terminaux, divisent les tâches de planification en de multiples sous-problèmes qui doivent être traités séparément. Par exemple, l’attribution des postes d’amarrage peut être résolue séparément de l’attribution des grues, du séquencement des déplacements, de l’arrimage et de l’empilement dans le terminal portuaire. Cela entraîne des occasions manquées : une utilisation légèrement moins optimale de l’aire d’amarrage peut être nécessaire pour maximiser la proximité des piles sollicitées et ainsi obtenir ultimement un meilleur temps de rotation du navire. Avec une démarche divisive, l’inefficacité se dissimule en marge des sous-problèmes.

L'apprentissage profond rencontre la recherche opérationnelle.
Cargo Ship par Nikita Kozin du Noun Project; Shipping Container par Nikita Kozin du Noun Project

Et si tous ces problèmes pouvaient être résolus en même temps, permettant aux plans d’empilage de s’harmoniser avec les plans d’accostage et d’arrimage dans une solution globalement optimale?

Les initiatives de recherche fondamentale d’Element AI visent à combiner les techniques d’apprentissage par renforcement avec les méthodes d’optimisation traditionnelles. En interagissant avec des systèmes du monde réel grâce à la simulation accélérée, les agents d’IA pourraient acquérir rapidement des années d’expérience et de l’intuition à propos de ces systèmes. Nous croyons que des méthodes heuristiques contextualisées par l’entremise des techniques d’apprentissage profond ont le potentiel de briser les silos qui sont inhérents aux systèmes de planification traditionnels. Cela permettra d’atteindre de nouveaux niveaux d’efficacité dans l’exploitation des terminaux sans avoir besoin d’une infrastructure d’automatisation physique coûteuse, simplement en élaborant un meilleur plan.

Humaniser l’IA

Au fur et à mesure que les systèmes d’IA gagnent en sophistication et en précision, une priorité majeure pour Element AI et la communauté en général est d’accroître la fiabilité et l’accessibilité de ces solutions.

Selon un paradigme courant pour la progression des outils analytiques, les systèmes descriptifs évoluent vers des systèmes prédictifs. Alors que la première peut fournir un aperçu de la mécanique opérationnelle, la seconde emploie cet aperçu pour en soutirer des prévisions opérationnelles. Par exemple, un modèle décomposant le temps de séjour historique des conteneurs d’un terminal par type et origine est une analyse descriptive, alors qu’une analyse prévisionnelle peut avertir d’une condition de congestion dans les 24 prochaines heures sur la base du volume entrant prévu.

Récemment, l’apprentissage machine a joué un rôle central dans cette augmentation de la sophistication analytique. Mais à mesure que les outils d’affaires se voient ainsi transformés, ’absence de raisonnement explicite ou de justification derrière les actions et les recommandations de l’IA peut constituer un obstacle à l’adoption, en particulier dans les contextes où la confiance et la transparence sont essentielles.

Pour combler cette lacune, on assiste au développement de technologies introspectives pour permettre à divers modèles d’IA d’offrir à leurs collaborateurs humains une visibilité sur leurs décisions, mettant en évidence les données qui les ont influencés et exposant leur niveau de confiance. L’explicabilité des modèles et d’autres innovations ergonomiques continueront de faciliter et de promouvoir la collaboration homme-machine.

Human-friendly AI.

Scénario : Optimisation de l’utilisation des ressources grâce à l’IA collaborative

Pour illustrer comment ces concepts pourraient fonctionner ensemble pour améliorer les décisions dans un contexte opérationnel en temps réel, prenons l’exemple d’un gestionnaire des opérations de terminaux qui interagit avec un réseau d’agents d’IA.

Un directeur des opérations s’interroge : « Combien d’équipes au sol faudra-t-il pour optimiser la rotation des navires au poste d’amarrage 8 cet après-midi? »

  1. Un agent analyste utilise le traitement du langage naturel pour extraire l’intention derrière les requêtes en langage humain. Par l’intermédiaire de son réseau de voisins d’IA, il sollicite des prévisions et des plans spéculatifs, qui sont ensuite combinés à des données opérationnelles en direct et au repos pour produire des réponses éclairées et pertinentes.
  2. Un agent prédictif de navires tire parti de l’historique des modèles de service, des prévisions météorologiques et de marée, des données financières et des connaissances opérationnelles exclusives pour obtenir des prévisions plus précises de l’arrivée des navires.
  3. Un agent prédictif de volume utilise des données historiques, des indicateurs économiques et des heures d’arrivée prévues des navires pour fournir une vue unifiée des volumes d’importation/exportation dans une fenêtre de trois semaines, segmentée par type de conteneur, de méthode de transport dans l’arrière-pays et de destination finale.
  4. Un agent d’orchestration de terminal tire parti des heures d’arrivée prévues et des prévisions de volume des navires pour fournir au système d’exploitation du terminal une solution optimisée à l’échelle mondiale en matière de planification des postes d’amarrage, d’attribution des grues, d’arrimage et d’empilement.

L’agent analyste recueille les résultats de ces systèmes et émet une recommandation pouvant donner lieu à une action : « L’affectation optimale est de trois équipages, basée sur l’arrivée des navires, les prévisions de volume, les coûts opérationnels et les profils de performance historiques. »

Collaborative AI.
Cargo Ship par Nikita Kozin du Noun Project; Shipping Container par Nikita Kozin du Noun Project

Conclusion

L’émergence de plateformes d’échange de renseignements et l’utilisation de l’IA pour améliorer la portée des systèmes de planification offrent la possibilité de gains d’efficacité importants dans l’ensemble des écosystèmes portuaires. Les innovations avec intervention humaine comme l’explicabilité des modèles et la simulation interactive permettront aux opérateurs humains de tirer parti de l’intelligence artificielle et de mieux comprendre les goulets d’étranglement de leur propre organisation. Dans les opérations portuaires comme dans de nombreux autres domaines d’activité, l’avenir nous offrira des systèmes d’IA qui nous aideront non seulement à comprendre et à prévoir, mais aussi à décider activement de la meilleure marche à suivre.

En tant que responsable de la stratégie portuaire chez Element AI, Fred Dorosh a pour mandat d’encourager et de faciliter l’adoption des derniers progrès de la recherche et de la technologie en matière d’IA dans les milieux portuaires et des affaires maritimes.