Hvordan kan AI hjelpe maritim næring? Der det virker i dag
AI for maritim næring
En flåte produserer mer data enn noen leser: motor- og drivstoffdata, middagsrapporter, havneanløp, vedlikeholdssystemet, klassefunn, sikkerhetsrapporter. Det meste beskriver de samme skipene med ulike ord, og det er problemet en AI-agent går rett inn i. AI trenger kontekst, og for en flåte er konteksten en modell av hvert fartøy, systemene om bord og historikken. Bygg den en gang, og agenten kan gjøre lesingen; hopp over den, og agenten gjetter. Hvorfor AI og data er en plattform forklarer argumentet. Denne siden bruker det på skip.
Der AI hjelper en flåte i dag, og der det bare ser slik ut
Lese det skipet allerede rapporterer
Hvert fartøy sender en middagsrapport og en strøm av telemetri, og de to stemmer sjelden på literen. En agent som ser begge, kan avstemme dem hver dag, flagge avvikene og la vurderingen ligge hos inspektøren.
Stille flåten ett spørsmål
Hvilke fartøy kjørte hovedmotoren utenfor grensene forrige uke? I dag er det en e-posttråd gjennom hele flåten. Med en modell av fartøyene er det en spørring, med svaret sporet tilbake til sensoren som meldte det.
Skrive utkast til papirarbeidet
Arbeidsordrer, oppfølging av klassefunn, utslippsrapporter. Agenten skriver utkast fra modellen, der hvert tall bærer kilden sin, og et menneske signerer. Der data mangler, finner agenten hullet før revisoren gjør det.
Dataene
En modell av flåten, bygget av det skipene allerede sender
Telemetri fra maskinrommet, middagsrapporten overstyrmannen skriver, vedlikeholdssystemet på land, klasse- og besiktelsesrapporter, reise- og anløpsloggen. Alle beskriver det samme fartøyet med hvert sitt vokabular. Den operasjonelle dataplattformen kopierer dem ut uten å røre systemene om bord eller på land, og legger dem inn mot en modell av flåten: hvilket fartøy, hvilket system, hvilken komponent, hvilken reise. Den modellen er det agenten leser, og det er det en kunnskapsgraf er til for. Å få dataene inn er ikke lenger den dyre delen.
Et fartøy er ikke en taggliste. Det er et skip, med systemer og med en historikk.
De første oppgavene
Tre jobber en agent kan ta dette kvartalet
Den første agenten bør ta arbeid som gjentar seg, som har et klart riktig svar, og som et menneske kan sjekke på et minutt. Det har rederier nok av. Product Discovery er måten vi finner den som er verdt å begynne med; disse tre er der det som regel lander.
Avstem middagsrapporten
Hver morgen sammenligner agenten hvert fartøys middagsrapport med telemetrien for samme periode: distanse, drivstoff, driftstimer. Avvik utover en satt toleranse blir en kort liste med begge kildene vedlagt. Inspektøren avgjør hva som skal følges opp.
Skriv arbeidsordren, for hele flåten
En tilstandssignatur på en pumpe om bord i ett fartøy sjekkes mot søsterskip med samme utstyr. Agenten skriver utkast til arbeidsordrene, legger ved trenden og forrige overhaling, og venter på at et menneske frigir dem.
Sett sammen utslippsrapporten
Forbrukt drivstoff, utseilt distanse, tid ved kai, per fartøy og per reise, der hvert tall spores til rapporten eller sensoren det kom fra. Agenten setter sammen rapporten; et menneske gjennomgår og leverer den, og sporet ligger der om noen spør.
Ett fartøy, ett spørsmål
Fartøy 4 går varm. Senke effekten, eller finne ut hvorfor?
Symptomet er lett å se, årsaken er det ikke, fordi årsaken sitter tre systemer unna og i en annen manual. Med flåten modellert som en graf, fartøy til system til komponent, går agenten langs relasjonene fra symptomet: hovedmotoren kjøles av en krets som går gjennom sentralkjøleren, som mates av et sjøvannsfilter, og trykkfallet over filteret har steget siden siste anløp. Verbene er det agenten går langs, og hvert av dem er en relasjon noen modellerte en gang. Det som kommer tilbake, er en årsak med bevisene sine, ikke en mening, og avgjørelsen ligger hos personen agenten jobber for.
Svaret er en vandring gjennom skipet, ikke en gjetning ut fra symptomet.
Med vilje fiksjon
Et postkort fra en flåte som har dette
Dette har ikke skjedd. Det er en historie bygget bare av egenskapene over, og den står her fordi den høres ut som en mandag morgen. Om den plager deg, er det nyttige spørsmålet hvilken egenskap den ville feilet uten.
Eksosen som ikke ble et havari
05:40, på land. En agent som følger eksostemperaturer, flagger en sylinder på Fartøy 4 som driver høyt sammenlignet med søsterskipene over tre reiser. Den går gjennom modellen: samme motortype på Fartøy 7 og 9, datoene for forrige overhaling, en reservedyse på lageret på land, neste havneanløp om fire dager. Den skriver en arbeidsordre, legger ved trenden med sporingen, og et kort notat til inspektøren. Klokken 07:15 leser inspektøren i to minutter, retter delenummeret på reservedelen og frigir ordren. Ingen ble vekket, og fartøyet holdt ruten.
Der AI ikke hjelper en flåte ennå
Den erstatter ikke maskinsjefens vurdering, og den skal ikke røre noe om bord som klasseselskapet har en mening om. Den kan ikke reparere en middagsrapport som aldri ble fylt ut, og den lager selvsikkert tøv av en flåte der samme pumpe har fire navn i fire systemer. Det siste er det egentlige arbeidet: modellen før agenten. Der modellen har hull, finner agenten dem først, og det er det nyttigste den gjør den første måneden.
Vanlige spørsmål
Spurt og besvart
Hvordan kan AI hjelpe et rederi i dag?
Ved å lese det flåten allerede rapporterer og gjøre den repeterende delen av kontorarbeidet: avstemme middagsrapporter mot telemetri, skrive utkast til arbeidsordrer på tvers av søsterskip, sette sammen utslippsrapporter der hvert tall spores til kilden, og svare på spørsmål om hele flåten på minutter. I hvert tilfelle skriver agenten utkastet og et menneske bestemmer.
Hvilke data trenger en AI-agent fra fartøyene våre?
De dere allerede har: motor- og drivstoffdata, middagsrapporter og loggbøker, vedlikeholdssystemet, klasse- og besiktelsesrapporter, og reise- og anløpsloggen. Arbeidet er ikke å samle inn mer data; det er å legge de eksisterende dataene inn mot en modell av flåten, fartøy for fartøy, system for system, så agenten vet hvilken måling som hører til hvilken maskin.
Må vi ha en kunnskapsgraf over flåten først?
Dere trenger den delen som den første oppgaven berører. Avstemming av middagsrapporter trenger fartøy, reiser og en håndfull sensorer; en vedlikeholdsoppgave på tvers av flåten trenger utstyrshierarkiet. Plattformen bygger grafen etter hvert som dataene kopieres inn, med utgangspunkt i utstyrslistene og fartøysdataene dere allerede vedlikeholder, og en agent lager utkast til relasjoner som et menneske bekrefter.
Må flåtedataene forlate våre egne systemer?
Nei. Plattformen kopierer data ut av systemene om bord og på land uten å endre dem, og kjører der dere velger: på egne servere, i deres sky, eller på maskinvare IntelliStream eier og opererer i Stavanger under norsk lov. Den er åpen kildekode under AGPL-3.0, så det den gjør med dataene kan leses.
Kan AI-assistenten vi allerede bruker, koble seg på?
Ja. Plattformen snakker MCP, den åpne standarden AI-assistenter bruker for å nå eksterne systemer, så assistenten kontoret allerede bruker kan stille spørsmål til flåtemodellen direkte, under samme tilgangsregler som personen som spør. Agenter dere bygger selv, kobler seg på på samme måte, og modelleverandøren kan byttes uten å bygge om noe.
Begynn med ett fartøy og en oppgave
Fortell oss hvilken rapport inspektørene deres bruker mest tid på å avstemme, og hvilke systemer den ligger i. Vi sier ærlig fra om en agent kan ta den nå, og hva modellen trenger før den kan.