۱. مقدمه: نقش تحولآفرین هوش مصنوعی در کشتیرانی و تجارت بینالملل
هوش مصنوعی (AI) به عنوان یک فناوری دگرگونکننده، در حال بازآفرینی بنیادین صنعت کشتیرانی و تجارت بینالملل است. این فناوری با پتانسیل بالای خود برای ایجاد نوآوری، کمک به شرکتها برای خلق ارزش جدید از دادهها و کاهش هزینههای تجاری، به سرعت در حال تغییر چشمانداز لجستیک جهانی است.
تأثیر هوش مصنوعی صرفاً به بهینهسازی فرآیندهای موجود محدود نمیشود، بلکه در حال ایجاد مدلهای کسبوکار جدید و ارتقاء قابلیتهای عملیاتی به سطوحی است که پیش از این قابل تصور نبود. ادغام هوش مصنوعی با سایر فناوریهای دیجیتال نظیر اینترنت اشیاء (IoT)، بلاکچین و تحلیل دادههای بزرگ، بنادر سنتی و زنجیرههای تأمین را به اکوسیستمهای هوشمند و به هم پیوسته با عملکرد بالا تبدیل میکند.
این تحول دیجیتال، گذار از روشهای دستی و سنتی مدیریت زنجیره تأمین به عملیات کاملاً فناورانه و بهینهشده را تسریع بخشیده است. در واقع، همافزایی این فناوریهاست که تأثیری فراتر از مجموع اجزای آن ایجاد میکند؛ اینترنت اشیاء دادههای آنی و حیاتی را برای تحلیل توسط هوش مصنوعی فراهم میآورد و بلاکچین میتواند بستری امن و شفاف برای اشتراکگذاری این دادهها ایجاد کند. این همافزایی منجر به شکلگیری یک "اکوسیستم هوشمند" میشود که در آن تصمیمات مبتنی بر داده، دقیقتر و کارآمدتر اتخاذ میشوند و بهبودهای حاصله بسیار جامعتر از کاربردهای منفرد هوش مصنوعی خواهد بود.
اهمیت روزافزون هوش مصنوعی در صنعت کشتیرانی و تجارت بینالملل از توانایی آن در خودکارسازی و بهینهسازی فرآیندهای پیچیده ناشی میشود که به نوبه خود منجر به عملیات قابل اطمینانتر، کارآمدتر و مقرونبهصرفهتر میگردد.
این فناوری به کسبوکارها امکان میدهد تا با کاهش هزینههای عملیاتی، بهبود دقت در پیشبینیها و اجرا، و تسریع چرخههای فرآیندی، مزیت رقابتی خود را تقویت کنند. در صنعتی مانند دریانوردی که هرگونه از کارافتادگی تجهیزات یا تأخیر در عملیات میتواند هزینههای گزافی را به همراه داشته باشد، ابزارهای مبتنی بر هوش مصنوعی، بهویژه در حوزههایی مانند نگهداری و تعمیرات پیشبینانه، به ابزارهایی حیاتی و ضروری تبدیل شدهاند.
توانایی هوش مصنوعی در تحلیل حجم عظیمی از دادهها و استخراج الگوهای معنادار، به مدیران و تصمیمگیرندگان این امکان را میدهد که با آگاهی و بینش عمیقتری نسبت به گذشته، تصمیمات استراتژیک و عملیاتی اتخاذ کنند.
ظهور هوش مصنوعی در صنعت کشتیرانی و تجارت بینالملل را نمیتوان پدیدهای منفرد و ناگهانی دانست. این تحول در واقع ادامه مسیری طولانی از تلاش برای بهینهسازی و دیجیتالیسازی است که این صنعت طی دهههای گذشته پیموده است.
از اصول اولیه مدیریت کارآمد مانند سیستم تولید تویوتا که بر کاهش اتلاف و بهبود جریان کار تمرکز داشتند، تا انقلاب تجارت الکترونیک و در نهایت، ورود رباتیک پیشرفته به انبارها، مانند آنچه شرکت آمازون با خرید Kiva Systems و استقرار صدها هزار ربات در مراکز خود انجام داد، همگی زمینهساز پذیرش و بهرهبرداری از هوش مصنوعی بودهاند.
این سیر تکاملی نشان میدهد که هوش مصنوعی بر پایههایی از زیرساختهای داده و فرآیندهای دیجیتالی شده بنا شده است و درک این پیشینه تاریخی به درک بهتر سرعت و جهت تغییرات کنونی و همچنین الزامات بنیادین برای پیادهسازی موفق آن کمک میکند.
۲. کاربردهای محوری هوش مصنوعی در عملیات کشتیرانی و تجارت بینالملل
هوش مصنوعی در حال حاضر در طیف وسیعی از عملیات کشتیرانی و تجارت بینالملل به کار گرفته شده و تأثیرات ملموسی بر جای گذاشته است. این کاربردها از بهینهسازی مسیرهای حملونقل و مدیریت زنجیره تأمین گرفته تا تحول در عملیات بندری و تسهیل امور مالی تجارت را شامل میشود.
یکی از برجستهترین و بالغترین کاربردهای هوش مصنوعی در لجستیک، بهینهسازی مسیر است. سیستمهای مبتنی بر هوش مصنوعی با تحلیل دادههای آنی مربوط به شرایط ترافیکی، پیشبینیهای آبوهوایی، وضعیت ازدحام بنادر و حتی مشخصات خاص هر وسیله نقلیه، قادرند بهینهترین مسیرها را برای کشتیها و کامیونها پیشنهاد دهند.2 این امر نه تنها منجر به حداقلسازی زمان تحویل و کاهش هزینههای عملیاتی میشود، بلکه در کاهش مصرف سوخت و اثرات زیستمحیطی نیز نقش بسزایی دارد. شرکتهای کشتیرانی بزرگ از نرمافزارهای پیشرفته مبتنی بر هوش مصنوعی برای پیشبینی و اجتناب از مناطق پرتراکم و تغییر مسیر شناورها به مسیرهای کارآمدتر استفاده میکنند.2 غولهای لجستیکی مانند UPS، FedEx و آمازون نیز پلتفرمهای بهینهسازی مسیر با هوش مصنوعی (AIRO) را به منظور صرفهجویی در هزینهها، کاهش انتشار گازهای گلخانهای و تسریع زمان تحویل به کار گرفتهاند.10
مطالعات موردی متعددی اثربخشی این فناوری را تأیید میکنند. به عنوان مثال، یک شرکت کشتیرانی بینالمللی بزرگ با پیادهسازی یک سیستم تحلیل پیشبینانه مبتنی بر هوش مصنوعی، موفق به کاهش ۱۵ درصدی در مصرف سوخت، بهبود ۲۰ درصدی در تحویل بهموقع محمولهها و کاهش قابل توجهی در انتشار کربن شده است.11 شرکت فرانسوی CMA CGM از هوش مصنوعی برای بهینهسازی مسیرهای کشتیهای خود بهره میبرد. این سیستم با ارزیابی دادههای تاریخی و شرایط آنی، مسیرهایی با بیشترین بازدهی سوخت را تعیین میکند که نتیجه آن کاهش مصرف سوخت، کاهش هزینهها، کاهش انتشار گازهای گلخانهای و بهبود در وقتشناسی و قابلیت اطمینان بوده است.12 به طور مشابه، شرکت Orient Overseas Container Line (OOCL) یک سیستم نظارت بر سوخت مبتنی بر هوش مصنوعی را برای بهینهسازی مصرف سوخت و بهبود عملکرد زیستمحیطی ناوگان خود پیادهسازی کرده است.12 گزارش شده است که بهینهسازی مسیر با هوش مصنوعی میتواند مصرف سوخت را تا ۱۰ درصد و زمان عبور و مرور را تا ۵ درصد کاهش دهد.12 مطالعات اخیر نیز نشان دادهاند که استفاده از هوش مصنوعی در صنعت کشتیرانی به طور متوسط منجر به کاهش ۱۰ درصدی در مصرف سوخت و تا ۲۰ درصدی در انتشار گازهای گلخانهای شده است.12 این دستاوردهای کمی و قابل اندازهگیری، بهینهسازی مسیر را به یک نقطه ورود جذاب برای پذیرش هوش مصنوعی در شرکتهای لجستیکی تبدیل کرده است، زیرا بازگشت سرمایه (ROI) آن به وضوح قابل مشاهده است. علاوه بر این، همراستایی این فناوری با اهداف پایداری و کاهش ردپای کربنی، که به طور فزایندهای مورد توجه جهانی قرار گرفته است 13، به شرکتها امکان میدهد تا به طور همزمان به اهداف اقتصادی و زیستمحیطی خود دست یابند.
در صنعت کشتیرانی که هزینههای ناشی از توقف عملیات (Downtime) بسیار سنگین است و خرابیهای فنی یکی از دلایل اصلی حوادث به شمار میروند 2، نگهداری و تعمیرات پیشبینانه (Predictive Maintenance) با استفاده از هوش مصنوعی به یک ابزار حیاتی تبدیل شده است. این رویکرد شامل استفاده از الگوریتمهای هوش مصنوعی برای تحلیل دادههای جمعآوریشده از حسگرهای نصبشده بر روی تجهیزات مختلف مانند موتورهای کشتی، سیستمهای جابجایی بار و حتی کامیونها است تا علائم اولیه فرسودگی و احتمال خرابی در آینده نزدیک، پیش از وقوع مشکل واقعی، شناسایی شوند.2 این امر به شرکتها اجازه میدهد تا برنامههای نگهداری خود را بهینه کرده، از خرابیهای غیرمنتظره جلوگیری کنند و عمر مفید تجهیزات را افزایش دهند.
کشتیهای کانتینری مدرن به هزاران حسگر مجهز هستند که به طور مداوم پارامترهای کلیدی مانند عملکرد موتور، بازدهی سوخت و وضعیت سایر سیستمهای حیاتی را پایش میکنند. هوش مصنوعی این حجم عظیم از دادهها را تحلیل کرده و با شناسایی الگوهای ظریف، پیشبینی میکند که کدام قطعات و در چه زمانی احتمالاً دچار نقص خواهند شد.2 این رویکرد، پارادایم مدیریت داراییها را از حالت واکنشی (تعمیر پس از خرابی) یا حتی پیشگیرانه (تعمیر بر اساس برنامه زمانی ثابت) به یک مدل پیشبینانه و مبتنی بر داده تغییر میدهد که در صنایع سرمایهبر مانند کشتیرانی از اهمیت ویژهای برخوردار است.
یک نمونه برجسته از این فناوری، مدل FaultApp است که در یک مقاله تحقیقاتی ارائه شده و رویکردی نوین برای نگهداری پیشبینانه در صنعت دریایی با استفاده از تکنیکهای هوش مصنوعی و یادگیری ماشین (ML) برای بهبود تشخیص خطا و برنامهریزی نگهداری سیستمهای دریایی پیشنهاد میکند. این مدل پیشنهادی، دادههای عملیاتی از سیستمهای داخل کشتی را پردازش میکند تا امکان تشخیص دقیقتر خطا و شناسایی زودهنگام خرابیهای سیستم فراهم شود.14 FaultApp ابزارهای تحلیل ریسک معتبری مانند تحلیل درخت خطا (FTA) و تحلیل حالات شکست و اثرات آن (FMECA) را با یادگیری ماشین ترکیب میکند که نشاندهنده حرکت به سمت سیستمهای پیشبینانه قوی و قابل اعتماد است. علاوه بر این، همکاریهای استراتژیک در این حوزه، مانند مشارکت بین شرکتهای SmartSea و Digital Energy AI با هدف ارائه ابزارهای هوش مصنوعی و دیجیتال برای نگهداری پیشبینانه در بخشهای دریایی و انرژی فراساحلی، نشاندهنده بلوغ بازار و توسعه راهحلهای تخصصی است.15 این مشارکت به مالکان کشتی امکان میدهد تا از تحلیلهای مبتنی بر هوش مصنوعی برای بهینهسازی نگهداری ماشینآلات و کاهش مصرف سوخت و انتشار گازهای گلخانهای بهرهمند شوند.
هوش مصنوعی نقش کلیدی در افزایش شفافیت (Visibility) در سرتاسر زنجیره تأمین ایفا میکند. در گذشته، زنجیرههای تأمین اغلب به صورت خطی و با ارتباطات محدود بین بخشهای مختلف (سیلویی) عمل میکردند، که این امر ردیابی کالاها و شناسایی مشکلات را دشوار میساخت. امروزه، پلتفرمهای مبتنی بر هوش مصنوعی قادرند هر حرکت کالا را ردیابی کرده، گلوگاههای احتمالی را شناسایی و ذینفعان را به طور آنی از مسائل بالقوه آگاه سازند.2 این سطح از شفافیت به مدیران لجستیک امکان میدهد تا تصمیمات آگاهانهتری اتخاذ کرده و به سرعت به هرگونه اختلال، مانند تأخیرهای ناشی از شرایط جوی یا مسائل گمرکی، واکنش نشان دهند.
یکی دیگر از جنبههای حیاتی لجستیک که هوش مصنوعی در آن تحول ایجاد کرده، پیشبینی تقاضا است. الگوریتمهای هوش مصنوعی با تحلیل دادههای تاریخی فروش، روندهای بازار، عوامل فصلی و حتی متغیرهای خارجی مانند شرایط آبوهوایی، الگوهای تقاضا برای محصولات مختلف در مناطق جغرافیایی گوناگون را با دقت بالایی پیشبینی میکنند.2 این پیشبینیها به شرکتها کمک میکند تا سطوح موجودی خود را به طور بهینه مدیریت کرده و از انباشت بیش از حد کالا (Overstocking) یا مواجهه با کمبود موجودی (Stockouts) که هر دو منجر به هزینههای قابل توجهی میشوند، جلوگیری کنند.2 این توانایی در پیشبینی دقیق تقاضا، تأثیر مستقیمی بر برنامهریزی تولید، تخصیص منابع و در نهایت رضایت مشتری دارد. در واقع، شفافیت زنجیره تأمین و پیشبینی تقاضای مبتنی بر هوش مصنوعی، به ایجاد یک زنجیره تأمین چابکتر و پاسخگوتر کمک میکند که در آن اطلاعات به طور روان جریان یافته و تصمیمات بر اساس دادههای دقیق اتخاذ میشوند. این امر به معنای گذار از عملیات واکنشی و جزیرهای به یک اکوسیستم زنجیره تأمین متصل و دادهمحور است.
ردیابی و نظارت آنی محمولهها با استفاده از هوش مصنوعی، صنعت لجستیک را با ارائه شفافیت بیسابقه و قابلیتهای تصمیمگیری پیشرفته، متحول ساخته است.19 این فناوری به مشتریان امکان میدهد تا بهروزرسانیهای بهموقعی در مورد وضعیت سفارشات خود دریافت کنند که این امر به نوبه خود منجر به افزایش اعتماد و وفاداری آنها میشود. اساس این سیستمها بر جمعآوری دادهها از طریق دستگاههای اینترنت اشیاء (IoT) مانند حسگرهای دما، رطوبت، ضربه و موقعیتیابهای GPS استوار است که امکان نظارت مستمر بر وضعیت محمولهها و محیط اطراف آنها را فراهم میآورد.6 سپس الگوریتمهای هوش مصنوعی این حجم عظیم از دادهها را تحلیل کرده و اطلاعات ارزشمندی را برای پیشبینی تقاضا، بهینهسازی مسیرها و مدیریت ریسک استخراج میکنند.
از جمله مزایای کلیدی ردیابی آنی مبتنی بر هوش مصنوعی میتوان به افزایش چشمگیر شفافیت در زنجیره تأمین، بهبود قابل توجه در کیفیت خدمات مشتری از طریق ارائه اطلاعات دقیق و بهموقع، افزایش امنیت محمولهها با جلوگیری از سرقت یا آسیبدیدگی، و تسهیل فرآیندهای انطباق با مقررات، بهویژه در صنایع حساس مانند دارویی و غذایی، اشاره کرد.19 از نظر فنی، این سیستمها از ترکیب فناوریهایی چون GPS برای موقعیتیابی دقیق، حسگرهای محیطی برای پایش شرایط کالا، و فناوریهای RFID و NFC برای شناسایی و ردیابی بهره میبرند. سپس، الگوریتمهای یادگیری ماشین برای تحلیلهای پیشبینانه (مانند پیشبینی زمان رسیدن)، تشخیص ناهنجاریها (مانند انحراف از مسیر یا تغییرات دمایی غیرمجاز) و اتوماسیون فرآیندها (مانند ارسال خودکار هشدارها) به کار گرفته میشوند.19 این سطح از نظارت و کنترل آنی به یک انتظار استاندارد در صنعت لجستیک مدرن تبدیل شده است، زیرا نه تنها کارایی عملیاتی را افزایش میدهد، بلکه با توانایی شناسایی الگوهای غیرعادی و هشدار در مورد تهدیدات امنیتی بالقوه به صورت آنی 19، لایه مهمی از مدیریت ریسک را نیز به فرآیندها اضافه میکند. کسبوکارهایی که از این فناوریها بهره نمیبرند، ممکن است در زمینه رضایت مشتری و کنترل عملیاتی از رقبا عقب بمانند.
مفهوم "بندر هوشمند" (Smart Port) به کاربرد مجموعهای از فناوریهای پیشرفته، از جمله هوش مصنوعی، یادگیری ماشین، تحلیل داده، بینایی کامپیوتر و الگوریتمهای پیشبینانه، برای بهینهسازی تمامی جنبههای عملیات بندری، لجستیک و جریان بار اشاره دارد.20 سیستمهای مبتنی بر هوش مصنوعی با تحلیل دادههای آنی، زمان دقیق ورود کشتیها (ETA) را پیشبینی میکنند. این اطلاعات دقیق به مسئولین بندر امکان میدهد تا خدمات راهنمایی (پایلوت) و یدککشی را با دقت بالایی برنامهریزی کنند. فرآیند تخصیص اسکله (Berth Allocation) نیز به صورت یکپارچه و پویا انجام میشود، به طوری که اسکلهها بر اساس اندازه کشتی، نوع بار، و برنامه زمانبندی حرکت بعدی کشتی به طور خودکار تخصیص مییابند.21 این امر منجر به کاهش زمان انتظار کشتیها، افزایش بهرهوری اسکلهها و بهبود کلی جریان ترافیک در بندر میشود.
نمونههای موفقی از پیادهسازی هوش مصنوعی در بنادر بزرگ جهان وجود دارد. بندر روتردام، یکی از بزرگترین و پیشرفتهترین بنادر جهان، از هوش مصنوعی برای پیشبینی زمان ورود کشتیها و بهینهسازی برنامههای پهلوگیری استفاده میکند که این امر به طور قابل توجهی به کاهش ازدحام و تراکم در بندر کمک کرده است.12 این بندر همچنین از حسگرهای اینترنت اشیاء برای شناسایی و رفع گلوگاههای عملیاتی و بهینهسازی تخصیص منابع بهره میبرد.3 بندر آلخسیراس در اسپانیا، طی یک پروژه آزمایشی با استفاده از هوش مصنوعی و یادگیری ماشین، موفق به بهبود ۷ درصدی در دقت پیشبینیهای زمان تخمینی ورود (ETA) کشتیها شد. این دستاورد منجر به کاهش زمان انتظار کشتیها، کاهش مصرف سوخت و در نتیجه کاهش انتشار دیاکسید کربن گردید.23 این بهبود حتی اگر به ظاهر کوچک به نظر برسد، با توجه به حجم عملیات در بنادر بزرگ و تأثیر تجمعی آن بر فعالیتهای پاییندستی مانند تخصیص اسکله و استقرار منابع، اهمیت قابل توجهی دارد.
بندر سنگاپور، به ویژه پایانه جدید Tuas Port، به گونهای طراحی شده است که به طور کامل خودکار و مبتنی بر هوش مصنوعی عمل کند و هدف آن جابجایی سالانه ۶۵ میلیون TEU (واحد معادل بیست فوت کانتینر) تا سال ۲۰۴۰ است. سازمان دریایی و بندری سنگاپور (MPA) از ابزارهای هوش مصنوعی برای تحلیل پیشبینیهای ETA با استفاده از دادههای ماهوارهای، سیستم شناسایی خودکار کشتیها (AIS) و اطلاعات آبوهوایی بهره میبرد. همچنین، از فناوری "دوقلوهای دیجیتال" (Digital Twins) برای شبیهسازی عملیات و کاهش زمان توقف کشتیها، و از سیستمهای برنامهریزی خودکار اسکله مانند Port Optimizer استفاده میکند.20 این بندر همچنین از حسگرهای IoT و هوش مصنوعی برای شناسایی ناهنجاریهای کشتیرانی، از جمله فعالیتهای مرتبط با دزدی دریایی، بهره میگیرد.3 بندر هامبورگ نیز از رویکرد اینترنت اشیاء برای بهینهسازی مدیریت ترافیک استفاده میکند و حرکت کامیونها، قطارها و جرثقیلها را در سراسر محوطه بندر هماهنگ میسازد. در این بندر بیش از ۳۰۰ حسگر جادهای برای نظارت بر ترافیک و ارائه اطلاعات به رانندگان نصب شده است.3 سایر بنادر مطرحی که از سیستمهای هوش مصنوعی بهره میبرند شامل بنادر شانگهای و چینگدائو در چین و بندر لسآنجلس (با استفاده از Port Optimizer شرکت GE) هستند.20
علاوه بر موارد فوق، هوش مصنوعی در بنادر کاربردهای متنوع دیگری نیز دارد، از جمله بهینهسازی کلی عملیات و ساعات کار نیروی انسانی، تحلیل دادههای کانتینری و نظارت مؤثر بر کالاها و وسایل نقلیه، شناسایی خودکار و آنی کالاها با استفاده از فناوری تشخیص نوری نویسهها (OCR)، شناسایی بهترین مسیرهای داخلی بندر، بهبود ایمنی محیط کار و نیروی کار، و کمک به کاهش انتشار کربن از طریق عملیات کارآمدتر.24 این مجموعه گسترده از کاربردها نشان میدهد که بنادر هوشمند نتیجه تعامل پیچیده و همافزای چندین برنامه کاربردی هوش مصنوعی هستند که منجر به دستاوردهای کارایی و بهرهوری قابل توجهی در استفاده از ظرفیتها میشوند. بنابراین، مقامات بندری نیازمند یک استراتژی جامع برای پذیرش هوش مصنوعی هستند، نه فقط راهحلهای جزئی و پراکنده.
هوش مصنوعی تأثیر شگرفی بر فرآیندهای جابجایی بار و اتوماسیون انبارها، چه در بنادر و چه در مراکز لجستیکی داخلی، گذاشته است. جرثقیلهای خودکار که توسط سیستمهای هوش مصنوعی کنترل میشوند، میتوانند با استفاده از فناوری بینایی کامپیوتر، موقعیت دقیق کانتینرها را شناسایی کرده، چیدمان کانتینرها را در محوطه انبار یا روی کشتی به گونهای بهینه کنند که تعداد جابجاییهای مجدد (Rehandling) به حداقل برسد، و به صورت ۲۴ ساعته و ۷ روز هفته با دقت بالا و با تعداد حوادث کمتر نسبت به اپراتورهای انسانی فعالیت کنند.20 به عنوان یک نمونه، یک اپراتور ترمینال با استفاده از یادگیری ماشین توانست تنها با کاهش ۱ درصدی در تعداد جابجاییهای مجدد در یک مجموعه داده شامل یک میلیون کانتینر، به صرفهجویی سالانه ۸۰۰,۰۰۰ یورو دست یابد.23
شاید برجستهترین نمونه از تأثیر هوش مصنوعی و رباتیک در اتوماسیون انبار، شرکت آمازون باشد. این شرکت با استقرار بیش از ۷۵۰,۰۰۰ ربات در مراکز پردازش سفارشات خود در سراسر جهان، موفق به کاهش ۷۵ درصدی در زمانهای مورد نیاز برای برداشت کالا (Picking) و بستهبندی (Packing) شده است. این سطح از اتوماسیون همچنین به آمازون کمک کرده تا با چالش کمبود نیروی کار نیز به طور مؤثری مقابله کند.8 این آمار خیرهکننده، نشاندهنده پتانسیل عظیم هوش مصنوعی برای افزایش بهرهوری در عملیات انبارداری است.
شرکت KION Group، یکی از پیشگامان جهانی در راهحلهای زنجیره تأمین، با همکاری Accenture و NVIDIA، از فناوری شبیهسازی مبتنی بر هوش مصنوعی و دوقلوهای دیجیتال برای آموزش و استقرار رباتها در انبارها استفاده میکند. این رویکرد پیشرفته به KION امکان میدهد تا فرآیندهای پیچیده کارخانهای و انبارداری را به طور دقیق در یک محیط مجازی شبیهسازی کند، ایمنی عملیات رباتیک را پیش از پیادهسازی فیزیکی تضمین نماید و از بروز اختلالات احتمالی جلوگیری کند.25 این روش، فراتر از آزمایش و خطای سنتی در دنیای واقعی، امکان بهینهسازی عملکرد رباتها را پیش از مواجهه با چالشهای عملیاتی فراهم میکند.
راهحلهای هوش مصنوعی برای مدیریت انبار، صنعت لجستیک را با ارائه سطوح بیسابقهای از کارایی و دقت متحول میکنند. یکی از تأثیرگذارترین کاربردها در این حوزه، پیشبینی تقاضا و بهینهسازی موجودی است که مستقیماً بر نحوه مدیریت فضای انبار و جریان کالاها تأثیر میگذارد.8 به طور کلی، اتوماسیون انبار مبتنی بر هوش مصنوعی از انجام صرفاً وظایف تکراری ساده فراتر رفته و به سمت عملیات رباتیک پیچیده و هماهنگ حرکت میکند که بهرهوری را به طور چشمگیری افزایش داده و میتواند پویایی نیروی کار را نیز بازتعریف کند. ظهور "الگوریتمهای هوش مصنوعی مشارکتی و رباتهای هوشمند" 26 و استفاده از پهپادهای مجهز به هوش مصنوعی برای مدیریت موجودی 8، نشاندهنده حرکت به سمت سیستمهای انبارداری هوشمندتر و مستقلتر است. در این میان، نقش نیروی انسانی نیز از انجام کارهای فیزیکی به سمت برنامهنویسی، نگهداری و نظارت بر این سیستمهای پیچیده تغییر خواهد کرد 25، که این امر پیامدهای مهمی برای توسعه و آموزش نیروی کار در آینده دارد.
فرآیندهای مالی تجارت (Trade Finance) به طور سنتی با حجم زیادی از اسناد کاغذی و بررسیهای دستی همراه بوده که زمانبر، پرهزینه و مستعد خطا هستند. هوش مصنوعی، به ویژه با پیشرفتهای اخیر در حوزه پردازش زبان طبیعی (NLP) و مدلهای زبان بزرگ (LLM)، پتانسیل عظیمی برای تحول در این حوزه دارد. سیستمهای مبتنی بر هوش مصنوعی قادرند فرآیندهای مالی تجارت را با پردازش اسناد به صورت آنی و خودکار، به طور قابل توجهی سادهسازی و تسریع کنند. این شامل طبقهبندی خودکار انواع مختلف اسناد (مانند بارنامه، فاکتور، گواهی مبدأ)، اعتبارسنجی اطلاعات مندرج در آنها در برابر شرایط اعتبار اسنادی (LC) یا قراردادها، و انجام بررسیهای انطباق با مقررات بینالمللی مانند مقررات متحدالشکل اعتبارات اسنادی (UCP-600) میشود. این اتوماسیون منجر به کاهش چشمگیر تلاش دستی، کاهش زمان پردازش و افزایش دقت میشود.27
هوش مصنوعی مولد و مدلهای زبان بزرگ، مانند راهحل ارائهشده توسط شرکت DeepOpinion، قابلیتهای پیشرفتهای را در این زمینه به نمایش گذاشتهاند. این سیستمها میتوانند میلیونها نوع مختلف از طرحبندی اسناد را با دقتی بیش از ۹۸ درصد پردازش کرده و اسناد را به بیش از ۱۰۰ زبان مختلف مدیریت کنند.28 توانایی این مدلها فراتر از تشخیص ساده متن (OCR) است؛ آنها قادر به درک زمینه، هدف و جزئیات پیچیده درون اسناد هستند که این امر برای مدیریت اسناد متنوع و پیچیده در تجارت بینالملل بسیار حیاتی است. این سطح از درک متنی، یک جهش قابل توجه نسبت به فناوریهای OCR سنتی محسوب میشود و امکان پردازش هوشمندانهتر اسناد را فراهم میکند.
ویژگیهای کلیدی این سیستمها شامل طبقهبندی و پردازش اسناد مبتنی بر هوش مصنوعی، یکپارچهسازی یکپارچه با سیستمهای مالی تجارت موجود، مدیریت هوشمند موارد استثناء و کاهش ریسکهای مرتبط، انطباق خودکار با مقررات بینالمللی و توانایی پردازش حجم بالای اسناد است.27 کاهش بار عظیم اسناد کاغذی و پیچیدگیهای مرتبط با آن در امور مالی تجارت، منجر به تراکنشهای سریعتر، دقیقتر و سازگارتر با مقررات خواهد شد. این تحول همچنین میتواند به تغییر در مهارتهای مورد نیاز برای متخصصان مالی تجارت منجر شود، به طوری که تمرکز آنها بیشتر بر مدیریت موارد پیچیده و استثنائات باشد تا بررسیهای روتین اسناد.
کشف و پیشگیری از تقلب یکی دیگر از حوزههایی است که هوش مصنوعی در آن تأثیر قابل توجهی در صنعت بانکداری و خدمات مالی، از جمله معاملات تجاری بینالمللی، دارد. الگوریتمهای یادگیری ماشین با تحلیل حجم عظیمی از دادههای تراکنشها، قادرند الگوهای رفتاری مشروع را از فعالیتهای مشکوک و بالقوه متقلبانه تشخیص دهند.29 این سیستمها نه تنها میتوانند تقلبهای شناختهشده را شناسایی کنند، بلکه قادر به کشف روندهای جدید و نوظهور تقلب هستند که ممکن است از دید تحلیلگران انسانی پنهان بمانند.29
در این زمینه، از دو رویکرد اصلی یادگیری ماشین استفاده میشود: یادگیری تحت نظارت (Supervised Learning) و یادگیری بدون نظارت (Unsupervised Learning). در یادگیری تحت نظارت، مدلهای هوش مصنوعی بر روی مجموعه دادههایی آموزش داده میشوند که شامل نمونههای مشخصی از تراکنشهای قانونی و متقلبانه است. این امر به مدل کمک میکند تا الگوهای مرتبط با هر دو نوع فعالیت را بیاموزد. در مقابل، یادگیری بدون نظارت به مدلهای هوش مصنوعی امکان میدهد تا بدون دادههای برچسبخورده قبلی، الگوهای رفتاری غیرعادی و پیشبینینشده را در دادهها شناسایی کنند.29 ترکیب این دو رویکرد، یک سیستم کشف تقلب قویتر و سازگارتر ایجاد میکند که هم قادر به شناسایی الگوهای تقلب شناختهشده است و هم میتواند ناهنجاریهای جدید را که ممکن است نشاندهنده تاکتیکهای نوظهور تقلب باشند، تشخیص دهد.
کاربردهای هوش مصنوعی در کشف تقلب در معاملات تجاری متنوع است. این کاربردها شامل ردیابی رمزارزها (با نظارت بر تراکنشهای بلاکچین برای شناسایی رفتارهای غیرعادی مانند انتقال سریع وجوه)، استفاده از چتباتهای تأیید هویت (که با تحلیل الگوهای زبان و رفتار کاربر، تلاشهای فیشینگ یا سرقت هویت را شناسایی میکنند)، و کشف تقلب در تجارت الکترونیک (با تحلیل رفتار مشتری، تاریخچه خرید، و اطلاعات دستگاه برای شناسایی تراکنشهای خارج از الگوی معمول) میشود.29 این قابلیتها به مؤسسات مالی و کسبوکارهای فعال در تجارت بینالملل کمک میکند تا از خود در برابر کلاهبرداران که به طور فزایندهای از روشهای پیچیدهتری استفاده میکنند، محافظت نمایند. با این حال، این امر مستلزم آموزش مداوم مدلهای هوش مصنوعی و تطبیق آنها با تاکتیکهای تقلب در حال تحول است.
در ادامه، جدول ۲ خلاصهای از کاربردهای کلیدی هوش مصنوعی در کشتیرانی و تجارت بینالملل به همراه مثالها و مزایای آنها ارائه شده است. این جدول به منظور ارائه یک دید کلی و سریع از گستردگی تأثیر هوش مصنوعی در این صنعت طراحی شده است و به خوانندگان کمک میکند تا به سرعت با مهمترین کاربردها و دستاوردهای آنها آشنا شوند.
۳. مزایا و منافع پذیرش هوش مصنوعی
پذیرش هوش مصنوعی در صنعت کشتیرانی و تجارت بینالملل مزایای گسترده و چندوجهی به همراه دارد که نه تنها به بهبود عملکرد مالی شرکتها کمک میکند، بلکه به افزایش ایمنی، پایداری زیستمحیطی و رضایت مشتریان نیز منجر میشود. این مزایا اغلب به صورت یک زنجیره به هم پیوسته عمل میکنند، به طوری که بهبود در یک حوزه میتواند به پیشرفت در حوزههای دیگر نیز یاری رساند. برای درک بهتر این تحول، ابتدا مقایسهای بین عملیات سنتی و عملیات مبتنی بر هوش مصنوعی ارائه میشود.
هوش مصنوعی با خودکارسازی وظایف تکراری و بهینهسازی فرآیندهای پیچیده، کارایی و بهرهوری را در صنعت کشتیرانی به طور چشمگیری افزایش میدهد.2 به عنوان مثال، در عملیات انبار، سیستمهای برداشت خودکار (Automated Picking Systems) میتوانند بهرهوری را تا ۴۰ درصد افزایش دهند.33 این سیستمها قادرند با سرعت و دقت بسیار بالاتری نسبت به نیروی انسانی، کالاها را مکانیابی، برداشت و برای ارسال آماده کنند. به طور مشابه، سیستمهای مسیریابی مبتنی بر هوش مصنوعی میتوانند میلیونها ترکیب ممکن از مسیرها را در عرض چند ثانیه تحلیل کرده و کارآمدترین گزینهها را شناسایی کنند؛ کاری که برای انسان با این سرعت و دقت تقریباً غیرممکن است.31 این قابلیت منجر به کاهش قابل توجه زمان سفر، استفاده بهینهتر از ناوگان حملونقل و در نتیجه افزایش تعداد محمولههای قابل جابجایی در یک بازه زمانی مشخص میشود.2 در حوزه عملیات بندری نیز، گزارش شده است که هوش مصنوعی میتواند بهرهوری کلی را بین ۲۰ تا ۲۵ درصد بهبود بخشد.20 این افزایش بهرهوری ناشی از هماهنگی بهتر بین فعالیتهای مختلف بندر، کاهش زمان انتظار کشتیها و استفاده مؤثرتر از تجهیزات و اسکلهها است.
یکی از ملموسترین مزایای پذیرش هوش مصنوعی، کاهش قابل توجه هزینهها در بخشهای مختلف عملیات کشتیرانی است. بهینهسازی مسیر با استفاده از هوش مصنوعی، همانطور که پیشتر اشاره شد، منجر به کاهش چشمگیر مصرف سوخت میشود. در یک مطالعه موردی، این کاهش ۱۵ درصد گزارش شده 11 و به طور متوسط در صنعت، حدود ۱۰ درصد برآورد شده است.12 شرکت لجستیکی UPS با معرفی پلتفرم بهینهسازی مسیر ORION خود، موفق به صرفهجویی ۳۲۰ میلیون دلاری و کاهش ۱۰ میلیون گالنی در مصرف سوخت شد.10 این ارقام به خوبی نشاندهنده تأثیر مستقیم هوش مصنوعی بر کاهش یکی از بزرگترین اقلام هزینهای در حملونقل است.
در حوزه نگهداری و تعمیرات، رویکرد پیشبینانه مبتنی بر هوش مصنوعی با جلوگیری از خرابیهای عمده و ناگهانی تجهیزات و همچنین بهینهسازی برنامههای نگهداری، هزینهها را به طور قابل ملاحظهای کاهش میدهد.2 تخمین زده میشود که نگهداری پیشبینانه بتواند هزینههای مرتبط با تعمیرات و نگهداری را بین ۲۰ تا ۳۰ درصد کاهش دهد.22 اتوماسیون انبار نیز از طریق کاهش نیاز به نیروی کار دستی، به صرفهجویی در هزینهها کمک میکند. به عنوان مثال، یک سیستم مرتبسازی خودکار ممکن است هزینه اولیه ۲۵۰,۰۰۰ دلاری داشته باشد، اما در مقابل، سالانه ۵۰,۰۰۰ دلار در هزینههای نیروی کار صرفهجویی ایجاد کند که در بلندمدت بازگشت سرمایه قابل توجهی را به همراه دارد.33 علاوه بر این، بهینهسازی بار با استفاده از هوش مصنوعی، با اطمینان از پر بودن ظرفیت وسایل نقلیه و کاهش سفرهای خالی، میتواند هزینههای حملونقل را به طور چشمگیری کاهش دهد.26 به طور کلی، برآورد شده است که کسبوکارهایی که از لجستیک دیجیتال و راهحلهای مبتنی بر هوش مصنوعی استفاده میکنند، میتوانند تا ۳۰ درصد در هزینههای عملیاتی خود صرفهجویی کنند.4
هوش مصنوعی پتانسیل بالایی برای بهبود ایمنی در محیطهای کاری خطرناک صنعت کشتیرانی و همچنین مدیریت بهتر ریسکهای عملیاتی دارد. سیستمهای مبتنی بر هوش مصنوعی، بهویژه آنهایی که از بینایی کامپیوتر بهره میبرند، میتوانند با فعال کردن قابلیت تشخیص خودکار اشیاء، به اپراتورها در مورد خطرات بالقوه در زمان واقعی هشدار داده و به ایجاد یک محیط کار ایمنتر کمک کنند.23 در عملیات دریایی، که خطای انسانی یکی از عوامل اصلی بروز حوادث است، هوش مصنوعی میتواند با خودکارسازی برخی وظایف یا ارائه پشتیبانی تصمیمگیری به خدمه، به کاهش این خطاها کمک کند.35
در مدیریت بنادر، هوش مصنوعی میتواند با تنظیم هشدارها و تشخیص فعالیتهای خطرناک یا غیرعادی، به کاهش حوادث و افزایش ایمنی کمک کند.24 به عنوان مثال، سیستمها میتوانند ورود افراد غیرمجاز به مناطق ممنوعه یا عدم استفاده از تجهیزات ایمنی توسط کارگران را تشخیص داده و هشدار دهند. نگهداری پیشبینانه نیز با جلوگیری از خرابی ناگهانی تجهیزات حیاتی مانند جرثقیلها یا تجهیزات جابجایی کانتینر، از بروز صدمات احتمالی به کارگران اسکله و سایر پرسنل جلوگیری میکند.21 این بهبودها در ایمنی نه تنها از جان انسانها محافظت میکند، بلکه هزینههای مرتبط با حوادث، خسارات و بیمه را نیز کاهش میدهد.
در دورانی که نگرانیهای زیستمحیطی و فشار برای کاهش انتشار گازهای گلخانهای در حال افزایش است، هوش مصنوعی به عنوان ابزاری قدرتمند برای دستیابی به اهداف پایداری در صنعت کشتیرانی ظهور کرده است. کاهش مصرف سوخت از طریق بهینهسازی مسیر و عملیات کشتی، که پیشتر به آن اشاره شد، مستقیماً به کاهش انتشار گازهای گلخانهای، بهویژه دیاکسید کربن، منجر میشود.9 طبق گزارش رویترز، تخمین زده میشود که فناوریهای هوش مصنوعی پتانسیل کاهش سالانه ۴۷ میلیون تن از انتشار کربن صنعت کشتیرانی را دارند.23
علاوه بر این، هوش مصنوعی میتواند به شرکتهای کشتیرانی در رعایت مقررات زیستمحیطی سختگیرانهتر، مانند شاخص شدت کربن (CII) و شاخص بهرهوری انرژی کشتیهای موجود (EEXI) که توسط سازمان بینالمللی دریانوردی (IMO) وضع شدهاند، کمک کند.12 سیستمهای هوشمند میتوانند عملکرد کشتیها را به طور مداوم پایش کرده و راهکارهایی برای بهبود بهرهوری انرژی و کاهش انتشار آلایندهها ارائه دهند. بنادر هوشمند نیز از هوش مصنوعی برای کاهش مصرف انرژی و انتشار کربن از طریق مدیریت کارآمدتر انرژی، بهینهسازی جریان ترافیک و حتی یکپارچهسازی منابع انرژی تجدیدپذیر در عملیات خود استفاده میکنند.3
این مزایا نشان میدهند که هوش مصنوعی نه تنها یک ابزار برای بهبود سودآوری است، بلکه میتواند نقش مهمی در مسئولیتپذیری اجتماعی و زیستمحیطی شرکتهای فعال در این صنعت ایفا کند. به طور کلی، مزایای هوش مصنوعی در این صنعت به هم مرتبط هستند و یک چرخه مثبت ایجاد میکنند. به عنوان مثال، افزایش کارایی منجر به کاهش هزینهها میشود، که این صرفهجویی میتواند برای سرمایهگذاری بیشتر در هوش مصنوعی یا طرحهای پایداری مورد استفاده قرار گیرد. بهبود ایمنی نیز میتواند هزینههای مرتبط با حوادث و بیمه را کاهش دهد. در قلب تمام این پیشرفتها، توانایی هوش مصنوعی در تحلیل دادهها و ارائه بینش برای تصمیمگیری بهتر قرار دارد.2 این تصمیمات بهبودیافته سپس به صورت افزایش کارایی، کاهش هزینهها، ایمنی بهتر و پایداری بیشتر نمود پیدا میکنند و دادهها را به عنوان عامل توانمندساز بنیادین برای تمامی این مزایا معرفی میکنند.
۴. چالشها و ملاحظات پیادهسازی هوش مصنوعی
علیرغم مزایای چشمگیر هوش مصنوعی، پیادهسازی موفقیتآمیز آن در صنعت کشتیرانی و تجارت بینالملل با چالشها و ملاحظات متعددی همراه است. این چالشها ابعاد مختلفی از جمله فناوری، مالی، انسانی، امنیتی و نظارتی را در بر میگیرند و برای غلبه بر آنها نیازمند یک رویکرد استراتژیک و جامع هستیم، نه صرفاً تمرکز بر تهیه فناوری.
اساس عملکرد سیستمهای هوش مصنوعی بر داده استوار است. این سیستمها برای یادگیری الگوها، انجام پیشبینیهای دقیق و ارائه بینشهای ارزشمند، به مقادیر بسیار زیادی از دادههای تاریخی و آنی نیاز دارند. با این حال، صرفاً حجم بالای داده کافی نیست؛ کیفیت دادهها نیز از اهمیت فوقالعادهای برخوردار است. دادههای ناسازگار، نادرست، ناقص یا دارای سوگیری میتوانند منجر به آموزش نادرست مدلهای هوش مصنوعی و در نتیجه، تولید خروجیها و راهحلهای غیردقیق یا حتی مضر شوند.9 بنابراین، سرمایهگذاری در سیستمهای جمعآوری، پاکسازی، اعتبارسنجی و مدیریت دادهها یک پیشنیاز اساسی برای پیادهسازی موفق هوش مصنوعی است.
علاوه بر این، جمعآوری، ذخیرهسازی و تحلیل مقادیر گستردهای از دادههای عملیاتی و تجاری، نگرانیهای جدی را در مورد حریم خصوصی، امنیت و حفاظت از دادهها ایجاد میکند.13 اطلاعات مربوط به محمولهها، مسیرها، مشتریان و عملیات مالی، همگی دادههای حساسی هستند که باید در برابر دسترسیهای غیرمجاز، حملات سایبری و سوءاستفاده محافظت شوند. حصول اطمینان از انطباق با مقررات حفاظت از دادهها، مانند GDPR در اروپا یا سایر قوانین مشابه در حوزههای قضایی مختلف، برای شرکتهایی که در سطح بینالمللی فعالیت میکنند، یک چالش مهم و پیچیده است.9
پیادهسازی فناوریهای هوش مصنوعی، بهویژه در مقیاس بزرگ، معمولاً نیازمند سرمایهگذاری اولیه قابل توجهی است. این هزینهها شامل تهیه نرمافزارها و سختافزارهای تخصصی، توسعه یا سفارشیسازی مدلهای هوش مصنوعی، یکپارچهسازی با سیستمهای موجود و آموزش کارکنان میشود.9 این هزینه اولیه بالا میتواند برای بسیاری از کسبوکارها، بهویژه شرکتهای کوچک و متوسط (SMEs) که ممکن است منابع مالی محدودتری داشته باشند، یک مانع جدی محسوب شود.13
علاوه بر هزینه اولیه، برخی از اپراتورهای ترمینال یا شرکتهای کشتیرانی ممکن است به دلیل عدم اطمینان از میزان و زمان بازگشت سرمایه (ROI) در مورد سرمایهگذاری در هوش مصنوعی مردد باشند.23 اگرچه مزایای بالقوه هوش مصنوعی گسترده است، اما اندازهگیری دقیق تأثیر آن بر شاخصهای کلیدی عملکرد و محاسبه بازگشت سرمایه میتواند چالشبرانگیز باشد، بهویژه برای کاربردهای جدیدتر یا پیچیدهتر.
توسعه، پیادهسازی و نگهداری سیستمهای هوش مصنوعی نیازمند دانش و تخصص فنی بالایی است. متخصصان داده، مهندسان یادگیری ماشین و تحلیلگران هوش مصنوعی از جمله نیروهای متخصصی هستند که تقاضا برای آنها زیاد و عرضه آنها ممکن است محدود و پرهزینه باشد.37 بسیاری از متخصصان و مدیران فعال در صنعت کشتیرانی و لجستیک نیز ممکن است دانش محدودی در مورد قابلیتها، محدودیتها و نحوه پیادهسازی مؤثر هوش مصنوعی داشته باشند.13
ادغام سیستمهای هوش مصنوعی در جریانهای کاری و زیرساختهای فناوری اطلاعات موجود در شرکتها نیز نیازمند تخصص فنی قابل توجهی است و ممکن است با مقاومت از سوی کارگرانی مواجه شود که نگران تغییر در وظایف خود، نیاز به یادگیری مهارتهای جدید یا حتی از دست دادن شغلشان هستند.13 آموزش کارکنان در مورد مفاهیم هوش مصنوعی و نحوه کار با سیستمهای جدید برای استفاده مؤثر از این فناوریها و غلبه بر مقاومت احتمالی ضروری است.13
یکی از نگرانیهای مهم در مورد پذیرش گسترده هوش مصنوعی، پتانسیل آن برای جایگزینی نیروی انسانی و از دست رفتن مشاغل در برخی بخشهای صنعت دریایی است.37 با این حال، دیدگاه غالب این است که هوش مصنوعی بیشتر به عنوان یک ابزار مکمل برای افزایش کارایی کارکنان عمل خواهد کرد تا جایگزین کامل آنها. شرکتهایی مانند FedEx و UPS با استقرار رباتیک مبتنی بر هوش مصنوعی برای انجام وظایف تکراری و فیزیکی سنگین، به کارگران انسانی این امکان را دادهاند که بر عملیات استراتژیک پیچیدهتر که نیازمند تفکر انتقادی و مهارتهای بین فردی است، تمرکز کنند.8 این امر بر اهمیت برنامهریزی استراتژیک برای توسعه نیروی کار و ارائه آموزشهای لازم برای ارتقاء مهارتها (Upskilling) و بازآموزی (Reskilling) تأکید دارد.
با افزایش دیجیتالی شدن عملیات و وابستگی بیشتر به سیستمهای مبتنی بر هوش مصنوعی، صنعت کشتیرانی و تجارت بینالملل به طور فزایندهای در معرض ریسکهای امنیت سایبری قرار میگیرد. سیستمهای هوش مصنوعی، مانند هر سیستم نرمافزاری دیگری، میتوانند در برابر حملات سایبری، بدافزارها و سایر تهدیدات امنیتی آسیبپذیر باشند. یک حمله موفقیتآمیز میتواند منجر به اختلال در عملیات، سرقت دادههای حساس، خسارات مالی هنگفت و حتی به خطر افتادن ایمنی و امنیت عملیات دریایی شود.37 بنادر و پایانهها به عنوان زیرساختهای حیاتی ملی و بینالمللی در نظر گرفته میشوند و هرگونه نقض امنیتی در آنها میتواند عواقب فاجعهباری برای تجارت جهانی و امنیت ملی داشته باشد.23 با افزایش اتکای کشتیها به زیرساختهای دیجیتال برای ناوبری، کنترل سیستمها و ارتباطات، تهدید حملات سایبری به این شناورها نیز به طور قابل توجهی تشدید میشود.38 بنابراین، اتخاذ تدابیر امنیتی سایبری قوی و بهروز، یک جزء جداییناپذیر از هر استراتژی پیادهسازی هوش مصنوعی است و نباید به عنوان یک اقدام ثانویه در نظر گرفته شود.
پذیرش و استفاده از هوش مصنوعی در عملیات دریایی، بهویژه در کاربردهای حساس مانند ناوبری خودران یا تصمیمگیریهای حیاتی، منوط به دریافت تأییدیههای نظارتی است. این مقررات میتوانند بر اساس حوزه قضایی (کشور یا منطقه) متفاوت باشند و فرآیند تکامل و تطبیق آنها با سرعت پیشرفت فناوری ممکن است کند باشد.37 چارچوب نظارتی فعلی در بسیاری از موارد برای پرداختن به جنبههای منحصر به فرد کشتیهای مجهز به هوش مصنوعی و شناورهای خودران، که ممکن است فاقد خدمه انسانی باشند یا تصمیمات مهمی توسط الگوریتمها اتخاذ شود، با چالشهایی مواجه است. سازمانهای بینالمللی مانند سازمان بینالمللی دریانوردی (IMO) در حال توسعه دستورالعملها و استانداردهایی برای کشتیهای خودران با تمرکز بر ایمنی، مسئولیتپذیری و تأثیرات زیستمحیطی هستند، اما این فرآیند زمانبر است.38 این عدم قطعیت نظارتی میتواند سرمایهگذاری در برخی از کاربردهای پیشرفته هوش مصنوعی را با ریسک مواجه کند.
علاوه بر موانع نظارتی، استفاده از هوش مصنوعی سؤالات اخلاقی مهمی را نیز مطرح میکند. به عنوان مثال، در مورد تصمیمگیری الگوریتمها در موقعیتهای بحرانی (مانند انتخاب بین دو گزینه که هر دو منجر به خسارت میشوند) و همچنین تعیین مسئولیت و پاسخگویی در قبال اقدامات و تصمیمات اتخاذ شده توسط سیستمهای مبتنی بر هوش مصنوعی، ابهامات جدی وجود دارد.37 ایجاد چارچوبهای اخلاقی و حقوقی مناسب برای راهبری توسعه و استفاده مسئولانه از هوش مصنوعی در این صنعت ضروری است.
این چالشها نشان میدهند که پذیرش موفقیتآمیز هوش مصنوعی نیازمند یک رویکرد چندوجهی است که فراتر از تهیه و پیادهسازی صرف فناوری باشد. همانطور که در جدول زیر نشان داده شده است، برای هر یک از این چالشها، راهکارهای بالقوهای برای کاهش اثرات آنها وجود دارد.
۵. آینده هوش مصنوعی در کشتیرانی و تجارت بینالملل
آینده هوش مصنوعی در صنعت کشتیرانی و تجارت بینالملل بسیار روشن و امیدوارکننده به نظر میرسد. پیشرفتهای مداوم در این فناوری، نویدبخش تحولات عمیقتری در نحوه انجام عملیات، مدیریت زنجیرههای تأمین و تعاملات تجاری است. سه روند کلیدی که آینده این حوزه را شکل خواهند داد عبارتند از: گسترش شناورها و عملیات خودران، توسعه تحلیلهای پیشبینانه پیشرفته و ایجاد اکوسیستمهای یکپارچه، و نقش فزاینده استانداردها و مقررات بینالمللی.
یکی از هیجانانگیزترین و در عین حال چالشبرانگیزترین چشماندازهای آینده، ظهور و گسترش شناورهای کاملاً خودران (Fully Autonomous Ships) است. این کشتیها که برای ناوبری، کنترل سیستمها و انجام وظایف عملیاتی به طور کامل به سیستمهای مبتنی بر هوش مصنوعی متکی هستند 5، پتانسیل کاهش قابل توجه هزینههای مربوط به خدمه، بهینهسازی دقیق مسیرها و برنامههای سفر، و افزایش ایمنی از طریق به حداقل رساندن خطای انسانی را دارند.36 هوش مصنوعی این امکان را فراهم میکند که کشتیها بدون دخالت مستقیم انسان یا با حداقل خدمه ممکن، در مسیرهای طولانی و پیچیده حرکت کنند.35
با این حال، تحقق کامل این چشمانداز با موانع قابل توجهی روبروست. همانطور که پیشتر اشاره شد، چارچوب نظارتی فعلی دریانوردی، بهویژه کنوانسیونهای بینالمللی کلیدی مانند کنوانسیون ملل متحد در مورد حقوق دریاها (UNCLOS)، مقررات بینالمللی جلوگیری از تصادم در دریا (COLREGS)، کنوانسیون بینالمللی استانداردهای آموزش، صدور گواهینامه و نگهبانی دریانوردان (STCW)، و کنوانسیون بینالمللی ایمنی جان اشخاص در دریا (SOLAS)، عمدتاً بر اساس حضور و مسئولیت خدمه انسانی تدوین شدهاند و در بسیاری از موارد با الزامات و واقعیتهای فناوری کشتیهای خودران در تضاد قرار میگیرند.38 به عنوان مثال، مفاهیمی مانند "نگهبانی مناسب با دید و شنوایی" یا "عدم ترک پل فرماندهی بدون مراقب" با عملیات کاملاً خودران سازگار نیستند. علاوه بر این، مسئله تعیین مسئولیت در صورت بروز حوادث با کشتیهای خودران، یک چالش حقوقی و بیمهای پیچیده است که نیازمند راهحلهای نوآورانه است.38 بنابراین، در حالی که مزایای بالقوه کشتیهای خودران واضح است، مسیر پیش رو برای پذیرش گسترده و عملیاتی شدن آنها در سطح بینالمللی، مسیری طولانی و نیازمند تحولات قابل توجه در حوزههای قانونی، نظارتی و اخلاقی خواهد بود.
آینده هوش مصنوعی در این صنعت همچنین با توسعه تحلیلهای پیشبینانه (Predictive Analytics) بسیار پیشرفتهتر و ایجاد اکوسیستمهای لجستیکی کاملاً یکپارچه گره خورده است. انتظار میرود سیستمهای هوش مصنوعی آینده قادر باشند نه تنها رویدادها را پیشبینی کنند، بلکه اختلالات بالقوه در زنجیره تأمین را پیش از وقوع شناسایی کرده و راهکارهای پیشگیرانه یا کاهنده برای آنها ارائه دهند. این امر منجر به بهینهسازی بیشتر مسیرها، کاهش مصرف سوخت غیرضروری و افزایش تابآوری کلی زنجیره تأمین خواهد شد.9
در حوزه عملیات انبار، پیشبینی میشود که هوش مصنوعی و یادگیری ماشین با فعال کردن تصمیمگیریهای آنی و کاملاً خودکار، بهینهسازی جریانهای کاری پیچیده و کاهش بیشتر هزینههای ناشی از ناکارآمدی، این بخش را بیش از پیش متحول سازند.8 فراتر از بهینهسازی فرآیندهای منفرد، حرکت به سمت یکپارچهسازی دادهها در تمامی عملیات پایانه دریایی و در طول کل زنجیره تأمین است. پلتفرمهای مبتنی بر هوش مصنوعی قادر خواهند بود دادهها را از منابع مختلف و متنوع – از جمله برنامههای حرکت کشتیها، مانیفستهای بار، الگوهای آبوهوایی، دادههای حسگرها و اطلاعات بازار – تجمیع و تحلیل کنند و یک دید جامع و ۳۶۰ درجه از کل عملیات در اختیار مدیران قرار دهند.21 مفهوم "بنادر هوشمند" 3 خود نشاندهنده حرکت به سمت چنین اکوسیستمهای یکپارچهای است که در آن کاربردهای مختلف هوش مصنوعی به صورت هماهنگ با یکدیگر عمل میکنند. این روند به معنای گذار از بهینهسازی فرآیندهای مجزا به سمت بهینهسازی کل زنجیره ارزش است که نیازمند سطح بالاتری از قابلیت همکاری (Interoperability) و اشتراکگذاری دادهها بین تمامی ذینفعان خواهد بود.
با توجه به ماهیت جهانی صنعت کشتیرانی و تجارت بینالملل، نقش استانداردها و مقررات بینالمللی در شکلدهی به آینده هوش مصنوعی در این حوزه بسیار حیاتی است. سازمان بینالمللی دریانوردی (IMO) به عنوان نهاد اصلی قانونگذار در این صنعت، در حال توسعه یک استراتژی جامع برای دیجیتالی شدن دریایی است که انتظار میرود تا پایان سال ۲۰۲۷ به تصویب برسد. هدف اصلی این استراتژی، ایجاد یک بخش دریایی جهانی کاملاً متصل، هماهنگ و خودکار است که از فناوریهای نوظهور برای افزایش کارایی، ایمنی و پایداری بهره میبرد.39
دبیرکل IMO ضمن تأکید بر پتانسیل تحولآفرین فناوریهای پیشرفته مانند هوش مصنوعی و ناوبری خودران، چالشهای مرتبط با آنها، از جمله ریسکهای امنیت سایبری و شکاف دیجیتال جهانی را نیز به رسمیت شناخته است.39 این نشاندهنده آگاهی نهادهای نظارتی از پیچیدگیهای موجود است. نیاز به همکاری گسترده در سطح صنعت برای ایجاد رویهها و شیوههای استاندارد برای توسعه و بهرهبرداری ایمن و مسئولانه از کشتیهای خودران و سایر کاربردهای هوش مصنوعی بارها مورد تأکید قرار گرفته است.38 انتظار میرود که تمرینهای تعیین دامنه نظارتی (Regulatory Scoping Exercises) و تدوین استانداردهای جهانی، به پذیرش گستردهتر و مسئولانهتر هوش مصنوعی کمک کرده و از پیادهسازیهای پراکنده و ناسازگار جلوگیری کند.36 با این حال، فرآیند تدوین و اجرای مقررات بینالمللی، که نیازمند اجماع بین تعداد زیادی از کشورهای عضو با اولویتها و ظرفیتهای متفاوت است، ذاتاً پیچیده و زمانبر خواهد بود. این امر میتواند به عنوان یک عامل تعدیلکننده در سرعت پذیرش برخی از کاربردهای بسیار پیشرفته و بالقوه پرریسک هوش مصنوعی، مانند کشتیهای کاملاً خودران در مسیرهای بینالمللی، عمل کند.
۶. نتیجهگیری و توصیههای راهبردی
تحلیل جامع کاربردها، مزایا، چالشها و روندهای آینده هوش مصنوعی در صنعت کشتیرانی و تجارت بینالملل به وضوح نشان میدهد که این فناوری در حال بازتعریف بنیادین عملیات و استراتژیها در این حوزه است. هوش مصنوعی دیگر یک مفهوم آیندهنگرانه یا یک فناوری در حاشیه نیست، بلکه به یک واقعیت امروزی تبدیل شده که هر جنبه از صنعت لجستیک، از برنامهریزی مسیر و نگهداری شناورها گرفته تا مدیریت بنادر، اتوماسیون انبارها و تسهیل امور مالی تجارت را متحول میکند.11 توانایی هوش مصنوعی در تحلیل حجم عظیمی از دادهها، شناسایی الگوهای پیچیده، پیشبینی رویدادها و خودکارسازی فرآیندها، منجر به افزایش چشمگیر کارایی، کاهش قابل توجه هزینهها، بهبود ایمنی عملیات و ارتقاء پایداری زیستمحیطی شده است. این تحول نه تنها به نفع شرکتهای فعال در این صنعت است، بلکه تأثیرات مثبتی بر کل اقتصاد جهانی و رفاه مصرفکنندگان نیز خواهد داشت.
پذیرش موفقیتآمیز هوش مصنوعی و بهرهبرداری کامل از پتانسیل آن نیازمند یک رویکرد استراتژیک، همکاری همهجانبه و تطبیق مستمر از سوی تمامی ذینفعان است. این فرآیند صرفاً یک سرمایهگذاری فناورانه نیست، بلکه یک سفر تحولآفرین است که نیازمند برنامهریزی دقیق، توسعه قابلیتها و مدیریت تغییر در سطوح مختلف سازمانی و صنعتی است. در ادامه، توصیههایی برای گروههای مختلف ذینفعان ارائه میشود:
برای شرکتهای کشتیرانی و اپراتورهای لجستیک:
شروع با پروژههای هدفمند و کوچک مقیاس: به جای تلاش برای پیادهسازی راهحلهای جامع و پیچیده از ابتدا، توصیه میشود که شرکتها با پروژههای کوچک مقیاس و هدفمند که دارای اهداف روشن و نتایج قابل اندازهگیری هستند، شروع کنند.23 تمرکز اولیه میتواند بر روی کاربردهایی با بازگشت سرمایه اثباتشده، مانند بهینهسازی مسیر یا نگهداری پیشبینانه، باشد. این رویکرد به شرکتها امکان میدهد تا تجربه کسب کرده، اعتماد ایجاد کنند و درسهای آموخته را در پروژههای بزرگتر به کار گیرند.
سرمایهگذاری در کیفیت و حاکمیت داده: دادهها سوخت هوش مصنوعی هستند. بنابراین، ایجاد زیرساختهای قوی برای جمعآوری، ذخیرهسازی، پاکسازی، مدیریت کیفیت و امنیت دادهها از اهمیت حیاتی برخوردار است. بدون دادههای باکیفیت و قابل اعتماد، حتی پیشرفتهترین الگوریتمهای هوش مصنوعی نیز عملکرد مطلوبی نخواهند داشت.
توسعه استعداد و ارتقاء مهارت نیروی کار: پذیرش هوش مصنوعی نیازمند مهارتهای جدید در نیروی کار است. شرکتها باید در برنامههای آموزشی برای ارتقاء مهارت (Upskilling) کارکنان فعلی خود به منظور کار با سیستمهای هوش مصنوعی و همچنین بازآموزی (Reskilling) آنها برای ایفای نقشهای جدید و ارزشافزودهتر سرمایهگذاری کنند.13 ایجاد فرهنگ یادگیری مستمر و تطبیق با تغییرات ضروری است.
همکاری و اشتراک داده (در چارچوب امنیت و رقابت): صنعت کشتیرانی یک اکوسیستم به هم پیوسته است. مشارکت با شرکای فناوری، سایر شرکتهای لجستیکی، بنادر و حتی رقبا (در حوزههایی که منافع مشترک وجود دارد مانند استانداردسازی یا ایمنی) میتواند به توسعه راهحلهای یکپارچهتر و به اشتراکگذاری بینشهای ارزشمند کمک کند. البته، این همکاری باید با رعایت کامل اصول امنیت دادهها و حفظ مزیت رقابتی صورت گیرد.
برای اپراتورهای بندر و ترمینال:
اتخاذ یک رویکرد جامع برای "بندر هوشمند": به جای پیادهسازی راهحلهای جزیرهای، اپراتورهای بندر باید یک استراتژی جامع برای تبدیل شدن به "بندر هوشمند" اتخاذ کنند. این شامل سرمایهگذاری هماهنگ در فناوریهای مختلف هوش مصنوعی برای بهینهسازی جریان ترافیک، تخصیص اسکله، جابجایی بار، امنیت و پایداری میشود.
همکاری با خطوط کشتیرانی و سایر شرکای زنجیره تأمین: یکپارچهسازی دادهها و هماهنگی عملیات با خطوط کشتیرانی، شرکتهای حملونقل زمینی و سایر بازیگران زنجیره تأمین برای بهبود پیشبینیپذیری، کاهش زمانهای انتظار و افزایش کارایی کلی ضروری است.
برای سیاستگذاران و نهادهای نظارتی:
توسعه چارچوبهای نظارتی چابک و آیندهنگر: فناوری هوش مصنوعی به سرعت در حال تحول است. سیاستگذاران باید چارچوبهای نظارتی را توسعه دهند که نه تنها نوآوری را تشویق کرده و از آن حمایت میکنند، بلکه به طور مؤثر به ریسکهای مرتبط با ایمنی، امنیت، حریم خصوصی و ملاحظات اخلاقی نیز رسیدگی مینمایند.38 این چارچوبها باید انعطافپذیر و قابل تطبیق با پیشرفتهای آینده باشند.
ترویج استانداردسازی و قابلیت همکاری: برای تسهیل یکپارچهسازی سیستمهای مختلف هوش مصنوعی و امکان اشتراکگذاری دادهها در سطح ملی و بینالمللی، ترویج استانداردها و پروتکلهای مشترک از اهمیت بالایی برخوردار است. این امر به جلوگیری از ایجاد سیلوهای فناوری و افزایش کارایی کل اکوسیستم کمک میکند.
حمایت از تحقیق و توسعه و آموزش: دولتها و نهادهای نظارتی میتوانند با حمایت از فعالیتهای تحقیق و توسعه در زمینه هوش مصنوعی و همچنین سرمایهگذاری در برنامههای آموزشی و توسعه مهارت، به ایجاد تخصص و ظرفیت داخلی در این حوزه کمک کنند.
در نهایت، باید تأکید کرد که پذیرش موفقیتآمیز هوش مصنوعی در صنعت کشتیرانی و تجارت بینالملل یک تلاش جمعی است. همکاری نزدیک بین بخش خصوصی، دولتها، سازمانهای بینالمللی و جامعه علمی برای هدایت این تحول به سمتی که منافع اقتصادی، اجتماعی و زیستمحیطی را به حداکثر برساند، ضروری است. آینده این صنعت بدون شک با هوش مصنوعی گره خورده است و آنهایی که به طور استراتژیک و مسئولانه این فناوری را در آغوش بگیرند، پیشتازان فردای این عرصه خواهند بود.
