Van data naar voorspelbare havenoperaties bij ECT Rotterdam
Data Science & AI
De uitdaging
Het ontwikkelen van een voorspelmodel is één ding, maar ervoor zorgen dat het model ook daadwerkelijk betrouwbaar, beheersbaar en bruikbaar is in de dagelijkse operatie vraagt om meer.
ECT beschikte al over verschillende voorspellende modellen, waaronder modellen voor de verwachte lostijd van containers en de doorlooptijd van trucks op de terminal. De uitdaging lag in het verder verbeteren van deze oplossingen én het professionaliseren van de manier waarop Data Science-oplossingen werden ontwikkeld, gemonitord en naar productie gebracht.
Daarbij moest continu de verbinding worden gelegd tussen de technische mogelijkheden van data en AI en de praktijk op de terminal.
ECT beschikte al over verschillende voorspellende modellen, waaronder modellen voor de verwachte lostijd van containers en de doorlooptijd van trucks op de terminal. De uitdaging lag in het verder verbeteren van deze oplossingen én het professionaliseren van de manier waarop Data Science-oplossingen werden ontwikkeld, gemonitord en naar productie gebracht.
Daarbij moest continu de verbinding worden gelegd tussen de technische mogelijkheden van data en AI en de praktijk op de terminal.
Onze aanpak
IBS werkte binnen een multidisciplinair Agile-team aan de volledige levenscyclus van verschillende data- en AI-oplossingen. Daarbij combineerden we Data Science, Data Engineering en MLOps met intensieve samenwerking met de operatie.
We analyseerden en verbeterden bestaande voorspelmodellen, onderzochten nieuwe databronnen en ontwikkelden nieuwe methodieken om voorspellingen beter te laten aansluiten op de operationele werkelijkheid. Zo werd onder andere gewerkt aan de voorspelling van truckdoorlooptijden en containerbewegingen.
Tegelijkertijd professionaliseerden we de technische omgeving rondom deze modellen. Denk aan het verbeteren van Python- en SQL-code, het inrichten van CI/CD-processen en het opzetten van monitoring en alerting binnen Azure. Hierdoor werd niet alleen het model zelf beter, maar ook de manier waarop modellen worden ontwikkeld, beheerd en gecontroleerd.
We analyseerden en verbeterden bestaande voorspelmodellen, onderzochten nieuwe databronnen en ontwikkelden nieuwe methodieken om voorspellingen beter te laten aansluiten op de operationele werkelijkheid. Zo werd onder andere gewerkt aan de voorspelling van truckdoorlooptijden en containerbewegingen.
Tegelijkertijd professionaliseerden we de technische omgeving rondom deze modellen. Denk aan het verbeteren van Python- en SQL-code, het inrichten van CI/CD-processen en het opzetten van monitoring en alerting binnen Azure. Hierdoor werd niet alleen het model zelf beter, maar ook de manier waarop modellen worden ontwikkeld, beheerd en gecontroleerd.
context
ECT Rotterdam verwerkt dagelijks grote aantallen containers, trucks en scheepsbewegingen op haar terminals in de Rotterdamse haven. In deze complexe operationele omgeving speelt data een steeds belangrijkere rol. Betrouwbare voorspellingen helpen zowel medewerkers op de terminal als klanten om vooruit te kijken, processen beter te plannen en sneller in te spelen op veranderingen.
Binnen het klantplatform MyTerminal worden data- en AI-oplossingen ingezet om deze operationele informatie toegankelijk te maken voor eindgebruikers. IBS ondersteunde ECT bij de verdere ontwikkeling en professionalisering van deze Data Science-omgeving.
Binnen het klantplatform MyTerminal worden data- en AI-oplossingen ingezet om deze operationele informatie toegankelijk te maken voor eindgebruikers. IBS ondersteunde ECT bij de verdere ontwikkeling en professionalisering van deze Data Science-omgeving.
De impact
De opdracht droeg bij aan een professionelere en betrouwbaardere inzet van Data Science binnen MyTerminal. Voorspelmodellen konden beter worden geëvalueerd en beheerd, terwijl monitoring en ontwikkelstandaarden ervoor zorgden dat problemen sneller zichtbaar werden.
Door technische ontwikkeling te combineren met kennis uit de operatie ontstonden oplossingen die niet alleen op papier goed presteren, maar vooral aansluiten bij de dagelijkse praktijk. Daarmee krijgen zowel medewerkers als klanten eerder inzicht in wat er op de terminal gaat gebeuren en kunnen zij hun planning hier beter op afstemmen.
Door technische ontwikkeling te combineren met kennis uit de operatie ontstonden oplossingen die niet alleen op papier goed presteren, maar vooral aansluiten bij de dagelijkse praktijk. Daarmee krijgen zowel medewerkers als klanten eerder inzicht in wat er op de terminal gaat gebeuren en kunnen zij hun planning hier beter op afstemmen.
Waarom deze case ertoe doet
Data en AI leveren pas echte waarde wanneer inzichten daadwerkelijk terechtkomen bij de mensen die ermee moeten werken. De case bij ECT laat zien dat succesvolle AI daarom verder gaat dan het ontwikkelen van een goed algoritme.
Het vraagt om betrouwbare data, een volwassen technische omgeving, continue monitoring én nauwe samenwerking met de business. Door die elementen samen te brengen, kunnen voorspellende modellen uitgroeien van experiment tot een structureel onderdeel van de dagelijkse operatie.
Het vraagt om betrouwbare data, een volwassen technische omgeving, continue monitoring én nauwe samenwerking met de business. Door die elementen samen te brengen, kunnen voorspellende modellen uitgroeien van experiment tot een structureel onderdeel van de dagelijkse operatie.
Isatis business solutions
Van een goed model naar een oplossing die écht werkt in de dagelijkse praktijk. IBS helpt organisaties om data- en AI-oplossingen te ontwikkelen, professionaliseren en succesvol naar productie te brengen.
Benieuwd wat data en AI voor jouw organisatie kunnen betekenen? Neem contact met ons op.
Benieuwd wat data en AI voor jouw organisatie kunnen betekenen? Neem contact met ons op.
