Ο κλάδος των θαλασσινών είναι εξαιρετικά απρόβλεπτος. Ο καιρός, οι θερμοκρασίες της θάλασσας, τα επίπεδα των αποθεμάτων ψαριών, τα μεταναστευτικά πρότυπα, η κλιματική αλλαγή - όλοι αυτοί οι παράγοντες επηρεάζουν τις αλιευτικές δραστηριότητες, προκαλώντας πληθώρα και ελλείψεις στην προσφορά. Η ποιότητα είναι επίσης απρόβλεπτη, συχνά εξαρτώμενη από περιβαλλοντικούς παράγοντες, μεθόδους αλίευσης, εποχικότητα, χειρισμό στη θάλασσα, ψυκτική αλυσίδα και πολλά άλλα. Η υδατοκαλλιέργεια υφίσταται επίσης φυσική μεταβλητότητα. Ανεξέλεγκτες περιβαλλοντικές συνθήκες - όπως προβλήματα ποιότητας του νερού που προκαλούνται από τον καιρό ή τη ρύπανση και επιδημίες ασθενειών - επηρεάζουν την παραγωγή και την ποιότητα στις ιχθυοκαλλιέργειες και τις γαριδοκαλλιέργειες. Εν ολίγοις, πρόκειται για μια επικίνδυνη επιχείρηση.

Για τους λόγους αυτούς, η τεχνητή νοημοσύνη (AI) - που περιγράφεται ως "μηχανές πρόβλεψης" - υπόσχεται να καταστήσει τη βιομηχανία θαλασσινών πιο προβλέψιμη και, επομένως, πιο κερδοφόρα.

"Η πρόβλεψη είναι η διαδικασία συμπλήρωσης των πληροφοριών που λείπουν", γράφουν οι συγγραφείς του Prediction Machines: Τα απλά οικονομικά της τεχνητής νοημοσύνης. "Η πρόβλεψη παίρνει πληροφορίες που έχετε, που συχνά ονομάζονται "δεδομένα", και τις χρησιμοποιεί για να δημιουργήσει πληροφορίες που δεν έχετε. Εκτός από τη δημιουργία πληροφοριών για το μέλλον, η πρόβλεψη μπορεί να δημιουργήσει πληροφορίες για το παρόν και το παρελθόν. Αυτό συμβαίνει όταν η πρόβλεψη ταξινομεί τις συναλλαγές με πιστωτικές κάρτες ως δόλιες, έναν όγκο σε μια εικόνα ως κακοήθη ή αν ένα άτομο που κρατάει ένα iPhone είναι ο ιδιοκτήτης του".¹

Οι συγγραφείς -όλοι καθηγητές επιχειρήσεων στο Πανεπιστήμιο του Τορόντο- υποστηρίζουν ότι η τεχνητή νοημοσύνη μας επιτρέπει να κάνουμε καλύτερες προβλέψεις ταχύτερα και φθηνότερα. Αυτό, εν ολίγοις, οδηγεί τα κέρδη και την υιοθέτηση της ΤΝ σε όλους τους κλάδους: συμπεριλαμβανομένων των θαλασσινών.

Σε αυτό το άρθρο, παρέχω στους αναγνώστες πρώτα μια επισκόπηση των διαφόρων τύπων τεχνητής νοημοσύνης, του τρόπου λειτουργίας τους και των εφαρμογών τους. Δεύτερον, αναλύω τον τρόπο με τον οποίο χρησιμοποιείται σήμερα η ΤΝ στις αλυσίδες εφοδιασμού θαλασσινών, με βάση μια έρευνα σε περίπου 365 εφαρμογές λογισμικού. Τρίτον, θα διερευνήσω πώς μπορεί να χρησιμοποιηθεί η ΤΝ στην επεξεργασία θαλασσινών, έναν τομέα που σήμερα δεν εξυπηρετείται επαρκώς από την ΤΝ. Θα μοιραστώ επίσης την έρευνα αιχμής που διεξάγουμε (ThisFish Inc.) επί του παρόντος για να φέρουμε την ΤΝ στον τομέα της επεξεργασίας. Τέλος, θα κλείσω με ορισμένες σκέψεις για το πώς οι εταιρείες θαλασσινών μπορούν να αρχίσουν να προετοιμάζονται για την επανάσταση της τεχνητής νοημοσύνης, διασφαλίζοντας ότι δεν θα μείνουν πίσω.

Τι είναι η τεχνητή νοημοσύνη και πώς λειτουργεί

Η τεχνητή νοημοσύνη αναφέρεται συχνά ως η τέταρτη βιομηχανική επανάσταση. Η αρχική επανάσταση προήλθε από την ατμοηλεκτρική ενέργεια και τη μηχανοποίηση στη δεκαετία του 1780- η δεύτερη επικεντρώθηκε στην ηλεκτροδότηση και τη μαζική παραγωγή στη δεκαετία του 1870- και η τρίτη ξεκίνησε το 1969 με τους ηλεκτρονικούς υπολογιστές. Η τεχνητή νοημοσύνη βρίσκεται τώρα στο επίκεντρο της τέταρτης βιομηχανικής επανάστασης, που συχνά αποκαλείται Βιομηχανία 4.0. Πολλές από τις νέες τεχνολογίες, όπως η υπολογιστική νέφους, το Διαδίκτυο των πραγμάτων (IoT), οι έξυπνοι αισθητήρες και τα τσιπ υπολογιστών, επιτρέπουν την ΤΝ μέσω της προόδου στη συλλογή δεδομένων, την αποθήκευση δεδομένων και την υπολογιστική ισχύ. Η ίδια η τεχνητή νοημοσύνη επιτρέπει επίσης πολλές νέες τεχνολογίες, όπως τα αυτόνομα ρομπότ, τα αυτοκινούμενα αυτοκίνητα, η επαυξημένη πραγματικότητα και η γνωστική υπολογιστική.

Τι ακριβώς είναι η τεχνητή νοημοσύνη; Στον πυρήνα της, η τεχνητή νοημοσύνη αφορά την προσομοίωση της ανθρώπινης νοημοσύνης σε μηχανές και εμπίπτει στον γενικό τομέα της επιστήμης των δεδομένων. Η μηχανική μάθηση είναι ένα υποσύνολο της ΤΝ στο οποίο οι μηχανές λαμβάνουν αποφάσεις χωρίς να είναι προγραμματισμένες. Βασικά εκπαιδεύουμε τις μηχανές χρησιμοποιώντας δεδομένα. Σε γενικές γραμμές, τα περισσότερα και ποιοτικότερα δεδομένα κάνουν την ΤΝ πιο έξυπνη. Μπορείτε να "εποπτεύσετε" τη μάθηση της ΤΝ με την επισήμανση των δεδομένων, δηλαδή η είσοδος συνοδεύεται από μια αντίστοιχη ετικέτα εξόδου. Για παράδειγμα, μπορείτε να επισημάνετε μια εικόνα ενός ψαριού (η είσοδος) με το κατάλληλο είδος του (η έξοδος). Η μάθηση χωρίς επίβλεψη περιλαμβάνει έναν αλγόριθμο που προσπαθεί να αποκαλύψει κρυμμένα μοτίβα στα δεδομένα, όπως η ανίχνευση ανωμαλιών ή σφαλμάτων. Ο Οργανισμός Τροφίμων και Φαρμάκων των ΗΠΑ (FDA), για παράδειγμα, χρησιμοποιεί τεχνητή νοημοσύνη για να δει μοτίβα σε δεδομένα εισαγωγής θαλασσινών για να εντοπίσει πιθανή παρανομία. Ένας τρίτος τύπος μάθησης είναι η "ενισχυμένη", η οποία συμβαίνει όταν η ΤΝ αλληλεπιδρά με το περιβάλλον της, λαμβάνοντας θετική ή αρνητική ανατροφοδότηση. Τα chatbots για την υποστήριξη πελατών που σας ζητούν να αξιολογήσετε τις απαντήσεις τους είναι ένα κοινό παράδειγμα ενισχυμένης μάθησης.

Ένα υποσύνολο της μηχανικής μάθησης ονομάζεται "βαθιά μάθηση", η οποία χρησιμοποιεί νευρωνικά δίκτυα εμπνευσμένα από τη δομή και τη λειτουργία του ανθρώπινου εγκεφάλου. Αυτή η τεχνολογία χρησιμοποιείται συχνά για την ανακάλυψη κρυμμένων μοτίβων σε εξαιρετικά μεγάλα, πολύπλοκα ή πολυδιάστατα σύνολα δεδομένων. Οι πιο συνηθισμένες τεχνολογίες περιλαμβάνουν την όραση υπολογιστών και την επεξεργασία φυσικής γλώσσας.

Η όραση υπολογιστών είναι ένας τομέας της τεχνητής νοημοσύνης που επιτρέπει στις μηχανές να ερμηνεύουν και να λαμβάνουν αποφάσεις με βάση οπτικά δεδομένα από τον κόσμο. Σε κάθε εικονοστοιχείο μιας εικόνας δίνεται ένας αριθμός και στη συνέχεια οι αλγόριθμοι βρίσκουν μοτίβα που, για παράδειγμα, θα διαφοροποιήσουν έναν κιτρινόπτερο από έναν μεγαλόφθαλμο τόνο σε μια εικόνα. Οι υπολογιστές μπορούν να ταξινομήσουν μια εικόνα, να ανιχνεύσουν ένα αντικείμενο, να τμηματοποιήσουν μια εικόνα σε στοιχεία και να αναγνωρίσουν πρόσωπα. Οι τεχνολογίες υπολογιστικής όρασης χρησιμοποιούν ένα είδος νευρωνικού δικτύου για την επίτευξη υψηλής ακρίβειας.

Η τελευταία τεχνολογία είναι η δημιουργική τεχνητή νοημοσύνη, όπως το εξαιρετικά δημοφιλές ChatGPT ή το DALL-E για τη δημιουργία εικόνων. Αυτή η τεχνολογία χρησιμοποιεί επίσης νευρωνικά δίκτυα για να μαθαίνει μοτίβα από μεγάλα σύνολα δεδομένων εικόνων ή κειμένων για τη δημιουργία νέου περιεχομένου. Μεγάλα γλωσσικά μοντέλα εκπαιδεύονται σε εκατομμύρια σελίδες κειμένου που τα κάνουν να ακούγονται ανθρώπινα.

Πώς μπορεί όλη αυτή η τεχνολογία ΤΝ να εφαρμοστεί στη βιομηχανία θαλασσινών; Ένα χρήσιμο εργαλείο ονομάζεται P.A.C. Framework, το οποίο αναπτύχθηκε από τον επιχειρηματία και εμπειρογνώμονα ΤΝ Rob May. P.A.C. σημαίνει Predict, Automatic και Classify, που είναι οι βασικές λειτουργίες της τεχνητής νοημοσύνης. Ο May προτείνει τη δημιουργία ενός απλού πίνακα για να δείτε πώς μπορεί να εφαρμοστεί η τεχνητή νοημοσύνη στην επιχείρησή σας. "Για να φτιάξετε τον πρώτο σας πίνακα, φτιάξτε τρεις στήλες, μία για την Πρόβλεψη, μία για την Αυτοματοποίηση και μία για την Ταξινόμηση. Στη συνέχεια, στις γραμμές, απαριθμήστε τους βασικούς τομείς της επιχείρησής σας. Για παράδειγμα, θα μπορούσατε να απαριθμήσετε: Πελάτες, προϊόν και λειτουργίες. Στη συνέχεια, σε κάθε πλαίσιο μπορείτε να υπολογίσετε πώς η συγκεκριμένη προσέγγιση Α.Ι. θα μπορούσε να εφαρμοστεί σε αυτόν τον τομέα της επιχείρησής σας", γράφει ο May.

Δημιούργησα ένα τέτοιο πλέγμα (Πίνακας 1) που εξετάζει διάφορους τομείς της αλυσίδας αξίας των θαλασσινών, συμπεριλαμβανομένης της αλιείας, της καλλιέργειας, του σχεδιασμού, της παραγωγής και του ποιοτικού ελέγχου. Αν και δεν αποτελεί εξαντλητικό κατάλογο, προορίζεται ως καταιγισμός ιδεών για το πώς η ΤΝ μπορεί να εφαρμοστεί στη δική σας επιχείρηση. Όπως θα δούμε στην επόμενη ενότητα, η τεχνητή νοημοσύνη υιοθετείται πλέον ευρέως σε όλο τον τομέα των θαλασσινών.

Πίνακας 1: Πλαίσιο P.A.C., προσαρμοσμένο στη βιομηχανία θαλασσινών

Η εκρηκτική ανάπτυξη της τεχνητής νοημοσύνης στα θαλασσινά

Η τεχνητή νοημοσύνη βρίσκεται πλέον παντού στην καθημερινή μας ζωή: στα smartphones, στους εικονικούς βοηθούς, στα αυτοκίνητα, στις μουσικές προτάσεις, στις παραδόσεις φαγητού, στην αναγνώριση προσώπου κ.ο.κ. Η ανάπτυξη οφείλεται σε τρεις παράγοντες. Πρώτον, ο όγκος των ψηφιακών δεδομένων έχει αυξηθεί τα τελευταία 10 χρόνια κατά περίπου 30 φορές. Η τεχνητή νοημοσύνη χρειάζεται δεδομένα για να μάθει, και έτσι η ανάπτυξη των ψηφιακών τεχνολογιών -ιδιαίτερα του υπολογιστικού νέφους και των smartphones- παράγει τα δεδομένα για την εκπαίδευση της τεχνητής νοημοσύνης. Δεύτερον, οι αλγόριθμοι ΤΝ έχουν γίνει πιο ισχυροί. Για παράδειγμα, το ImageNet ήταν μια μεγάλης κλίμακας πρόκληση οπτικής αναγνώρισης που διεξαγόταν μία φορά το χρόνο την τελευταία δεκαετία. Το 2015, το καλύτερο σύστημα τεχνητής νοημοσύνης ξεπέρασε για πρώτη φορά τις ανθρώπινες επιδόσεις. Η τεχνητή νοημοσύνη μπορεί πλέον να αναγνωρίζει φωτογραφίες με μεγαλύτερη ακρίβεια από τους ανθρώπους. Και τρίτον, τα τσιπ των υπολογιστών γίνονται όλο και πιο ισχυρά και φθηνότερα. Είναι ζωτικής σημασίας για την επεξεργασία μεγαλύτερων ποσοτήτων δεδομένων με πιο πολύπλοκους αλγορίθμους.

Όσον αφορά τα θαλασσινά, έχω εντοπίσει μια "μετα-τάση" που βοηθά να εξηγήσω γιατί η τεχνητή νοημοσύνη υιοθετείται ευρέως στον κλάδο. Το ονομάζω Fish n' Chips Index. Από το 1990, ο δείκτης τιμών ψαριών FAO έχει αυξηθεί κατά 60 τοις εκατό, ενώ η τιμή των ημιαγωγών ή των τσιπ υπολογιστών έχει μειωθεί κατά περισσότερο από 50 τοις εκατό. Σήμερα, περίπου το ένα τρίτο του λογισμικού -περισσότερες από 120 εφαρμογές- που χρησιμοποιούνται στη βιομηχανία θαλασσινών χρησιμοποιούν τεχνητή νοημοσύνη.

Στην πραγματικότητα, έχω αναλύσει περισσότερες από 365 εφαρμογές λογισμικού που χρησιμοποιούνται στον κλάδο των θαλασσινών και τις έχω δημοσιεύσει σε έναν ηλεκτρονικό κατάλογο στον ιστότοπο του ThisFish2. Υπήρξε μια έκρηξη στις νέες τεχνολογικές νεοφυείς επιχειρήσεις που εξυπηρετούν τον τομέα των θαλασσινών, η οποία κορυφώθηκε το 2018-2019. Ωστόσο, η τεχνητή νοημοσύνη εφαρμόζεται άνισα στον κλάδο των θαλασσινών.

Υπάρχουν περίπου 100 εφαρμογές λογισμικού που χρησιμοποιούνται στην αλιεία άγριας σύλληψης και άλλες 100 στην υδατοκαλλιέργεια. Σχεδόν το 70 τοις εκατό της τεχνολογίας υδατοκαλλιέργειας χρησιμοποιεί τεχνητή νοημοσύνη σε σύγκριση με το 20 τοις εκατό μόνο στην αλιεία. Ο λόγος για την απόκλιση είναι διττός: κίνητρα και κανονισμοί. Στην υδατοκαλλιέργεια, η τεχνητή νοημοσύνη μειώνει δύο από τα μεγαλύτερα κόστη του κλάδου: τη βελτιστοποίηση της διατροφής και τη μείωση της θνησιμότητας. Οι αγρότες έχουν κίνητρο να υιοθετήσουν την ΤΝ, καθώς έχει επιχειρηματικό νόημα. Στην αλιεία, οι περισσότερες τεχνολογίες δεν οδηγούνται από τη δυναμική της αγοράς, αλλά από τη συμμόρφωση με τις κανονιστικές διατάξεις για την καλύτερη παρακολούθηση των αλιευμάτων. Οι αλιείς είναι απρόθυμοι να υιοθετήσουν τεχνολογίες που αυξάνουν την επιτήρηση, με εξαίρεση, ίσως, τη βελτίωση της ασφάλειας στη θάλασσα. Ένα σημαντικό μέρος της τεχνητής νοημοσύνης στην αλιεία επικεντρώνεται στη χρήση της όρασης υπολογιστών για την αυτοματοποίηση της εξέτασης βίντεο από ηλεκτρονικά συστήματα παρακολούθησης επί των αλιευτικών σκαφών.

Πιθανότατα θα δούμε αυτό το χάσμα στην υιοθέτηση της τεχνητής νοημοσύνης να διευρύνεται. Σύμφωνα με το Crunchbase, οι εταιρείες τεχνολογίας υδατοκαλλιέργειας έχουν συγκεντρώσει περίπου 632 εκατομμύρια δολάρια σε επενδύσεις, σε σύγκριση με μόλις 19 εκατομμύρια δολάρια από τις εταιρείες τεχνολογίας αλιείας. Στην πραγματικότητα, η Crunchbase ανέφερε ότι μόνο το 2022, 45 νεοσύστατες επιχειρήσεις υδατοκαλλιέργειας συγκέντρωσαν 292 εκατομμύρια δολάρια.

Περιπτώσεις χρήσης ΤΝ για την επεξεργασία θαλασσινών

Ο τομέας της επεξεργασίας θαλασσινών έχει μείνει πίσω τόσο στον ψηφιακό μετασχηματισμό όσο και στην υιοθέτηση της τεχνητής νοημοσύνης. Η τήρηση αρχείων σε χαρτί είναι η κυρίαρχη μέθοδος συλλογής δεδομένων, προκαλώντας πολυάριθμα προβλήματα, όπως τα ανθρώπινα λάθη, η έλλειψη ανάλυσης σε πραγματικό χρόνο, η αργή υποβολή εκθέσεων και η κακή ιχνηλασιμότητα. Υπάρχουν 29 προϊόντα λογισμικού που απευθύνονται σε αυτόν τον τομέα και όμως μόνο τέσσερα διαθέτουν δυνατότητες τεχνητής νοημοσύνης. Για τον έλεγχο και την επαλήθευση της ποιότητας, υπάρχουν 13 προϊόντα λογισμικού για τα θαλασσινά. Περισσότερο από το 50 τοις εκατό χρησιμοποιεί τεχνητή νοημοσύνη, συμπεριλαμβανομένης της όρασης υπολογιστή, των δοκιμών DNA και της χημειομετρίας.

Παρά τα χαμηλά επίπεδα ψηφιοποίησης και υιοθέτησης της ΤΝ, οι μεταποιητές θαλασσινών αποτελούν κρίσιμους κόμβους στις αλυσίδες εφοδιασμού, συγκεντρώνοντας την προσφορά, διατηρώντας την ασφάλεια των τροφίμων και επιτρέποντας το παγκόσμιο εμπόριο. Σύμφωνα με εκτιμήσεις, περίπου 23 000 εταιρείες εμπλέκονται στην επεξεργασία θαλασσινών σε παγκόσμιο επίπεδο. Αντιπροσωπεύουν ένα σημείο συμφόρησης μεταξύ των εκατομμυρίων πρωτογενών παραγωγών και των δισεκατομμυρίων καταναλωτών.

Παρά την κρίσιμη εμπορική του σημασία, ο τομέας της μεταποίησης πάσχει από χαμηλή κερδοφορία. Η Planet Tracker ανέλυσε 89 εισηγμένες στο χρηματιστήριο εταιρείες επεξεργασίας θαλασσινών για να διαπιστώσει ότι το περιθώριο κέρδους προ τόκων και φόρων (EBIT) τους ήταν κατά μέσο όρο μόλις 3,4%.³ Η τεχνητή νοημοσύνη θα μπορούσε δυνητικά να βελτιώσει αυτά τα περιθώρια μέσω της αυτοματοποίησης και της βελτιστοποίησης, ενώ παράλληλα θα ικανοποιούσε τους στόχους βιωσιμότητας.

Με βάση την εργασία μας στην ψηφιοποίηση των μονάδων επεξεργασίας θαλασσινών, η ThisFish Inc. εκτιμά ότι ένα μέσο κονσερβοποιείο τόνου, που επεξεργάζεται 100 μετρικούς τόνους πρώτης ύλης την ημέρα, παράγει περισσότερα από τέσσερα gigabytes ψηφιακών δεδομένων ετησίως, που αντιστοιχούν σε περίπου 2,7 εκατομμύρια σελίδες κειμένου. Οι επεξεργαστές φρέσκου κατεψυγμένου τόνου και σολομού παράγουν περίπου ένα gigabyte δεδομένων ή 680 000 σελίδες. Αυτός ο τεράστιος όγκος δεδομένων θα μπορούσε να αποδειχθεί πολύτιμος για τον τομέα της επεξεργασίας θαλασσινών. Τα ιστορικά δεδομένα θα μπορούσαν να χρησιμοποιηθούν για την εκπαίδευση αλγορίθμων μηχανικής μάθησης για την πρόβλεψη της ποιότητας και των αποτελεσμάτων της παραγωγής. Στην επόμενη ενότητα, θα μοιραστώ μερικές από τις καινοτόμες έρευνες τεχνητής νοημοσύνης που έχουμε διεξάγει όλα αυτά τα χρόνια.

Μηχανική μάθηση

Το 2021, οι επιστήμονες δεδομένων της ThisFish Inc. ανέπτυξαν ένα proof of concept για την πρόβλεψη των αποδόσεων σε ένα κονσερβοποιείο τόνου στην Ταϊλάνδη. Τα δεδομένα που χρησιμοποιήθηκαν για την ανάλυση προέρχονταν από περίπου 22 μήνες παραγωγής για τον τόνο skipjack, τον λευκόπτερο και τον κιτρινόπτερο τόνο. Τα δεδομένα αποτελούνταν από 8 818 μοναδικά σημεία δεδομένων για τα οποία υπολογίστηκαν οι αποδόσεις. Μια ενιαία μονάδα πρώτης ύλης για την οποία υπολογίστηκαν οι αποδόσεις ήταν μια παρτίδα παραγωγής. Η απόδοση υπολογίστηκε ως εξής:

Χωρίζουμε τις μεταβλητές σε δύο κατηγορίες: μεταβλητές πρώτων υλών και μεταβλητές διεργασίας. Οι μεταβλητές πρώτης ύλης είναι εκείνες που αποτελούν εγγενείς ιδιότητες, όπως το είδος του ψαριού, το μέγεθος του ψαριού, η μέθοδος συλλογής κ.λπ. Οι μεταβλητές διαδικασίας είναι εκείνες που συλλέγονται ως μέρος της διαδικασίας κονσερβοποίησης, όπως η διάρκεια ψυχρής αποθήκευσης, ο χρόνος απόψυξης, οι θερμοκρασίες απόψυξης, ο χρόνος μαγειρέματος, οι θερμοκρασίες μαγειρέματος κ.λπ. Μελετήσαμε τον αντίκτυπο αυτών των μεταβλητών και προσπαθήσαμε να προσδιορίσουμε τρόπους με τους οποίους αυτές οι μεταβλητές μπορούν να προσαρμοστούν για να αυξήσουν ενδεχομένως τις αποδόσεις.

Συνοπτικά, οι κύριες μεταβλητές που βρέθηκαν να επηρεάζουν τις αποδόσεις ήταν το μέγεθος των ψαριών, το είδος των ψαριών, ο χρόνος ψυχρής αποθήκευσης, η θερμοκρασία μαγειρέματος και ο χρόνος μαγειρέματος. Ωστόσο, το πιο ενδιαφέρον εύρημα ήταν η επίδραση της διάρκειας της ψυχρής αποθήκευσης στις αποδόσεις, η οποία επηρέασε την ανάκτηση έως και τρία τοις εκατό. Περίπου το 85 τοις εκατό της διακύμανσης των αποδόσεων εξηγήθηκε από τις μεταβλητές του μοντέλου και η ΤΝ είχε επίπεδο εμπιστοσύνης 95 τοις εκατό. Δεδομένου ότι η πρώτη ύλη είναι το μεγαλύτερο κόστος στην παραγωγή, ένα μοντέλο πρόβλεψης των αποδόσεων θα μπορούσε να βοηθήσει ένα κονσερβοποιείο στην πρόβλεψη των μικτών περιθωρίων κέρδους στην παραγωγή.

Ένα άλλο έργο μηχανικής μάθησης επικεντρώθηκε στο βάρος που στραγγίζεται στην κονσερβοποίηση τόνου. Το στραγγισμένο βάρος δηλώνεται στις κονσέρβες και αντιπροσωπεύει την ελάχιστη ποσότητα βάρους κρέατος που παραμένει σε μια κονσέρβα μετά την αποστράγγιση του υγρού μέσου -συνήθως λάδι, άλμη ή νερό πηγής-. Είναι δύσκολο να προβλεφθεί το στραγγισμένο βάρος επειδή ο τόνος στη κονσέρβα απορροφά μέρος του υγρού, γνωστό ως "pick-up". Πολλές μεταβλητές μπορούν να επηρεάσουν την ποσότητα του "pick-up", όπως το είδος, ο τύπος του υγρού, η ποιότητα του κρέατος, η πυκνότητα συσκευασίας, το μέγεθος της κονσέρβας, η αναλογία νιφάδων προς κομμάτια και άλλες. Τα περισσότερα κονσερβοποιεία έχουν αναπτύξει πίνακες βάρους στραγγίσματος που βοηθούν τους υπεύθυνους παραγωγής να προσδιορίσουν το βάρος πλήρωσης των κονσερβών. Ωστόσο, αυτοί οι πίνακες είναι απλοϊκοί με μερικές μόνο μεταβλητές. Δεν λαμβάνουν υπόψη όλες τις σχετικές μεταβλητές και τον τρόπο με τον οποίο οι μεταβλητές αυτές αλληλεπιδρούν μεταξύ τους. Ως αποτέλεσμα, οι κονσερβοποιίες συχνά εκπλήσσονται όταν έρχονται αποτελέσματα από το εργαστήριο στραγγισμένου βάρους.

Επιπλέον, υπάρχουν κανονιστικά όρια για το πόσα δοχεία επιτρέπεται να είναι υπογεμισμένα, τα οποία ονομάζονται ανεκτό αρνητικό σφάλμα. Για παράδειγμα, το όριο για ένα στραγγισμένο βάρος 102 γραμμαρίων σημαίνει ότι δεν μπορείτε να έχετε περισσότερο από 2,5 τοις εκατό των κουτιών υπογεμισμένα κατά 4,5 γραμμάρια και υπάρχει μηδενική ανοχή για ακραία υπογεμίσματα άνω των 9 γραμμαρίων. Δεδομένου ότι η διαδικασία είναι απρόβλεπτη, τα κονσερβοποιεία σκόπιμα υπερπληρώνουν τις κονσέρβες από 3-6 γραμμάρια κατά μέσο όρο για να διασφαλίσουν ότι δεν παραβιάζουν τους κανόνες υποπλήρωσης.

Το 2023 και το 2024, η ThisFish Inc. συνεργάστηκε με δύο κονσερβοποιεία τόνου στη Μάντα του Εκουαδόρ για την ανάπτυξη ενός μοντέλου πρόβλεψης του βάρους εκροής. Λάβαμε περισσότερα από 100 000 δείγματα βάρους αποστράγγισης και σχετικές μεταβλητές από την Eurofish S.A. και το κονσερβοποιείο SEAFMAN της Tri Marine. Εκπαιδεύσαμε δύο ξεχωριστά μοντέλα τεχνητής νοημοσύνης, ένα για κάθε κονσερβοποιείο, διατηρώντας τα δεδομένα ξεχωριστά λόγω των απαιτήσεων εμπιστευτικότητας.

Τα προκαταρκτικά αποτελέσματα ήταν ελπιδοφόρα. Σε γενικές γραμμές, η ΤΝ μείωσε την τυπική απόκλιση στα στραγγισμένα βάρη, υποδεικνύοντας ισχυρότερο έλεγχο της διαδικασίας. Τα αποτελέσματα υποδηλώνουν επίσης ότι θα μπορούσαν δυνητικά να εξοικονομηθούν έως και τρία γραμμάρια ανά κονσέρβα, ανάλογα με τις επιδόσεις αναφοράς του κονσερβοποιείου. Ένα γραμμάριο γόπα ισούται με περίπου 500 000 δολάρια ΗΠΑ σε κόστος πρώτης ύλης κάθε χρόνο για ένα κονσερβοποιείο 100 μετρικών τόνων ανά ημέρα. Υπάρχουν 150 κονσερβοποιεία παγκοσμίως με μέσο όρο 100 μετρικούς τόνους, πράγμα που σημαίνει ότι η ΤΠ θα μπορούσε δυνητικά να εξοικονομήσει στον τομέα 75 έως 225 εκατομμύρια δολάρια ΗΠΑ σε κόστος πρώτων υλών κάθε χρόνο. Μόλις βελτιωθούν οι επιδόσεις, το μοντέλο ΤΝ θα μπορούσε στη συνέχεια να επανεκπαιδευτεί με τα καλύτερα δεδομένα, ελπίζοντας ότι θα αποκομίσει ακόμη μεγαλύτερη εξοικονόμηση και θα ενισχύσει τον έλεγχο.

Όραση υπολογιστών

Στη βιομηχανία θαλασσινών γίνεται πολύς οπτικός έλεγχος σε πρώτες ύλες, ημιτελή και τελικά προϊόντα. Σε γενικές γραμμές, αν οι άνθρωποι μπορούν να δουν κάτι, τότε μπορούμε να προγραμματίσουμε την τεχνητή νοημοσύνη να το δει επίσης.

Στην ThisFish Inc., έχουμε αναπτύξει διάφορους αλγόριθμους υπολογιστικής όρασης για την καταμέτρηση και τη μέτρηση των φιλέτων ψαριών, την ταξινόμηση των φιλέτων σολομού με βάση τη χρωματική κλίμακα SalmoFan και την ανίχνευση πέντε διαφορετικών τύπων ελαττωμάτων στα φιλέτα σολομού, συμπεριλαμβανομένων των κενών, των χαρακιών, της μαλακότητας, των μώλωπων και των ουλών εμβολιασμού (στα ψάρια εκτροφής). Εργαζόμαστε επίσης σε έναν αλγόριθμο για την εκτίμηση του βάρους ενός σολομού με βάση μια εικόνα. Τα μελλοντικά μοντέλα θα μπορούσαν επίσης να εκπαιδευτούν σε λευκά ψάρια ή γαρίδες .

Στον κλάδο του τόνου, μια ιαπωνική εταιρεία τεχνολογίας έχει αναπτύξει το Tuna Scope για τη χρήση της όρασης υπολογιστή για την αξιολόγηση της ποιότητας του φρέσκου τόνου. Η εταιρεία ThisFish Inc. έχει επίσης πειραματιστεί με τη χρήση της όρασης υπολογιστή για την εκτίμηση του επιπέδου αλατότητας σε κατεψυγμένα σαλάχια, ένα ερευνητικό έργο που βρίσκεται σε εξέλιξη. Άλλες εφαρμογές περιλαμβάνουν τον οπτικό έλεγχο των ραφών κονσερβοκούτι ή την ανίχνευση βαθουλωμάτων και άλλων ελαττωμάτων στα κονσερβοκούτια. Οι περισσότεροι μεταποιητές θαλασσινών πραγματοποιούν επίσης επιθεώρηση των ετικετών των τελικών προϊόντων, μια εργασία που θα μπορούσε να αυτοματοποιηθεί από μια έξυπνη κάμερα.

Η όραση μέσω υπολογιστή θα μπορούσε ενδεχομένως να καταστήσει την επιθεώρηση ποιότητας φθηνότερη και καλύτερη. Επί του παρόντος, οι περισσότεροι έλεγχοι ποιότητας περιλαμβάνουν ανθρώπινους επιθεωρητές που λαμβάνουν τυχαία δείγματα για να ελέγξουν την ποιότητα. Με την όραση υπολογιστή έρχεται αυτοματοποιημένη μείωση του κόστους εργασίας και η επιθεώρηση είναι συνεχής αντί για τυχαία δειγματοληψία. Οι εταιρείες θαλασσινών θα δημιουργούσαν τεράστιους όγκους δεδομένων επιθεώρησης που θα μπορούσαν να χρησιμοποιηθούν για τη λήψη καλύτερων αποφάσεων και τη μείωση των επιπόλαιων αξιώσεων, αφού οι μονάδες επεξεργασίας θα έχουν τεράστιες ποσότητες δεδομένων για να αποδείξουν ότι έχουν ικανοποιήσει τις απαιτήσεις των πελατών.

Συμπέρασμα

Στο παρελθόν, πολλές εταιρείες θαλασσινών πίστευαν ότι μπορούσαν να κερδίσουν ανταγωνιστικό πλεονέκτημα αποκρύπτοντας δεδομένα και μη όντας διαφανείς σχετικά με τη διαδικασία παραγωγής ή την αλυσίδα εφοδιασμού τους. Με τις αυξανόμενες απαιτήσεις της αγοράς για διαφάνεια και υπεύθυνη προμήθεια, αυτές οι συμπεριφορές γίνονται όλο και πιο αναχρονιστικές κάθε μέρα που περνάει. Στην εποχή της πληροφορίας, μόνιμο ανταγωνιστικό πλεονέκτημα θα αποκτήσουν εκείνες οι εταιρείες που θα ανακαλύψουν κρυφές γνώσεις και μοτίβα στα δεδομένα τους μέσω της τεχνητής νοημοσύνης.

Η συμβουλή μου προς τις εταιρείες που θέλουν να ξεκινήσουν το ταξίδι τους στην ΤΝ είναι απλή: ψηφιοποίηση, ιεράρχηση και μάθηση. Πρώτον, ψηφιοποιήστε τα δεδομένα σας. Χωρίς δεδομένα, δεν θα έχετε τεχνητή νοημοσύνη. Δεύτερον, δώστε προτεραιότητα, εστιάζοντας σε πρώιμες επιτυχίες και μειώσεις κόστους μέσω της αυτοματοποίησης και των βελτιστοποιήσεων. Και τρίτον, μάθετε καθώς προχωράτε. Προσεγγίστε σταδιακά την εισαγωγή νέων ψηφιακών τεχνολογιών.

Ενώ η τεχνητή νοημοσύνη μπορεί να κάνει τον κλάδο πιο κερδοφόρο, θα μπορούσε επίσης να αποδειχθεί πολύτιμη για τη βιωσιμότητα, ιδίως βοηθώντας στον εντοπισμό και την εξάλειψη της απάτης με τα θαλασσινά στις αλυσίδες εφοδιασμού. Δεδομένου ότι η τεχνητή νοημοσύνη απαιτεί καθαρά, περιεκτικά και πλήρη δεδομένα για ακριβείς προβλέψεις, θα υπάρξουν αυξανόμενα εμπορικά κίνητρα για τη συλλογή ποιοτικών δεδομένων σχετικά με την προέλευση και την ιχνηλασιμότητα.

Ο καθηγητής του Στάνφορντ και ειδικός σε θέματα τεχνητής νοημοσύνης Andrew Ng δήλωσε: "Δεν είναι αυτός που έχει τον καλύτερο αλγόριθμο που κερδίζει. Είναι ποιος έχει τα περισσότερα δεδομένα". Θα μπορούσαμε επίσης να πούμε ότι θα κερδίσουν αυτοί που έχουν τα καλύτερα δεδομένα.

ΣΗΜΕΙΩΣΗ: Αυτό το άρθρο δημοσιεύθηκε για πρώτη φορά στο διαδικτυακό περιοδικό InfoFish. Κάντε κλικ εδώ για το άρθρο.

ΣΤΟΙΧΕΙΑ

¹ Ajay Agrawal, Avi Goldfarb και Joshua Gans Prediction Machines: Τα απλά οικονομικά της τεχνητής νοημοσύνης. Harvard Business Review Press, Βοστώνη, 2028, σ. 29-30.

² https://this.fish/software-directory

³ François Mosnier, John Willis, Matt McLuckie. Ανιχνεύσιμες επιστροφές. Planet Tracker. Οκτώβριος 2020.