Operasjonalisering av en maskinlæringsmodell for å detektere avvik og farer for grunnstøtinger i sanntid

20 prosent av alle maritime ulykker er laste- og cruiseskip som går på grunn. Kystverket ønsker å redusere antall grunnstøtinger fordi de utgjør en miljø-, og helsemessig risiko. I dag er det VTS-operatører som står for overvåking av sjøtrafikk i Norge. De følger med på trafikken, og ser stort sett etter avvik manuelt. Dette er en prosess som er ressurskrevende, og som ikke er god nok til at alle mulige grunnstøtingssituasjoner blir oppdaget og avverget. Det er flere som har foreslått løsninger på problemet, men det er per dags dato ingen som har laget noe som kan tas i bruk. Norconsult Informasjonssystemer (NoIS) utviklet en maskinlæringsmodell som baserer seg på tidligere seilingsdata. Den kan detektere avvik i sjøtrafikken, og varsle om mulige grunnstøtinger. Vi har gjennom vårt arbeid laget en produkt som operasjonaliserer NoIS sin maskinlæringsmodell. Vi har brukt produktet til å teste maskinlæringsmodellen i et realistisk miljø, og simulert tidligere grunnstøtinger. For å teste maskinlæringsmodellen har vi lyttet på Kystverket sin åpne AIS-strøm. AIS-meldinger fra strømmen er prosessert av produktet i sanntid, og med forskjellige frekvenser. Simuleringer av tidligere grunnstøtinger er gjort ved å prosessere historiske AIS-data fra fartøy som har gått på grunn. Våre resultater viser at maskinlæringsmodellen fungerer godt i et realistisk miljø, og håndterer alle meldingene fra Kystverket sin åpne AIS-strøm med god margin. Resultatene fra simuleringene viser at maskinlæringsmodellen klarer å oppdage og varsle om grunnstøtinger i ni av 13 simuleringer, og at varslingen om grunnstøtingen kom tidsnok til at grunnstøtingen kunne vært avverget