Fintrafficin meriliikenteenohjaus on allekirjoitti tällä viikolla palvelusopimuksen Awake.Ai Oy:n kanssa uudesta Port Call Time Stamp and Estimation Servicestä eli aikatietopalvelusta satamatoimijoiden ja viranomaisten käyttöön. Runsaasti kansainvälistä mielenkiintoa herättäneen EU:n laajuisen tarjouskilpailun kautta toteutetun julkisen hankinnan tuloksena hankkeen tekninen toteutus tehdään Suomessa.
– Merenkulun aikatiedon merkitys on huomioitu valtakunnallisessa liikennejärjestelmäsuunnitelmassa sekä valtioneuvoston periaatepäätöksessä logistiikan digitalisaatiosta. Nyt aikatietopalvelun kautta pääsemme viemään tämän konkreettisesti käytännön tasolle, Fintrafficin meriliikenteenohjauksen hankepäällikkö Olli Soininen taustoittaa.
Awake.Ai pystyi tarjoamaan kilpailutuksessa valmiin palvelu, joka vastasi hyvin Fintrafficin tarpeeseen ja tarjouspyynnön vaateisiin.
– Palvelu päästäänkin jalkauttamaan nopeasti satamatoimijoiden käyttöön, sillä kehitystyötä ei tarvitse aloittaa täysin nollasta.
– Käytännössä uusi aikatietopalvelu tarjoaa tarvittavat API-rajapinnat, joista saatua aikatietodataa satamatoimijat voivat hyödyntää omissa järjestelmissään, Awaken tuotekehitysjohtaja ja projektipäällikkö Kimmo Kummala avaa.
Aikatietopalvelu käyttöön ennätysajassa
Uusi aikatietopalvelu saadaan käyttöön jo tulevana syksynä. Sopimuksen allekirjoittamisen jälkeen Awake ryhtyy noin kuukauden kestävään toimitustyöhön, jossa palvelu räätälöidään teknisesti Fintrafficin tarpeisiin sopivaksi. Sen jälkeen alkaa testausvaihe, jonka päätteeksi alkaa palvelun jalkauttaminen satamien käyttöön.
– Palvelu on käytettävissä Fintrafficin Digitraffic -palvelun API-rajapinnan tai Fintrafficin Port Activity -sovelluksen kautta, kertoo Fintrafficin meriliikenteenohjauksen kehityspäällikkö Juho Pitkänen.
Palvelu otetaan käyttöön ensin Suomen satamissa, mutta sitä voidaan käytännössä hyödyntää missä tahansa. Tämä avaa uusia globaaleja mahdollisuuksia.
Aikatiedosta hyötyvät kaikki toimijat tasapuolisesti
Uuden aikatietopalvelun taustalla on Traficomin vetämä, keväällä 2019 toimintansa käynnistänyt Aikatieto-ryhmä, joka koostui noin 30 alan toimijasta: yrityksistä, julkisista tahoista, järjestöistä ja viranomaisista, jotka käyttävät ja tuottavat aikatietoja.
– Merilogistiikan tiedonhallinnan haasteita on yritetty taklata jo pitkään. Työryhmän perustamista edelsikin esiselvitystyö, jossa koottiin yhteen jo tehtyä tutkimus- ja selvitystyötä sekä kartoitettiin sieltä yhdistäviä tarpeita. Aikatieto nousi selkeästi keskiöön, Traficomin johtava asiantuntija Katariina Kalatie kertoo.
Esiselvityksestä opittiin, että tahtotila ja tarpeet ovat pitkälti yhtenäiset: tarvitaan parempaa tiedonjakoa ja ennakointia toiminnan tehostamiseksi. Haasteeksi nousi se, kuinka ja mitä dataa voidaan jakaa avoimesti, sillä osa tiedoista on liikesalaisuuksia ja monet toimijat kilpailevat keskenään. Aikatietojen todettiin olevan sellainen asia, josta kaikki satamatoimijat hyötyvät tasapuolisesti.
– Aikatieto-ryhmän jäsenet olivat työnsä puolesta tekemisissä aikatiedon kanssa käytännön arjessa. Näin saimme hyvän kuvan siitä, mikä on oikeasti olennaista ja tärkeää ruohonjuuritasolla. Tavoite olikin löytää käytännön ratkaisuja korkealentoisten strategialauseiden sijaan.
Koneäly oppii menneestä
Laivan saapuminen ja lähteminen satamasta määrittää lukemattomien ihmisten aikatauluja. Vaikka valtaosan aluksista on täytynyt tähän saakka toimittaa VHF-taajuuksien kautta muiden vaadittujen tietojen lisäksi arvio saapumisajasta, on näistä saatu data ollut heikkoa ja hajanaista.
Uusi palvelu perustuu koneoppimisen kautta tapahtuvaan datan analysointiin. Ennusteisiin vaikuttavat monet osatekijät, joita kartoitetaan globaaleiden AIS-viestien avulla. Automaattisten luokitteluiden, kuten mistä laiva on tulossa ja mihin se on menossa, lisäksi saapumisajan arviointiin vaikuttavat monet vaihtuvat tekijät, kuten nopeus, reitti sekä sää- ja jäätilanne.
– Alusten lähettämissä AIS-viesteissä on paljon potentiaalia, mutta niiden hyöty on tähän saakka jostain syystä jätetty huomioimatta, Awaken tekninen projektipäällikkö Jussi Poikonen toteaa.
Koneoppimista hyödyntämällä palvelu muistaa historiasta, kuinka eri asiat vaikuttavat saapumisaikaan. Koneäly oppii siis huomioimaan paikalliset normaalit poikkeamat, suhteuttaen arvion laskemisen niiden mukaan. Näin datan hajontaa voidaan vähentää, ja lopputuloksena saadaan aiempaa paremmin paikkansa pitäviä aikatietoja.
Teksti: Vaula Aunola