Intelligence artificielle et transformation numérique dans le transport maritime de conteneurs

par Utpal Kant

Projet de thèse en STIC Informatique

Sous la direction de Christophe Roche et de Emmanuel Abord de Chatillon.

Thèses en préparation à l'Université Grenoble Alpes , dans le cadre de École doctorale sciences et ingénierie des systèmes, de l'environnement et des organisations (Chambéry) , en partenariat avec Laboratoire d'Informatique, Systèmes, Traitements de l'Information et de la Connaissance (laboratoire) depuis le 10-12-2018 .


  • Résumé

    Ce projet comprendra des travaux de recherche dans les domaines de l'ontologie, du graphique des connaissances, de l'intelligence artificielle appliquée et de l'apprentissage approfondi en transport maritime de conteneurs. La transformation numérique du transport maritime de conteneurs progresse à un rythme rapide et les données combinées de tous les processus numériques ont le potentiel de révolutionner les opérations de transport maritime de conteneurs, mais un système entièrement numérique traite les données différemment d'un humain, avec l'émergence de nouvelles technologies comme la chaîne de blocs, certaines des opérations du transport maritime de conteneurs comme le connaissement électronique (eBL), migrant sur plate-forme décentralisée mais l'interopérabilité est l'une des principales questions avec une technologie décentralisée. Toutes ces limitations conduisent à la nécessité d'un moyen utile de relier les données qui identifient de manière unique et qui relient les données à des termes commerciaux communs. Le transport maritime par conteneurs occupe une part importante dans le transport maritime international, le gouvernement et les entreprises accordent beaucoup d'attention au transport international et les connaissances en la matière sont vastes et complexes. L'organisation et la gestion de ces connaissances jouent un rôle important dans le transport rapide, sûr et efficace des marchandises. Knowledge-graph organise les données commerciales et l'expertise humaine en connaissances numériques afin d'accélérer les décisions tout au long de la chaîne de valeur d'une entreprise de transport de conteneurs. Il accélère la numérisation en permettant aux entreprises de créer rapidement des centaines de cas d'utilisation à grande échelle, offrant ainsi une occasion sans précédent de collaboration itérative et de croissance continue du renseignement dans les opérations quotidiennes. Le projet propose d'utiliser une représentation des connaissances et une annotation sémantique basées sur l'ontologie pour les données numériques associées aux industries du transport maritime de conteneurs. Le graphique des connaissances est une masse de nouvelles technologies de gestion des connaissances qui fournissent un soutien technique puissant pour l'intégration des connaissances du domaine et des applications axées sur les données. Cette recherche propose un graphique de la connaissance du transport maritime de conteneurs ; de construire une structure de connaissance du transport maritime de conteneurs, divisant cette connaissance en deux catégories ; d'utiliser l'ontologie pour exprimer les concepts, les entités et les relations du transport maritime de conteneurs ; et de proposer les méthodes de représentation de la couche conceptuelle et de la couche entité et les concevoir en détail. Le système proposé définit des structures de représentation des données qui reçoivent une signification bien définie. Les significations sont des contenus accessibles par machine qui peuvent être interprétés par des agents logiciels pour trouver et extraire des informations sur la base d'une terminologie standard et de relations significatives entre les éléments de données. Ces ontologies peuvent nous donner de grandes ressources pour comprendre les données d'expédition de conteneurs et pour améliorer et valider tous les modèles développés à l'aide d'une technologie axée sur les données. En outre, pour démontrer la visualisation des connaissances, la récupération, l'automatisation et l'application d'apprentissage en profondeur basée sur le graphique des connaissances de l'expédition de conteneurs. L'objectif de la recherche proposée n'est pas seulement de simplifier le processus de récupération des connaissances professionnelles et de promouvoir le transport intelligent, mais aussi de favoriser le partage, la diffusion et l'utilisation des connaissances sur le transport par conteneurs. Références: 1. Tonci Grubic, Ip-Shing Fan " Supply chain ontology: Review, analysis and synthesis", Journal Computers in Industry, Volume 61 Issue 8, October, 2010 Pages 776-786 2. M. M. Bronstein, J. Bruna, Y. LeCun, A. Szlam, and P. Vandergheynst. “Geometric deep learning: going beyond euclidean data.” IEEE SIG PROC MAG, 2016. 3. Steve Saxon, Matt Stone, “Container shipping: The next 50 years” Travel, Transport & Logistics October 2017, McKinsey & Company Report

  • Titre traduit

    Artificial Intelligence and Digital Transformation in Container Shipping


  • Résumé

    This project will involve research focused in the domain of Ontology, Knowledge-Graph, Applied Artificial Intelligence and Deep Learning in Container Shipping. The digital transformation of container shipping is evolving rapidly and the combined data of all digital processes has the potential to revolutionize the container shipping operations but a fully digital system process data differently than a human, with the emergence of new technology like blockchain, some of the operations within container shipping such as Electronic Bill of Lading (eBL), migrating on decentralised platform and interoperability is one of the main issue with decentralised technology. All these limitations lead to a need of useful way of linking the data that uniquely identifies and connects data with common business terms. Container Shipping occupy an important proportion in international shipping, government and enterprises pay a lot of attention to international transport and the knowledge involved is extensive and complex. Organizing and managing this knowledge plays an important role in the fast, safe and efficient transportation of goods. Knowledge-graph organizes business data and human expertise into digital knowledge to speed better decisions across the full value chain of a container shipping company. It accelerates digitization by enabling companies to rapidly build hundreds of use cases at scale providing an unprecedented opportunity for iterative collaboration and continual intelligence growth in day-to-day operations. The project proposes to employ an ontology-based knowledge representation and semantic annotation for digital data associated with container shipping industries. The knowledge graph is a mass of brand-new knowledge management technologies that provide powerful technical support for integrating domain knowledge and data driven applications. This research proposes a knowledge-graph of container shipping; to construct a knowledge structure of container shipping, dividing this knowledge into two categories; use of ontology to express the concepts, entities, and relations of container shipping; and puts forward the representation methods of the conceptual layer and entity layer and design them in detail. This research proposes to define data representation structures that are given well-defined meaning. The meanings are machine-accessible content that can be interpreted by software agents to find and retrieve information based on standard terminology and meaningful relationships between data items. These ontologies can give us great resources to understand the container shipping data and to enhance and validate all of the models developed using data-driven technology. Furthermore, to demonstrate the knowledge visualization, retrieval, automation and deep learning application based on knowledge graph of container shipping. The goal of the proposed research is not only to simplify the retrieval process of professional knowledge and to promote intelligent transportation but is also conducive to the sharing, dissemination, and utilization of container-shipping knowledge. References: 1. Tonci Grubic, Ip-Shing Fan " Supply chain ontology: Review, analysis and synthesis", Journal Computers in Industry, Volume 61 Issue 8, October, 2010 Pages 776-786 2. M. M. Bronstein, J. Bruna, Y. LeCun, A. Szlam, and P. Vandergheynst. “Geometric deep learning: going beyond euclidean data.” IEEE SIG PROC MAG, 2016. 3.Steve Saxon, Matt Stone, “Container shipping: The next 50 years” Travel, Transport & Logistics October 2017, McKinsey & Company Report