Windward — международная компания, развивающая прогнозирующий интеллект в области морских перевозок. Наша платформа служит единым центром для всего функционала морской сферы, управления рисками судов и так далее.
Решение Windward объединяет искусственный интеллект, большие данные и опыт в сфере морских перевозок, позволяя клиентам и партнерам понять морскую экосистему и ее воздействие на безопасность, финансы и бизнес. Все это упрощает для клиентов компании принятие решений на основе данных.
К нам обращаются коммерческие и государственные клиенты, и мы помогаем им анализировать и получать информацию об их судах, анализируя множество точек данных, внедренных в наши сложные модели искусственного интеллекта.
Среди наших коммерческих клиентов есть страховые агенты, которые хотят знать риски своих судов в отношении аварий и несчастных случаев на море. Мы собираем эту информацию, просматривая данные банков, которые финансируют сделки между различными коммерческими организациями. Совсем недавно мы расширили наши предложения, предоставляя экспедиторам и другим грузовладельцам данные по океанскому фрахту, которые помогают прогнозировать расчетное время прибытия товаров в порт.
Для правительственных организаций мы проводим оценку «риска безопасности границ», в ходе которой выявляем суда, не ведущие деятельность в экономическом смысле. Тем самым мы помогаем найти подозрительных перевозчиков, контроль над которыми следует усилить, чтобы эффективнее защищать воды и границы от морских угроз.
Давайте рассмотрим наш продукт Ocean Freight Visibility, который мы только что запустили. Мы внедряем современную технологию для решения действительно сложной проблемы, решить которую весь мир пытается уже давно. Именно эта проблема лежит в основе многочисленных рыночных кризисов, с которыми мы столкнулись в последнее время. Заключается она в невозможности четкого прогнозирования времени прибытия грузовых судов и контейнеров. Этот показатель зависит от очень многих факторов.
В последние десятилетия появилось немало эффективных технологий, но и их оказалось недостаточно для решения такого рода задач. Это связано с тем, что технология, необходимая для потребления уровней данных и общедоступных веб-данных, которые обеспечивают прозрачность морской деятельности, появилась на рынке совсем недавно.
Для поддержки работы своей платформы Windward выбрала технологию Deep Learning. Мы используем нейронную сеть, которая понимает, как взаимодействовать с различными источниками данных и объединять их для получения единого результата — в данном случае это расчетное время прибытия судна в порт назначения.
Мы ориентируемся исключительно на модель расчетного времени прибытия, поскольку наша деятельность имеет весьма сложную структуру. На базовом уровне данных, которые мы используем, располагаются ежеминутные сигналы судов на различные приемники по всему миру, позволяющие отслеживать местонахождение судна.
Именно эти данные используем в своей деятельности и мы. В масштабах всего мира мы, как правило, ежедневно имеем дело с сотнями миллионов передач с судов.
Но пытаясь спрогнозировать время прибытия судна в порт, мы не можем ориентироваться на одни только эти сигналы. Мы должны учитывать различные источники данных, включая общедоступные веб-данные. Одним из наиболее важных источников веб-данных являются расписания судов на веб-сайтах перевозчиков. Эта информация включает последнее известное местонахождение судна, его текущее местонахождение, а также расчетное время прибытия в порт.
Веб-данные из открытых источников особенно важны для Windward, потому что мы используем веб-сайты перевозчиков для обеспечения работы наших алгоритмов автоматического прогнозирования времени прибытия и помогаем компаниям сосредоточиться на других аспектах их деятельности.
Давайте представим, что контейнеровоз — это автобус, собирающий пассажиров с разных станций. Теперь представьте, что у каждого пассажира в автобусе имеется собственный прогноз времени прибытия в пункт назначения. Веб-сайты перевозчиков — такие же пассажиры.
Недостаточно просто спросить у одного пассажира, когда, по его мнению, он доберется до пункта назначения. Этот вопрос нужно задать нескольким пассажирам, а затем усреднить полученные от них данные. Поэтому очень важно не ограничиваться различными источниками веб-данных.
Для сбора общедоступных веб-данных, которые используются в наших алгоритмах, уже несколько месяцев мы используем решение Bright Data Web Scraper IDE. Оно обеспечивает автоматическое получение веб-данных с веб-сайтов различных перевозчиков.
За то короткое время, что мы работали вместе, нам удалось добиться впечатляющих результатов в исключительно короткие сроки в полном соответствии с требованиями нашей компании.
Кроме того, сотрудники службы поддержки Bright Data всегда были готовы нам помочь, если мы сталкивались с проблемами при сборе веб-данных. Наши проблемы всегда решаются или немедленно, или же в разумные сроки.
Могу с уверенность сказать, что Bright Data — наш надежный партнер.
