信息机

让人工智能远离自我炒作：了解机器学习的益处和挑战

本文比较了不同的船舶性能建模方法，目的是找到最适合运营优化的建模技术。特别强调了机器学习等数据驱动方法的潜力和挑战。与中午报告相比，使用基于传感器数据的数据驱动方法的附加值是量化的。除了行业标准方法之外，还提出了一种基于物理信息机器学习的新方法，称为“船舶内核”。船舶内核在短期准确性方面优于此处考虑的其他方法。这使它们成为需要对广泛条件进行预测的运营优化（例如路线和速度优化）的理想构建块。与其他方法相比，船舶内核具有出色的长期准确性，使其成为性能监控用例（例如与船体和螺旋桨性能相关的维护计划）的宝贵工具。本文最后对机器学习操作化面临的挑战进行了总体评论和警告。