Het onderschatten van de leercurve bij nieuwe maritieme software

Je staat op het punt om een gloednieuw softwaresysteem voor je scheepsbouw of logistiek te implementeren. Het belooft wonderen: AI die je documenten scant, routes optimaliseert en je miljoenen bespaart. De werkelijkheid?

Binnen een week zit je team gefrustreerd te worstelen met een systeem dat volgens hen "niet werkt". De leercurve is steiler dan gedacht en de beloftes vervliegen snel. Dit is het pijnlijke, maar herkenbare verhaal van de onderschatting van nieuwe maritieme software.

Veel bedrijven in de heavy-lift, offshore en zware scheepvaart grijpen naar AI om het hoofd boven water te houden.

De druk vanuit de EU om emissies te verminderen en tegelijkertijd de logistieke keten soepel te houden, is enorm. Tegelijkertijd waarschuwen experts: gooi niet alles in één AI-pot. Het gevolg van te grote stappen is hallucineren, verkeerde data en kostbare fouten. Laten we eens kijken hoe je deze valkuilen ontwijkt en je investering wél rendeert.

De huidige status van maritieme AI

Stap je nu de wereld van maritieme AI in, dan stap je in een wereld vol beloften.

Bedrijven als Shipbuilder pionieren sinds 2019 met taalmodellen en AI-oplossingen specifiek voor de scheepsbouw. Hun SENSE-systeem analyseert bouwbestekken die soms meer dan 300 pagina’s tellen. Handig, want een gemiddelde engineer is zo’n 30% van zijn tijd kwijt aan het zoeken naar de juiste data in die documenten.

Dat is pure verspilling. De Rotterdamse haven, een van de drukste ter wereld, zet ook vol in op digitalisering.

Jaarlijks passeren er 100.000 binnenvaartschepen en 29.000 zeeschepen. Deltares en de TU Delft werken aan DigiPACT, een digital twin van de haven die real-time vaaradviezen geeft.

Dit soort systemen kan helpen om de enorme druk op de haven te verlichten en emissies te beperken. Scheepvaart veroorzaakt in Nederland 15% van de fijnstof en 4% van de CO2-uitstoot. Druk op de ketel dus.

Kleine stapjes versus grote beloftes

De grootste fout die je kunt maken? Alles in één keer willen.

AI is geen magische toverstaf die je zomaar op een hoop data gooit.

Experts waarschuwen: gooi niet alles in één keer in de AI, dat leidt tot hallucineren. AI geeft soms verkeerde antwoorden, zogenaamde ‘hallucinaties’. Als je de AI een complexe vraag stelt over een heavy-lift planning zonder context, kan hij zomaar een onmogelijke hijsklus verzinnen.

Het geheim? Begin klein. Analyseer één zinnetje tegelijk. Neem een specifieke eis uit een bouwbestek en kijk wat de AI ermee doet. Zo bouw je vertrouwen op en leer je de valkuilen kennen.

Denk aan de containership die vastliep in het Suezkanaal: een kleine verkeerde beslissing leidde tot miljoenen schade per dag.

Met AI wil je juist die fouten voorkomen, niet vergroten. Kleine stapjes zorgen voor grote zekerheid.

Domeinkennis: de ontbrekende schakel

Een generieke AI als ChatGPT is leuk voor een snelle zoekopdracht, maar voor maritieme complexiteit is het vaak een gok.

Zonder specifieke maritieme domeinkennis gaat het mis. Je wilt niet dat je AI denkt dat ‘ladingzekeren’ hetzelfde is als ‘vastzetten met touw’, terwijl het om een specifieke berekening gaat voor een 500 tons kraan op een schip met dynamische positionering, ondersteund door de beste aanbieders van maritieme IoT-oplossingen.

Je AI-model moet getraind worden met specifieke maritieme data. Denk aan regelgeving voor zware liften, internationale veiligheidsnormen en de fysica van golven en wind op een offshore platform. Alleen dan begrijpt de AI dat ‘green routing’ niet alleen gaat om de kortste weg, maar om een route die rekening houdt met waterdiepte, stroming en emissiezones. Domeinkennis is de sleutel tot succes.

Die ene gemiste eis kan je miljoenen kosten: AI & requirement management

Requirement management is het onzichtbare fundament van elk maritiem project. Een verkeerd geïnterpreteerde eis in een contract of bouwbestek kan leiden tot enorme faalkosten.

AI kan hier een krachtige bondgenoot zijn, maar alleen als je het goed inzet.

Gebruik AI om requirement management te verbeteren en faalkosten te verminderen. De AI scant de documenten en vlagt tegenstrijdigheden of ontbrekende eisen. Stel je voor: je bouwt een nieuw offshore constructieschip.

In de 300 pagina’s tellende specificaties staat ergens dat de kraan moet kunnen tillen onder een hoek van 30 graden. De AI ziet dat deze eis niet wordt ondersteund door het stabiliteitssysteem.

Je vangt het op tijd op. Dit voorkomt dat je na de bouw dure modificaties moet uitvoeren. De investering in AI voor requirement management verdient zichzelf dubbel en dwars terug.

Single source of truth

We werken allemaal met mappen, documenten en e-mailbijlagen. Het is een chaos.

Een engineer zoekt in het ene bestand, de projectmanager in de andere. De data is versnipperd.

De oplossing is simpel maar effectief: werk vanuit één single source of truth. Stop met documentgedreven processen. Zorg voor één centrale database waar alle data, specificaties en tekeningen live in up-to-date zijn. Een digital twin is hier een perfect voorbeeld van.

In plaats van een statisch PDF-tekening, heb je een levend model dat reageert op veranderingen.

Green steaming en green routing

Als een leverancier een lichtere motor levert, past de digital twin direct de stabiliteitsberekening aan. Dit vereist een forse investering in datastructurering, maar het voorkomt dat je op verouderde informatie beslissingen neemt. Een gemiste eis in een document kan je miljoenen kosten, maar in een single source of truth is die direct zichtbaar.

Een van de meest effectieve toepassingen van AI op dit moment is het optimaliseren van brandstofverbruik. Green steaming betekent simpelweg langzamer varen.

Een verlaging van 10% van de snelheid kan het brandstofverbruik met wel 30% verminderen.

AI kan berekenen wat de ideale snelheid is op basis van de lading, het weer en de aflevertijd. Green routing gaat een stap verder. Het systeem berekent de meest efficiënte route rekening houdend met stromingen, wind en diepgang.

Een digital twin die realtime meerekent

In de Rotterdamse haven kan DigiPACT real-time advies geven om wachttijden te minimaliseren. Dit bespaart niet alleen brandstof (en daarmee CO2), maar ook veel geld.

Met prijzen voor bunkers die flink schommelen, is elke bespaarde ton een directe winst op de balans.

Een digital twin is meer dan een 3D-model. Het is een virtuele kopie van je schip of haven die realtime meerekent.

Stel je voor: je hebt een heavy-lift schip geladen met een 800 tons transformator. De digital twin berekent constant de spanning op het dek, de stabiliteit en de impact van golven. Als er een onverwachte windstoot komt, geeft het systeem direct aan of de lading veilig is of dat je moet anticiperen. Dit verhoogt de veiligheid enorm.

Deltares werkt aan zo’n systeem voor de Rotterdamse haven. De investering? Voor een complexe digital twin van een havenloop ben je al snel tussen de €50.000 en €150.000 kwijt, afhankelijk van de complexiteit.

Maar het voorkomt schade die in de miljoenen kan lopen.

Praktische tips om je leercurve te temmen

Wil je de overstap naar nieuwe maritieme software soepel laten verlopen? Voorkom problemen door slechte integratie van legacy systemen en focus op de mens én de techniek.

De grootste valkuil is het onderschatten van de leercurve. Medewerkers hebben tijd en begeleiding nodig. De wereld van maritieme AI is veelbelovend, maar bereid je team goed voor als je de menselijke factor niet vergeet.

• Train je medewerkers actief: Zorg dat ze niet alleen de knoppen leren indrukken, maar begrijpen hoe de AI denkt. Dit voorkomt vertrouwen op verkeerde uitkomsten.
• Start met één specifieke toepassing: Kies bijvoorbeeld eerst voor requirement management van bouwbestekken. Blijf hier een maand mee werken voordat je uitbreidt.
• Zorg voor schone data: AI is zo goed als de data die je hem voedt. Ruim je data op voordat je begint. Een ‘single source of truth’ is essentieel.
• Blijf kritisch: AI hallucineert. Controleer altijd de uitkomsten, vooral bij kritieke beslissingen zoals hijsplannen of routeberekeningen.
• Investeer in domein-specifieke AI: Kies voor systemen die getraind zijn op maritieme data, niet voor algemene modellen. De ROI is veel hoger.

De technologie is er, de vraag is of wij er klaar voor zijn.

Door klein te beginnen, domeinkennis toe te voegen en te werken vanuit één centrale waarheid, maak je van de leercurve een opstapje in plaats van een valkuil.