Het Machine Learning Platform van Stolt-Nielsen

Pionier in de logistiek en scheepvaart

Bij Stolt-Nielsen zit de pioniersgeest en het anticiperen op nieuwe kansen in de genen. De organisatie is ’s werelds grootste exploitant van geavanceerde chemische tankers, een wereldwijde leverancier van veilige opslagdiensten voor bulkvloeistoffen, en levert deur-tot-deur transportdiensten voor bulk-vloeistofchemicaliën en food-grade producten. Verder biedt Stolt-Nielsen vooruitstrevende diensten op het gebied van high-tech en duurzame visproductie.

Gedurende het ruim 60-jarige bestaan heeft de organisatie een diepgaand begrip ontwikkeld van de operationele uitdagingen en kansen die technologie kan bieden voor innovatieve oplossingen in de logistiek- en scheepvaartsector. Stolt-Nielsen heeft ervoor gezorgd dat baanbrekende technologieën en concepten werden ontwikkeld, waardoor efficiëntie en veiligheid in de sector verbeterden. Zo was Stolt-Nielsen het eerste bedrijf dat geïntegreerde tankschepen ontwikkelde en implementeerde, met gescheiden tanksystemen die het risico op lekkage en contaminatie verminderden.

Onderscheidend met technologie

Stolt-Nielsen onderscheidt zich vandaag de dag onder andere door risico’s te minimaliseren, de hoogste normen van veiligheid te waarborgen – zowel voor hun werknemers als het milieu – en veel ruimte te bieden voor innovatie op het gebied van IT.

Erik Visser, Director Architecture & Engineering bij Stolt-Nielsen, vertelt: “Onze ambitie is voorloper te zijn in onze industrie door innovatieve technologie zoals datatoepassingen en AI (Artificial Intelligence) in te zetten, zodat we efficiënter met onze middelen kunnen omgaan en klanten beter kunnen bedienen. Wij hebben duidelijke doelen voor ogen en er wordt organisatiebreed op dit gebied flink geïnvesteerd.”

Veel data en grote belangen

Om routes van schepen, vraag en aanbod en andere belangrijke inzichten en factoren in kaart te brengen, beschikt Stolt-Nielsen over een enorme hoeveelheid data. Hier werd een tijd lang beperkt waarde uit gehaald, maar vanwege de genoemde ambities verandert dit.

Erik Visser: “In 2018 begonnen wij een uitgebreider dataplatform op te zetten. Er bestond al een eenvoudige omgeving voor het analyseren van bedrijfsdoelen en andere rapportages maar er waren grote stappen nodig om verder te bouwen.” Verder bouwen kan in het geval van Stolt- Nielsen grote besparingen opleveren en gaat daarom gepaard met grote belangen.

“We zijn een traject met HSO gestart om de eerste integratie op het dataplatform te ontwikkelen” aldus Erik. “Deze stap was gericht op het uitbreiden van Business Intelligence mogelijkheden en meer traditionele workloads. Om dit waar te kunnen maken werd een cloud-native datawarehouse opgezet in de Azure Cloud, wat deel uitmaakt van een solide basis waar we op verder bouwen.”

Alhoewel er steeds meer waarde gecreëerd wordt met data – onder andere doordat het trainen van non-IT afdelingen in gebruik van Power BI de nodige aandacht krijgt van HSO – heeft Stolt-Nielsen in 2022 de wens om technologisch aan te haken met de mogelijkheden die ‘advanced analytics’ te bieden hebben.

Van analyseren naar voorspellen

De mogelijkheid om vraag en aanbod, prijsberekening, vrachtcapaciteit en optimale routebepaling voor schepen en tankcontainers te kunnen voorspellen betekent voor Stolt-Nielsen een groot strategisch voordeel ten opzichte van concurrenten.

Het voorspellen van de juiste warmtetemperatuur – aan de hand van weerpatronen – voor het verwarmen van tanks in terminals van Stolthaven (één van de divisies in de organisatie) kan een flinke kostenbesparing opleveren. Bovendien draagt het bij aan duurzaamheidsdoelstellingen, een belangrijke drijfveer voor Stolt-Nielsen. Maar wat is er nodig om van terugkijken naar vooruitkijken te bewegen met hulp van innovatieve technologie?

Aparte divisies en modellen decentraal

Stolt-Nielsen begint op dit punt – met behulp van externe partners – voorspellende AI en Machine Learning modellen gedecentraliseerd in te zetten. Aangezien er verschillende divisies bestaan binnen de organisatie, met uiteenlopende processen en oplossingen, zorgt het initieel voor uitdagingen bij het behouden van standaarden, beheersbaarheid en schaalbaarheid. Als gevolg beperkt dit de resultaten die Stolt-Nielsen met voorspellende modellen zou kunnen behalen.

Het IT-vraagstuk komt bij HSO te liggen. Sebastiaan Oude Groeniger, Data & AI Consultant bij HSO, vertelt: “Stolt-Nielsen vroeg ons een Machine Learning Platform op te zetten, waarop alle verschillende use-cases kunnen draaien die actief zijn én die in de toekomst ontwikkeld zullen worden.”

Centraliseren voor beter resultaat en schaalbaarheid

Erik Visser beredeneert: “Vanwege de constructies met verschillende externe partners waren we niet in staat om binnen onze omgeving op een verantwoorde en schaalbare manier AI-toepassingen te ontwikkelen. Omdat we steeds meer ervaring en vaardigheden wilden opbouwen, hadden wij de wens dit te centraliseren naar onze eigen omgeving.”

HSO komt met een architectuur en framework voor het Machine Learning Platform in Azure en past een aantal externe modellen van Stolt-Nielsen aan zodat deze op het nieuwe, gecentraliseerde platform gebouwd kunnen worden. Vervolgens wordt het nieuwe Machine Learning Platform met de opgebouwde modellen op een veilige manier aangesloten op het reeds bestaande dataplatform van Stolt-Nielsen.

De huidige structuur vormt een nieuwe fundering waarop nieuwe oplossingen gebouwd kunnen worden met schaalbare rekenkracht, inzicht in modellen (ten behoeve van Responsible AI) en eenvoudige deployment. Dit zorgt voor de juiste tools die Data Scientists nodig hebben om nog productiever te kunnen zijn in hun werk.

Geïmplementeerde modellen met betrouwbare uitkomsten

Daar waar veel organisaties bij de experimentele fase blijven steken als het om het trainen van modellen gaat, heeft Stolt-Nielsen verschillende modellen daadwerkelijk geïmplementeerd en in productie draaien. “Het is belangrijk dat er vertrouwen is in wat een model voorstelt” legt Erik uit. “Als dit redelijk en verklaarbaar is, draagt het bij aan de adoptie en bruikbaarheid. Het kunnen testen en beheren van modellen is mede door het Machine Learning Platform beter mogelijk.”

De voordelen van AI voor Stolt-Nielsen

“Binnen Stolt Tank Containers kunnen wij onze prijzenstrategie beter uitvoeren vanwege Machine Learning modellen, waardoor we sneller op quote aanvragen van klanten kunnen reageren, in plaats van dagen nodig te hebben voor analyse. Dit heeft een enorme impact omdat er duidelijke correlatie zit tussen de snelheid van reactie en het ‘winnen’ van een aanvraag.” Erik gaat verder: “Met AI kunnen onder andere onverwachte patronen ontdekt worden, waar een Data Analyst deze óf niet ontdekt, óf hier langer over doet. Doordat wij de volledige logistieke keten bedienen, hebben we heel goed zicht op wat er in de markt speelt. Soms beter dan onze klanten dat zelf hebben. Prijsstijgingen, nieuwe wetgevingen, verstoringen in havens en macro-economische ontwikkelingen beïnvloeden de business van onze klanten. Wij kunnen vanuit overzicht meedenken en klanten optimaal adviseren, waar iedereen beter van wordt.”

Samenwerking voor een platform dat goed aansluit

Een groot deel van het succes van een platform is afhankelijk van hoe het voldoet aan de wensen van gebruikers. Stolt-Nielsen heeft specifieke eisen voor een platform omdat er ambitieuze doelen zijn en flexibel op nieuwe kansen gereageerd moet kunnen worden.

Verder vertelt Erik over de samenwerking: “Het voordeel is dat er bij HSO specialistische kennis rondloopt, met de nodige ervaring vanuit eerdere projecten. Zij gingen pragmatisch te werk, met de juiste balans tussen ‘vandaag’ en ‘morgen’ in het oog houdende, wat goed bij ons past.”

"HSO heeft een belangrijke vertaalslag gemaakt in de architectuur en het ontwerp van het platform, waardoor het goed aansluit op onze organisatiestructuur en cultuur."

Organisatiebrede ondersteuning met AI

In de toekomst beoogt Stolt-Nielsen een bredere adoptie van AI-technologie. Er staat nu een solide basis waar meerdere initiatieven die door de verschillende divisies ontwikkeld worden op kunnen landen. Het Machine Learning Platform heeft het makkelijker gemaakt om klein te beginnen, te experimenteren en modellen in productie te brengen. Dit moet intern voor uitgebreidere ondersteuning van medewerkers- en extern een steeds voorspelbaardere dienstverlening tegenover klanten zorgen.