Brug af kunstig intelligens i

Transkript

1 Brug af kunstig intelligens i Københavns Lufthavn Karsten Madsen Afdelingsleder for Data Analyse & Udvikling - Bagage, Copenhagen Airports 3. maj 2018 DAu conference - Digitalisering af store infrastrukturanlæg

2 3 May 2018 Agenda Københavns Lufthavne Projektforløb implementering af AI i bagageproduktionen Casestory på brug af AI i produktionen Potentiale og Learnings

3 Københavns Lufthavne

4 Københavns Lufthavn Hvert andet minut letter eller lander et et fly Det er 730 daglige operationer passagerer kommer gennem lufthavnen på en gennemsnits dag 60+ dage med mere end passagerer i medarbejdere i CPH arbejder i lufthavnen

5 We are under construction Eastern Development WB Stands Hotel 2 Parking Forecourt East BF3 Pier E T3 Landside Link to Kastrup St Bag reclaim Forecourt West CSC T3 Airside Landside Roads Check-in T2 Airside HBS Std. 3 Pier C Improvements BFW Preparation for western expansion Staff Parking T1 Upgrade Deicing

6 Københavns Lufthavn Facts ,2 million pax Stigning på 21 % over 5 år 174 destinationer Direkte fra Københavns Lufthavn DKK 20 Milliarder Investering i udvidelse til 40 millioner passagerer 365,000 tons fragt Målt i værdi - Det 32 % af alt dansk eksport der er med flyfragt 3 May 2018

7 Bagageanlægget

8 Baggage processes 3 May, 2018

9 Bagageanlægget 3 May, 2018

10 Bagageanlægget Transportbånd længde > m Transportbånd antal > stk. Sorteringsmaskiner antal 3 stk. Sorteringsmaskiner længde m X-ray maskiner 15 stk. Design kapacitet 4000 bag/timen PLC Antal: > 200 stk. Windows maskiner Antal: > 100 stk. HMI er > 100 stk. 3 May, 2018

11 Bagage Peak dage Afgående bagage Ankomst bagage Transfer bagage Peak dag total bagage Peak dag total vægt ton = 1000/dag bagage per år

12 Hvorfor Ai?

13 Strategi for IT udvikling & digital innovation Move fast -> Fail fast Proof of concept (PoC) Lufthavn Focus på sikkerhed, ikke hastighed Udvikling af kultur Københavns Lufthavn Mærsk Danske Bank TDC Netcompany

14 3 May, 2018 Digitalisering Hvor er vi? 40 % effektivitet i check-in og sikkerhedskontrol Datadrevet og automatisk allokering af udstyr (F.eks. Checkin, bagagebånd, gates, osv.) Selvbetjent check-in og bag drop Automatisk måling af ventetider Øget passagertilfredshed

15 Vi løfter os ved at lytte til de bedste Internet of Things AI / Machine learning Kapacitets allokering Optimering Track & Trace Digital billede behandling Lean 15

16 Bag grunden for AI i Bagage sammenhæng CPH ville afprøve potentialet i Machine Learning/Ai Vi havde en passende udfordring Vi havde historiske data Vi fandt en partner med knowhow (NetCompany) Vi ville starte småt Udvikle viden om Ai Fail fast, hvis det ikke virkede 2 mdr. projektforløb

17 3 May, 2018 Eksisterende ankomst kapacitet skal håndtere vækst indtil 2023 Ingen ny kapacitet i 12 år. Vækst er blevet absorberet via optimering Ny kapacitet planlagt til 2023 Vækst indtil 2023 skal absorberes via yderligere optimering

18 Casestory - Brug af Ai i bagage produktionen

19 Bagage processen Local Departing Baggage Transfer Baggage Arrival Baggage 3 May, 2018

20

21 Vi har brug for kapacitet - og vi udnytter ikke det vi har godt nok Effektiviteten påvirkes af: Variation mellem Estimerede bag tider og Aktuelle bag tider Variation er størst i peak perioder desværre.. Begrænset effekt fra: Service Level Agreements (SLA) har ikke den ønskede effekt Eksisterende beregning er ikke dynamisk nok Planlagt FB Planlagt Faktisk LB Planlagt FB: First bag Første bagage der aflæsses fra et flight Faktisk Faktisk LB: Last bag Sidste bagage der aflæsses fra et flight FB LB FB LB

22 Løsningen - Ai Estimeret First BAG Vanskeligt at bygge en traditionel matematisk model Vigtige egenskaber ændres over tid Vanskeligt (=dyrt) at opdatere model Vanskeligt at se mønstre i store mængder data ML algoritme kan: Elastic-net feature selection/engineering Daglig træning Udvalgte variabler opdateres Kan håndtere ikke lineære variationer Gradient Boosted Decision Tree Regression

23 AI Estimeret First BAG Eksempler på Input der bruges til at træne modellen: Handler Er det ankomst fra Schengen land Størrelsen af flyet Ugedagen Tidspunkt på dagen Presset på handleren, hvor mange ankomster håndteres samtidig Presset på lufthavnen, antal samtidige operationer Er der helligdage involveret Container eller bulk lasttype Standplads Ontime performance Antal pasagerer 23

24 Ai modeller For at sikre, at de fremtidige prædiktioner er robuste, bruger vi 3 forskellige modeller, der er trænet på data fra forskellige tidsperioder Baselinemodellen Baselinemodellen er selve grundmodellen, der trænes på seneste 365 dages data. Trendmodel Trendmodellen trænes på seneste 60 dages data, og derved kun tolker på informationen fra denne periode. Seasonmodel Seasonmodellen bliver trænet på data fra samme periode forrige år, og tager +10/-50 dage fra dagsdato forrige år. 24

25 25 Model trænings-process

26 Resultat CPH nuværende model AI model 2016: AI model 2017: MAE: MAE: MAE: RMSE: RMSE: RMSE: R^2: R^2: R^2: MAE (Mean Absolute Error) MAE = 1 n y i y i i=1 n RMSE (Root Mean Squared Error) RMSE = n 1 n (y i y i ) 2 i=1 R 2 Coefficient of Determination R 2 = 1 SS res SS tot

27 Potentiale og Learnings

28 Business Potentiale Ai Udskyde eller undgå investeringer: Ca. 15 MDKK i direkte investering i ny kapacitet OPEX besparelse: 1-2 FTE s* forøgelse i effektivitet Svare til ca. 1 MDKK/år Ikke finansielle forbedringer: Bedre pasager flow hurtigere levering af bagage Bedre pasager oplevelse Mindre kø i aflæsnings området Mere plads til komercielle aktiviteter i ankomstområdet Hurtigere aflæsning frigør vogne til afgangs processen i peak

29 Skift i fokus med Machine Learning Indtil nu: Arbejde med reduktion af variation Fremadrettet: Forudsigelse af variation med ML

30 Potentiale for AI i CPH? Vi har mange standardiserede processer (LEAN) Vi har store mængde indsamlede data og nogle store udfordringer Vi ser et stort potentiale i AI Business Intelligence Robotics Machine Learning/AI Deep Learning Business potential/relevance Experience/implementation

31 Process & Learnings AI/ML Business potentiale er bekræftet Forventet 10% ekstra kapacitet i peak Mindre optimerings support Algoritmen er programkode og skal håndteres som kode Vedligehold? Versionshåndtering? Support? Skal vi have AI kompetencer in-house? Implementering i eksisterende systemer var 60% af omkostningen

32 Learnings fortsat Not a free lunch Vi spare penge i udskudte investeringer i ny kapacitet Men, IT-budget vokser (OPEX) Kræver nye typer ressourcer og kompetencer

33 Spørgsmål?