机器学习和数据科学的海事应用
随着数据收集和分析渗透到保守的海事行业，我们开始看到这个基于传统和反复试验的古老系统的裂缝。
海事申请
今天我们可以看到这种技术集群的另一个例子对不断增长的行业产生持久影响。从1960年代开始，如果您是新一代电子公司的一部分，加利福尼亚州就成为了一个地方。标准的制定和我们今天所拥有的山谷的行话和文化是这个小而强大的地理区域的直接结果。除了行话之类的软概念之外，还巩固了诸如八位数二进制数字之类的深层架构标准。航运也是如此，因为它成为一项标准化助孕。
今天的全球航运代表了许多文化和价值观，它必须在普遍的媒体和数字内容时代作出反应，否则它将被人口统计并失去对一个基本上看不见的行业的最小善意。然而，当他们看到一个可以省钱的好主意时，它很快被高层管理人员采用。由于担心失业，工人有时会抵制变革。这两种行为都是在20世纪50年代引入多式联运集装箱作为节约成本的措施时发生的。
船舶和港口的自动化将比早期模块化集装箱支持者所遭受的更困难。长期工作人员失业是真实的，密封的集装箱结束了堆积一些货物的普遍做法求科普。这很常见，今天仍然偶尔发生，一些主人制裁这项活动。事实上，装载一艘装有大盒子的船舶所花费的劳动力要比单独的袋子或谷物或笼子大小和重量各不相同的设备少得多。
自动化船舶和ports将消除一些危险或肮脏的工作，大多数人不会错过这类工作。具有高价值的工作是一个不同的故事。一艘完全自主的船舶将在未来实现，这意味着deckhands的风险降低，同时业主的利润大幅增加。节省的费用类似于自动驾驶汽车储蓄，风险更低，保险成本更低，运营效率更高，交通管理更好，消除人为错误。
在操作层面上消除人为错误是重要的，因为大多数事故是由于设计不良或船舶操作某些方面的人为错误而发生的。
机器学习使我们深入了解我们以前从未见过的海洋世界，一些启示与公认的信仰背道而驰。一个很好的例子是由Point 97公司开发的用于商业渔民的数字甲板产品。对渔民在日常作业中收集的渔业数据进行数字跟踪，发现当地监管机构用于管理鱼类资源，减少寻找非法捕捞活动所需的资源。自动导入数据不仅可以为监管机构提供近乎实时的见解，还可以为渔民提供近乎实时的见解。
一类新的数据
现在，麻省理工学院宣布，他们开发了一种监测波浪数据的算法，以预测流氓波的形成，从而出现了一类新的数据。Rouge波是巨大的，往往是致命的波，形成在公海，两个波场结合在一起。流氓波通常是高峰形式，而不是像海啸产生的长期波浪。
这是一类新的数据，因为它需要快速操作才能工作。自动回避系统通常不被接受，更改课程的许可可能需要几分钟时间。Rouge波形成并迅速造成损害，因此**使用这些数据是在自动取款机中ic系统将改变路线或转向面对波弓。这会使水手感到不舒服，但替代方案更糟。
分类协会天气气候，保险公司和监管机构都站在更加自动化的道路上，但像自动驾驶汽车一样，由于更大的便利性和成本节约，它们将被接受。
我们已经达到了一个人吸收太多数据的程度。helm显示器上的所有数据都可以通过已经运行现代船舶许多部分的计算机更好地管理。除非自动维护和维修系统故障，否则将来留在船上的少数水手可能是几乎没有实际职责的技术人员。
资源网_1" />