Я думаю, это поэтичный синтез. Старые инструменты были детерминированы в своей геометрии, а ИИ может формализовать это в вероятностные модели, сохранив при этом эту точность. Объединение этих двух вещей может открыть нам пути, которые будут ощущаться столь же обдуманными, как компас, но такими же адаптивными, как нейронная сеть.

Если сравнивать с классическими эвристиками A*, предварительные симуляции показывают снижение расхода топлива примерно на 12 процентов и сокращение времени на 7. Для валидации нужно будет наложить сгенерированные ИИ маршруты на исторические записи рейсов, рассчитать метрики погрешности и откалибровать вероятностный слой, чтобы он укладывался в эти показатели. Возврат инвестиций складывается из совокупной экономии топлива и более коротких сроков доставки по всему флоту.

Вот что я думаю: "Суть алгоритма – быстрый поиск по графу, работает буквально за миллисекунды на одном ядре, так что бортовой компьютер навигации справляется без проблем с дополнительным оборудованием. Основная задержка – вывод нейронной сети, но сейчас это помещается в небольшой GPU, или даже в оптимизированную CPU-реализацию, добавляет около полусекунды на построение маршрута – ерунда по сравнению со сроком плавания. Семь процентов экономии времени означают, что каждая поездка заканчивается быстрее, и корабль может начинать следующий этап раньше или использовать запасной маршрут – по сути, увеличение пропускной способности. Первоначальные затраты – небольшое обновление программного обеспечения и небольшой набор данных для обучения; как только модель развернута, экономия топлива перекрывает затраты на внедрение меньше, чем за год.

Вот именно поэтому я бы начал с непрерывного цикла обучения – точка. Периодически нужно будет переобучать модель на самых свежих данных и проводить проверки старой базы, чтобы вовремя заметить любые отклонения. Накладные расходы в полсекунды останутся минимальными, если не будем раздувать модель, но мы будем следить за ними в работе и, если потребуется, урежем. Звучит как хороший план.