De Rotterdamse haven heeft nu  een enorm tekort aan arbeid. Juist op plekken waar zeg maar werk is  wat misschien niet zo graag gedaan wordt. Dat vatten ze ook wel eens samen onder de  'dirty, dull, en dangerous' soorten werk. Dat zijn precies de soorten  werk die opgepakt kunnen   worden via automatisering en digitalisering. Er is heel veel data beschikbaar, en je zou dus voorspellingen kunnen  gaan doen van 'Wat gebeurt er? of Wat   kan je verwachten? Wanneer komt  de container van een schip af?' Als voorbeeld: je ziet in Rotterdam tegenwoordig  containerschepen met 20.000 à 23.000 containers. Het scheelt nogal of jouw container als  eerste van zo'n schip afkomt of als laatste. Dat kan zomaar een paar dagen schelen, dus als  daar een voorspelling op gedaan kan worden,  dan kan je dus wellicht twee dagen eerder  je container van zo'n terminal afhalen. Ik denk dat het interessant is dat als je  enerzijds ziet wat zo'n voorspelling afgeeft,  en wat te werkelijkheid is, dan kan je daar met AI van leren. Dus je kan met dat soort voorspellingen,  prognoses maar ook met planningen kan je leren,  en dat steeds verder verbeteren,  waardoor de betrouwbaarheid van de informatie die  richting de eindklant gaat ook steeds beter wordt. Nou ik denk dat er nog heel veel  potentie voor AI in de logistiek is. Als we nu kijken, dan hebben we het  vooral over model-gedreven methoden   die op een gestructureerde  manier dingen voorschrijven.  Bijvoorbeeld welke route  transporteurs moeten afleggen. Ik denk, als we nu naar  data-gedreven methoden kijken  en daar komen we meer bij AI,  dat de huidige toepassingen vooral  beperkt zijn tot het voorspellen. Maar een goede voorspelling schrijft nog  niet voor welke acties je zou moeten nemen. Bijvoorbeeld de politie kan vrij goed  voorspellen waar incidenten plaats vinden,  maar welke actie volgt er dan uit? Moet je met je helikopter boven die verwachte  plekken van een incident gaan hangen,   of moet je misschien er tussendoor gaan vliegen? Dus het is niet evident hoe je  goede voorspelling zich vertaalt   in een goede planning of goede beslissingen. Dus ik denk dat er nog heel veel te winnen valt  in een combinatie van meer klassieke algoritmiek,   wiskundige optimalisatiemodellen, en meer  de AI modellen rondom voorspellingen. AI systemen kunnen bijvoorbeeld op basis van  heel veel data tot slimme oplossingen komen. Maar de vraag is dan of de planner die dat  voorheen altijd deed die uitkomst wel accepteert. Vertrouwt hij het dat dat  daadwerkelijk de beste oplossing is? Het is daarom altijd belangrijk te  kijken: 'Hoe zit zo'n systeem in elkaar?  Op basis van welke parameters besluit het?' En dat de planner dat weet,  dat ook kan accepteren,   en alleen maar zijn eigen toevoeging  doet waar juist hij goed in is..