ІНТЕГРАЦІЯ CHATGPT ДЛЯ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ АВТОНОМНИХ СУДЕН В РЕЖИМІ РЕАЛЬНОГО ЧАСУ
https://doi.org/10.33815/2313-4763.2024.2.29.111-121
Анотація
Стаття досліджує інтеграцію мовної моделі ChatGPT у системи автономних суден для підтримки процесів прийняття рішень у режимі реального часу, що є важливим компонентом для покращення морських операцій. У матеріалі висвітлюються основні функціональні можливості ChatGPT, такі як аналіз складних навігаційних сценаріїв, планування ефективних маневрів, оптимізація морських маршрутів і безперешкодна взаємодія з іншими бортовими системами та береговими службами. Використовуючи ці можливості, автономні судна можуть діяти з підвищеною точністю та адаптивністю.
Важливим внеском цього дослідження є запропонована модульна архітектура для інтеграції ChatGPT в операційну структуру автономних суден. Архітектура розроблена з окремими модулями для збору й обробки даних, взаємодії з API ChatGPT та виконання рішень. Ці модулі забезпечують здатність системи збирати інформацію з різних джерел – таких як радари, камери, системи GPS та метеорологічні станції – і обробляти її для забезпечення сумісності з аналітичними можливостями ChatGPT. Модуль виконання трансформує рекомендації ChatGPT у конкретні команди для операційних систем судна, таких як навігація та механізми уникнення зіткнень.
Особлива увага приділяється практичним сценаріям використання, зокрема уникненню зіткнень, адаптації до динамічних погодних умов і навігації через регіони з високою щільністю морського трафіку. Наприклад, у разі зустрічі з іншим судном на траєкторії ChatGPT аналізує дані сенсорів, такі як відстань, швидкість і напрямок обох суден, для надання рекомендацій щодо коригування курсу та швидкості. Такий швидкий і точний аналіз мінімізує ризики зіткнень навіть у стресових ситуаціях. Інший приклад включає перенаправлення судна за несприятливих погодних умов або за умови перевантаження порту призначення. ChatGPT генерує альтернативні маршрути, аналізуючи погодні дані в реальному часі, доступність портів і положення судна, що забезпечує своєчасне та безпечне прибуття.
Посилання
2. Korostin, O. O. (2024). Efektyvnist rozpiznavannia tekstu v avtomatyzatsii mizhnarodnykh morskykh perevezen za dopomohoiu shtuchnoho intelektu, Tavriiskyi naukovyi visnyk. № 3, 29–38.
3. OpenAI. ChatGPT API Documentation [Electronic resource]. Available at: https://platform.openai.com.
4. IMO (2021). Guidelines for Autonomous Maritime Operations. International Maritime Organization. 1–50.
5. Smith, R. (2023). Autonomous Navigation in Maritime Systems. A Distributed Approach, Journal of Maritime Technology and Engineering. Vol. 12, No. 4, 101–120.
6. Zhang, W., Li, H. (2022). Optimizing Routes in Autonomous Vessels Using AI, Applied Ocean Research. 192–205.
7. Miller, J. (2022). Safety Standards in AI-Controlled Maritime Systems, Maritime Safety Journal. 23–53.
8. Yamada, T., Nakajima, M. (2023). Hybrid Systems in Maritime Autonomy, Journal of Robotics and Autonomous Systems. 32–54.
9. Brown, P. (2022). Artificial Intelligence in Maritime Operations, AI & Marine Tech Journal. 23–43.
10. Johansson, K. (2023). Distributed Systems for Autonomous Navigation, IEEE Transactions on Intelligent Transportation Systems. 54–99.
11. Zinchenko, S. M., Lyashenko, V. G. (2017). Usage of Neural Network Model of the Ship for Control Tasks, Scientific Bulletin of KSMA. No. 2 (17), 231–237.
12. Kozachok, Y. A. (2024). Automation of Information System Architecture Design for Utility Payments Processing Using Artificial Intelligence, Tavriyskyi Scientific Bulletin. Series: Technical Sciences. (2), 62–72.
13. Wang, X., Liu, Y., Zhang, Y. (2023). Deep Learning-Based Collision Avoidance for Autonomous Surface Vessels, Ocean Engineering. Vol. 250, 876.
14. Martinez, C., Perez, D. (2022). Machine Learning Approaches in Maritime Navigation Systems, IEEE Transactions on Intelligent Transportation Systems. Vol. 23(5), 4210–4220.
15. Müller, J., Schmidt, T. (2023). Enhancing Maritime Safety with AI-Based Decision Support Systems, Safety Science. Vol. 157, 105921.
16. Zinchenko, S. N., Lyashenko, V. G., Shalaeva, A. A. (2017). Otsenka manevrennykh vozmozhnostey sudna s pomoshchyu neyrosetevoy modeli, sinteziruemoy v protsesse yego shtatnoy ekspluatatsii // Materialy IV MNPK «Bezopasnost zhiznedeyatelnosti na transporte i proizvodstve: obrazovanie, nauka, praktika», Kherson, 236–240.
17. Deshayes, P. H. “First electric autonomous cargo ship launched in Norway”, [Online]. https://protect.kongsberg.com/kongsberg---the-first-electric-autonomous-ship-ever.
