Windward es una compañía internacional de inteligencia predictiva enfocada en tráfico marítimo. Nuestra plataforma sirve como un centro único para todas las necesidades de dominio marítimo, evaluando los riesgos de buques, entre otras cosas.
La solución Windward fusiona IA, big data y experiencia marítima para permitir a las y los clientes y colaboradores entender el ecosistema marítimo y su impacto más amplio en la seguridad, las finanzas y el negocio y, gracias a ello, les permite tomar decisiones basadas en datos.
Clientes comerciales y gubernamentales acuden a nosotros y les ayudamos a analizar y producir conocimientos relacionados con sus buques, mediante el análisis de múltiples puntos de datos, que alimentamos a nuestros modelos sofisticados de inteligencia artificial.
Nuestros clientes comerciales incluyen agentes de seguros que desean conocer los riesgos de sus buques en el contexto de accidentes y bajas marítimas. Recopilamos esta información buscando en bancos que brindan fondos a tratos entre diferentes entidades comerciales y más recientemente, expandimos nuestras ofertas para ofrecer visibilidad a transportes de carga marítimos para empresas de transporte de mercancías y otros propietarios de cargamentos, lo cual ayuda a predecir el ETA de cuando sus bienes llegarán al puerto.
Para entidades de gobierno, realizamos evaluaciones de “riesgos de seguridad fronteriza”, donde identificamos buques que no operan en ninguna capacidad económica, para señalar compañías transportistas sospechosas para que los organismos de gobierno permanezcan vigilantes -permitiéndoles proteger sus aguas y fronteras de amenazas marítimas.
En referencia a nuestro producto recién lanzado, Visibilidad de Transporte de Carga Marítimo, estamos implementando tecnología de vanguardia para resolver un problema verdaderamente complejo, con el que el mundo ha lidiado por un largo tiempo, y más recientemente, este problema ha sido central en las crisis de múltiples mercados. El problema al predecir el ETA para buques de carga y contenedores es que muchos aspectos tienen que ver con el tiempo de arribo de un buque y un contenedor de carga.
Las tecnologías que se han usado durante la última década han sido decentes, mas no suficientemente buenas para este tipo de problema. Esto es porque la tecnología necesaria para consumir las capas de datos y los datos web públicos involucrados en otorgar total visibilidad a las actividades marítimas, aún no estaba disponible para el mercado -pero ahora lo está.
Windward eligió una tecnología llamada Deep Learning para impulsar a nuestra plataforma. Usamos una red neural que, en esencia, sabe cómo interactuar con las diferentes fuentes de datos y las combina para alcanzar una conclusión. En este caso, el tiempo estimado de arribo del buque al puerto de destino.
Nos enfocamos únicamente en el modelo ETA, ya que la totalidad de nuestra operación es bastante compleja. La capa básica de datos que usamos es la transmisión de buques que constantemente envía señales a varios receptores alrededor del mundo, cada minuto, para rastrear la ubicación del buque.
Usamos estos diferentes proveedores para mapear la ubicación de los buques, usando los datos de transmisión que nos brindan minuto a minuto. En este alcance de las cosas, observamos centenas de millones de transmisiones de buques al día.
Sin embargo, al intentar predecir el horario de arribo del buque en un puerto, necesitamos considerar diferentes fuentes de datos, como datos web públicos. Una de las fuentes de datos web más importantes para esto, es el calendario de buques publicado en los sitios web de los diferentes compañías transportistas. Esta información incluye la última ubicación conocida del buque, su ubicación actual y el tiempo estimado de arribo al puerto.
Los datos web de fuente abierta son de suma importancia para Windward porque usamos esos sitios web de compañías transportistas para alimentar nuestros algoritmos y así predecir de manera automática los Tiempos Estimados de Arribo (ETAs) y ayudar a las compañías a centrarse en otros aspectos de sus operaciones.
Puede imaginar un ´buque portacontenedores como un autobús y el autobús recopila personas de diferentes estaciones. Ahora, imagine que cada persona en el autobús tiene su propia predicción de cuándo llegarán a su destino. En esta analogía, las personas son los sitios web de las compañías transportistas.
Entonces, no basta con preguntar a una sola persona cuándo consideran que podrían arribar. Necesitamos preguntar a múltiples personas y después convertirlas en un promedio a manera de conocimientos. Por tanto, es importante para nosotros usar diferentes fuentes de datos web en internet y no solo una.
Para recopilar los datos web públicos que alimentan a nuestros algoritmos, usamos Web Scraper IDE de Bright Data para extraer datos web, automáticamente, de diferentes sitios web de compañías transportistas, y hemos utilizado esta solución por algunos meses.
Pienso que lo que hemos logrado durante el breve periodo en el que hemos trabajado juntos, ha sido super productivo y se ha ejecutado con rapidez, hemos abordado nuestras necesidades de manera formal, como una compañía.
Además, si llegamos a enfrentar obstáculos en nuestra recopilación de datos web, el personal de soporte de Bright Data ha sido super ágil en su respuesta y muy consciente de la manera de resolver los problemas, arreglándolos de manera inmediata o al cabo de un lapso de tiempo razonable.
Así que, en lo personal, me siento en confianza de trabajar con Bright Data.
