هوش مصنوعی محلی برای تحلیل قراردادهای حمل‌ونقل دریایی؛ بدون نیاز به فضای ابری
نویسندگان: استیون دی سوم و واتیلا اکانایاکه | ۱۵ اکتبر ۲۰۲۶
یادداشت سردبیر: پایان‌نامه مدیریت زنجیره تأمین با عنوان «از فایل‌های PDF بدون ساختار تا تحلیل هوشمند قراردادها: خط پردازش محلی مبتنی بر مدل زبانی بزرگ و تولید تقویت‌شده با بازیابی اطلاعات برای استخراج شرایط و ضوابط دموراژ» به قلم استیون دی سوم و واتیلا اکانایاکه و با راهنمایی دکتر النا دوگوندجی تهیه شده است. برای دریافت اطلاعات بیشتر درباره این پژوهش می‌توانید با استاد راهنمای پایان‌نامه تماس بگیرید.
پروژه ما برای رفع یکی از گلوگاه‌های اساسی صنعت حمل‌ونقل دریایی شکل گرفت: دشواری بررسی سریع قراردادهای پیشنهادی حمل کالا و مذاکره درباره مفاد آن‌ها. در نمونه اولیه این سامانه، بر مهم‌ترین عامل هزینه‌زا در این قراردادها تمرکز کردیم: دموراژ یا هزینه تأخیر کشتی. در صنایع نفت، گاز و مواد شیمیایی، سودآوری تا حد زیادی به فاصله میان قیمت کالا و هزینه‌های عملیاتی بستگی دارد. کمتر هزینه‌ای به اندازه دموراژ می‌تواند این حاشیه سود را به‌سرعت کاهش دهد. دموراژ جریمه‌ای است که در صورت طولانی‌تر شدن عملیات بارگیری یا تخلیه کشتی از زمان مجاز دریافت می‌شود. شرایط تعیین این جریمه، از جمله مقررات مربوط به زمان مجاز بارگیری و تخلیه و موارد استثنا، معمولاً در میان مفاد پیچیده قراردادهای اجاره کشتی پنهان است؛ قراردادهایی که اغلب بین ۴۰ تا ۶۰ صفحه دارند.
حامی مالی پروژه ما، یک شرکت بزرگ فعال در حوزه انرژی، سالانه هزاران قرارداد حمل‌ونقل دریایی امضا می‌کند. بررسی شرایط یک سفر پیشنهادی و تعیین میزان ریسک ناشی از هزینه‌های دموراژ، گاهی تا شش ساعت از وقت یک تحلیلگر را می‌گیرد. او باید متن حقوقی قرارداد و تغییرات مشخص‌شده در آن را بخواند و مفاد متعارض اسناد مختلف را با یکدیگر تطبیق دهد. ابزار ما این فرایند بررسی قرارداد را متحول می‌کند. این سامانه با استفاده از هوش مصنوعی مبتنی بر درک معنا، به تحلیلگران امکان می‌دهد قراردادهای پیشنهادی و هنوز امضانشده را فوراً با الگوهای مرجع مقایسه و ارزیابی کنند. با توجه به محرمانگی بالای قراردادهای دریایی، از ابتدا یک شرط قطعی داشتیم: تمام اجزای سامانه باید به‌صورت محلی اجرا شوند.
هزینه سنگین بررسی‌های زمان‌بر
هر سفر دریایی تابع مجموعه‌ای از اسناد است که از نظر اعتبار حقوقی، سلسله‌مراتب مشخصی دارند. قرارداد اجاره کشتی یا چارتر پارتی (Charter Party)، سند پایه‌ای است که شرایط استاندارد قرارداد را تعیین می‌کند. سند خلاصه توافقات نهایی یا ریکپ (Recap)، مرجع معتبر شرایطی است که طرفین بر سر آن مذاکره و توافق کرده‌اند و در صورت تعارض با سایر اسناد، مفاد آن اولویت دارد. اسناد الحاقی و ضمیمه‌های قراردادی نیز اصلاحات بیشتری به این مجموعه اضافه می‌کنند.
وقتی تطبیق دستی این مجموعه پیچیده از اسناد حقوقی ساعت‌ها طول می‌کشد، معمولاً مغایرت‌ها زمانی شناسایی می‌شوند که کشتی سفر خود را آغاز کرده است. چنین تأخیری عملاً قدرت چانه‌زنی برای اصلاح قرارداد یا اعمال اصلاحات قراردادی را از بین می‌برد.
بنابراین مسئله فنی اصلی ما صرفاً استفاده از هوش مصنوعی محلی برای خواندن فایل‌های PDF نبود. هدف این بود که یک قرارداد پیشنهادی و فاقد ساختار مشخص، در کوتاه‌ترین زمان به مجموعه‌ای از داده‌های ساختاریافته تبدیل شود؛ داده‌هایی که سلسله‌مراتب حقوقی اسناد را نیز به‌درستی رعایت کنند. این سرعت به معامله‌گران اجازه می‌دهد پیش از نهایی شدن قرارداد، خطرات احتمالی را شناسایی کنند؛ آن هم در محیطی که حفظ محرمانگی اطلاعات شرطی غیرقابل چشم‌پوشی است.
قدرت یک مرکز داده در دستگاهی به اندازه جعبه ناهار
در کاربردهای سازمانی هوش مصنوعی، معمولاً تصور می‌شود انجام پردازش‌های پیچیده با مدل‌های مولد، به زیرساخت‌های ابری گران‌قیمت شرکت‌های ثالث یا پردازنده‌های گرافیکی مراکز داده نیاز دارد. پروژه ما نشان می‌دهد این تصور تا حد زیادی اغراق‌آمیز است و البته تنها گروهی نیستیم که چنین موضوعی را مطرح می‌کنیم. در نمایشگاه CES ۲۰۲۶، لیزا سو، مدیرعامل AMD، یک رایانه کوچک تقریباً به اندازه جعبه ناهار را به نمایش گذاشت و مدلی با ۲۳۵ میلیارد پارامتر را به‌صورت زنده روی آن اجرا کرد. این نمایش بدون استفاده از مرکز داده، خدمات ابری یا پردازنده گرافیکی اجاره‌ای انجام شد. رایانه مورد استفاده به همان پردازنده AMD Ryzen AI Max+ 395 با نام رمز «Strix Halo» مجهز بود که سامانه ما نیز از آن استفاده می‌کند.
سامانه تحلیل هوشمند قراردادها روی یک ایستگاه کاری کوچک Minisforum MS-S1 Max اجرا می‌شود که از پردازنده Strix Halo و ۱۲۸ گیگابایت حافظه یکپارچه بهره می‌برد. ما با اختصاص دائمی ۹۶ گیگابایت از این حافظه به پردازش‌های هوش مصنوعی در سطح میان‌افزار دستگاه، امکان نگهداری هم‌زمان یک مدل زبانی ۲۶ میلیارد پارامتری و یک مدل تعبیه‌سازی داده‌ها با ۸ میلیارد پارامتر را در حافظه محلی پرسرعت فراهم کرده‌ایم. نتیجه، عملکردی قابل مقایسه با یک سرور سازمانی است؛ آن هم در دستگاهی کوچک و کم‌صدا که می‌تواند در یک دفتر معمولی قرار بگیرد و نه به اتاق سرور با سیستم کنترل دما نیاز دارد و نه به اتصال شبکه خارجی.
همین ویژگی آخر از نظر راهبردی اهمیت ویژه‌ای دارد. برای شرکتی که با قراردادهای حساس خریدوفروش کالا سروکار دارد، انجام تمام مراحل استخراج و تحلیل اطلاعات در زیرساخت داخلی شرکت صرفاً یک مزیت جانبی نیست؛ بلکه شرط اصلی امکان استفاده از چنین فناوری‌ای است. ملاحظات اقتصادی نیز این رویکرد را تقویت می‌کنند. از آنجا که تمام اجزای نرم‌افزاری هوش مصنوعی این سامانه متن‌باز هستند، شرکت به تأمین‌کننده خاصی وابسته نمی‌شود و هزینه‌ای بابت تعداد توکن‌های پردازش‌شده نمی‌پردازد. پس از خرید سخت‌افزار، هزینه اضافی بررسی هر قرارداد جدید عملاً به برق مصرفی دستگاه محدود می‌شود.
تبدیل فایل‌های PDF خام به داده‌های ساختاریافته
تبدیل یک قرارداد به اطلاعات قابل تحلیل، در یک مرحله دریافت و پردازش اطلاعات روی خود دستگاه انجام می‌شود. ابتدا متن قرارداد همراه با مختصات دقیق تک‌تک نویسه‌ها استخراج می‌شود. بخش بسیار مهم این فرایند، شناسایی و حذف متن‌هایی است که در جریان مذاکرات قراردادی با خط خوردگی مشخص شده‌اند. اگر بندهای حذف‌شده که همچنان در نسخه نهایی PDF دیده می‌شوند وارد پایگاه دانش شوند، ممکن است سامانه بدون آنکه این خطا آشکار باشد، مفاد منسوخ را مبنای تحلیل خود قرار دهد. به همین دلیل، شناسایی خطوط برداری که از بخش میانی نویسه‌ها عبور می‌کنند و حذف متن مربوط به آن‌ها، نه یک بهبود اختیاری، بلکه مرحله‌ای ضروری در پردازش اسناد بود.
سپس متن پاک‌سازی‌شده بر اساس معنا به بخش‌های کوچک‌تر تقسیم می‌شود. برای هر بخش، فراداده‌هایی ثبت می‌شود که نوع سند و جایگاه آن را در سلسله‌مراتب حقوقی مشخص می‌کنند. این اطلاعات برای جست‌وجوی کلیدواژه‌ای و معنایی نمایه‌سازی می‌شوند. هم‌زمان، سامانه فرایندی موسوم به «نگاشت و کاهش» (Map-Reduce) را اجرا می‌کند. در این فرایند، مدل زبانی کل قرارداد را می‌خواند و تمام بندها، تعهدات، سقف مسئولیت‌ها و آستانه‌های مالی را استخراج و در قالب فهرستی ساختاریافته از مفاد قرارداد تنظیم می‌کند. این فهرست معمولاً برای هر قرارداد بین ۸۰ تا ۲۵۰ سطر دارد و اطلاعات آن در یک پایگاه داده محلی ذخیره می‌شود. جدا کردن این فهرست ساختاریافته از فرایند بازیابی متن خام، یکی از مهم‌ترین دستاوردهای فنی ما بود. به این ترتیب، سامانه می‌تواند کل قرارداد را به‌صورت مستقیم و جامع بررسی کند، بی‌آنکه برای یافتن یک بند مهم در میان ۶۰ صفحه متن حقوقی، تنها به نتیجه جست‌وجوی کلیدواژه‌ها متکی باشد.
سه ابزار در یک داشبورد امن
کاربران از طریق یک رابط تحت وب واحد به تمام قابلیت‌های سامانه دسترسی دارند؛ رابطی که پیچیدگی زیرساخت فنی را از دید آن‌ها پنهان می‌کند. در پشت این رابط، سه ابزار اصلی قرار گرفته است:
- بازیابی اطلاعات قراردادی (Fact Retrieval): این ابزار به پرسش‌های کاربران درباره مفاد قرارداد به زبان طبیعی پاسخ می‌دهد. با ترکیب جست‌وجوی کلیدواژه‌ای و معنایی، می‌تواند پاسخ‌های دقیقی درباره یک قرارداد مشخص ارائه کند. هر ادعای واقعی که هوش مصنوعی مطرح می‌کند، بر متن سند اصلی استوار است و همراه آن، ارجاعی قابل کلیک در متن پاسخ ایجاد می‌شود. این ابزار همچنین تعارض میان اسناد را با توجه به سلسله‌مراتب حقوقی آن‌ها به‌طور خودکار حل می‌کند؛ برای مثال، اگر مفاد ریکپ و قرارداد اجاره کشتی با یکدیگر تعارض داشته باشند، مفاد ریکپ ملاک قرار می‌گیرد.
- مقایسه قراردادها (Contract Compare): این ابزار قرارداد پیشنهادی را با یک قرارداد مرجع تأییدشده مقایسه و ارزیابی می‌کند. خروجی آن گزارشی ساختاریافته است که حمایت‌های قراردادی حذف‌شده، تعهدات تضعیف‌شده، خطرات تازه اضافه‌شده و تغییرات آستانه‌های مالی را مشخص می‌کند و در نهایت ارزیابی کلی از میزان ریسک قرارداد ارائه می‌دهد.
- خلاصه مدیریتی (Executive Summarize): این ابزار محتوای یک قرارداد کامل را در قالب گزارشی استاندارد با هفت بخش خلاصه می‌کند. این بخش‌ها شامل طرف‌های قرارداد، نرخ کرایه حمل، زمان مجاز بارگیری و تخلیه و هزینه‌های دموراژ، تعهدات اصلی، سقف مسئولیت‌ها، اصلاحات مهم و ارزیابی ریسک هستند. به این ترتیب، مدیران می‌توانند بدون مطالعه ۵۰ صفحه متن حقوقی، منطق تجاری قرارداد را به‌سرعت بررسی و درباره اولویت رسیدگی به آن تصمیم‌گیری کنند.
ایجاد اعتماد از طریق امکان راستی‌آزمایی
حتی دقیق‌ترین تحلیل نیز زمانی که تحلیلگر نتواند درستی آن را تأیید کند، ارزش عملی چندانی ندارد. معامله‌گران تجاری و کارشناسان حقوقی به‌درستی حاضر نیستند در اختلاف با طرف مقابل قرارداد، به پاسخی استناد کنند که نتوان منشأ آن را مشخص کرد. به همین دلیل، تمام ادعاهای سامانه همراه با ارجاع به منبع ارائه می‌شوند و همه این ارجاعات قابل کلیک هستند. با انتخاب هر ارجاع، نمایشگر اسناد که به‌صورت محلی میزبانی می‌شود باز خواهد شد و کاربر مستقیماً به همان بند دقیقی هدایت می‌شود که پاسخ از آن استخراج شده است. ایجاد این ارتباط مستقیم با متن اصلی و نمایش اطلاعات در بستر واقعی سند، عامل تعیین‌کننده‌ای بود که سامانه را از یک آزمایش فنی به ابزاری قابل اعتماد برای کاربران تبدیل کرد.
گذار از واکنش پس از وقوع به پیشگیری از خطر
دستاورد نهایی این فناوری، تغییر اساسی در شیوه مواجهه با خطرات قراردادی است. بررسی‌ای که پیش‌تر ممکن بود تا شش ساعت از وقت یک تحلیلگر را بگیرد، اکنون در چند لحظه انجام می‌شود. این سرعت به‌اندازه‌ای است که می‌توان تمام قراردادهای پیشنهادی را به‌محض دریافت بررسی کرد، نه فقط قراردادهایی را که کارکنان فرصت رسیدگی دقیق به آن‌ها را دارند. به‌جای آنکه معامله‌گران پس از آغاز سفر کشتی از وجود شرطی نامطلوب آگاه شوند، اکنون می‌توانند هر قرارداد دریافتی را پیش از امضا با الگوی تأییدشده مقایسه کنند. در نتیجه، هنگام مذاکره به‌جای تکیه صرف بر تجربه و حافظه سازمانی، شواهد مشخصی در اختیار دارند و می‌توانند از ورود بندهای نامطلوب به قراردادهای ناوگان فعال جلوگیری کنند. با بررسی هر قرارداد جدید، ارزش این سامانه بیشتر می‌شود: نظارت تجاری سریع‌تر و منسجم‌تر که از سودآوری سفرهای دریایی محافظت می‌کند؛ آن هم بدون آنکه حتی یک بایت از اطلاعات، سخت‌افزار تحت کنترل شرکت را ترک کند.