Herman Johan Bomholt og Torsten Stangeland Thune fikk i dag tildelt Lehmkuhlstipendet for sin masteroppgave.
I forbindelse med Lehmkuhlforelesningen denne uken, fikk Herman Johan Bomholt og Torsten Stangeland Thune tildelt et stipend på 25 000 kr for sin masteroppgave Machine learning as a decision support system in Capesize route optimization ─ Predicting optimal route selection using Recurrent Neural Networks and Extreme Gradient Boosting.
Bomholt og Thune leverte oppgaven våren 2020. De har vært veiledet av professor ved Institutt for foretaksøkonomi, Roar Os Ådland.
Systemet som blir presentert er innovativt og lovende, og omfanget av shippingnæringa gjør at ideen vil kunne ha et betydelig økonomisk potensial.
Komiteens omtale
I begrunnelsen heter det:
De demonstrerer god innsikt, både om tidlegere forsking og praktiske forhold i næringen, og de viser at de mestrer bruk av avanserte modellverktøy. Systemet som blir presentert er innovativt og lovende, og omfanget av shippingnæringa gjør at ideen vil kunne ha et betydelig økonomisk potensial.
Lehmkuhlstipendet skal være en ekstra påskjønning til NHH-studenter eller nylig uteksaminerte kandidater som har satset på innovasjon og/eller entreprenørskap. Fordi næringslivet er i en omstillingsfase, er det særdeles viktig å gjøre NHH-studentene bedre i stand til å skape nye virksomheter eller hjelpe andre med å få ny virksomhet til å vokse. Formålet med Lehmkuhlstipendet er med andre ord en ordning for å støtte opp under NHHs satsning innen innovasjon og entreprenørskap.
I begrunnelsen for tildelingen legges det vekt på at masteroppgaven viser hvordan en kan bruke avanserte statistiske metoder til å hjelpe eiere av store tørrlastskip med å planlegge hvilke ruter skipene skal gå:
Shippingmarkedet er svært kompleks og usikkert, og dårlege beslutninger kan ha store negative konsekvenser. Det kreves derfor dyp innsikt og mange års erfaring for å planlegge drift av en skipsflåte. Oppgaven presenterer et automatisert system som, basert på behandling av store mengder data for en lang rekke variabler, foreslår hvilke ruter de ulike skipene bør settes inn på.
Systemet er basert på metoder for maskinlæring, det vil si at det kan forbedre seg selv basert på erfaring.
Komiteens omtale
Systemet er basert på metoder for maskinlæring, det vil si at det kan forbedre seg selv basert på erfaring. Metodikken blir testet ut på virkelige data fra 2017-2020. Resultatene viser at en kan oppnå en betydeleg økning i økonomisk fortjeneste samanliknet med det som er rimelig å forvente av aktører i dette markedet.