Obniżenie kosztów (i zmniejszenie opóźnień) na lotniskach dzięki predykcyjnej SI
Sztuczna inteligencja oparta na uczeniu maszynowym na bazie danych w ramach współpracy może zrewolucjonizować zarządzanie ruchem lotniczym (ang. air traffic management, ATM). Jednakże uzyskanie pozytywnych wyników w przyszłości będzie w dużej mierze zależne od zaangażowania w działanie wszystkich interesariuszy, w tym linii lotniczych. „Obecnie linie lotnicze niechętnie udostępniają swoje prywatne dane w celu usprawnienia procesu wspólnego podejmowania decyzji”, wyjaśnia Javier Busto z hiszpańskiej firmy SITA eWAS Application Services, koordynator projektu AICHAIN (A platform for privacy-preserving Federated Machine Learning using Blockchain to enable Operational Improvements in ATM). „Po wypełnieniu planów lotów planowanie i zarządzanie siecią zasobów oraz sektorami przestrzeni powietrznej zwykle odbywa się bez pełnej koordynacji ze strony linii lotniczych”. Wprowadzenie danych od linii lotniczych dotyczących wrażliwych kwestii, takich jak koszty, priorytety lotów oraz połączenia pasażerów i załogi do procesu podejmowania decyzji mogłoby przyczynić się do uzyskania skuteczniejszych modeli predykcyjnych i zaowocować w przyszłości sprawniejszym zarządzaniem oraz przydzielaniem lotów. „Wyzwanie, przed którym stoimy, nie ma charakteru wyłącznie technologicznego. Polega ono również na zachęceniu interesariuszy do uczestnictwa w budowaniu wspólnych globalnych modeli, z których skorzysta ATM jako całość”, kontynuuje Busto. „Dane te są często bardzo wrażliwe pod względem komercyjnym. Dotyczą między innymi kosztów paliwa czy kwestii związanych z personelem”.
Predykcyjne przydzielanie lotów
Projekt CORUS został sfinansowany w ramach Wspólnego Przedsięwzięcia SESAR, partnerstwa publiczno-prywatnego utworzonego w celu modernizacji europejskiego systemu zarządzania ruchem lotniczym. Celem projektu było usprawnienie przydzielania lotów poprzez zastosowanie uczenia maszynowego do wrażliwych (i pozostałych) danych w zdecentralizowany i chroniony sposób. Założenie było następujące: zapewniłoby to liniom lotniczym zabezpieczenia i pewność konieczne, by skłonić je do udostępniania danych. „Opracowaliśmy system federacyjnego uczenia maszynowego, który można przeszkolić, wykorzystując takie dane wrażliwe uzyskane od linii lotniczych”, dodaje koordynator naukowy projektu AICHAIN, Sergio Ruiz z Centrum Innowacji EUROCONTROL we Francji. „Menedżer sieci, w tym przypadku EUROCONTROL, mógłby następnie wykorzystać takie zabezpieczone informacje do lepszego prognozowania tras lotów wybranych przez linie lotnicze oraz przewidywanych godzin wylotu, by zapewnić sprawniejsze funkcjonowanie”. Federacyjne uczenie maszynowe jest wykorzystywane w branżach takich jak farmaceutyka czy opieka zdrowotna. Zespół projektu AICHAIN chciał wykazać, że koncepcja ta sprawdza się również w przypadku ATM. Zespół skoncentrował się na dwóch określonych przypadkach użycia końcowego: prognozowaniu czasu wylotu oraz prognozowaniu trasy lotu. Większa przewidywalność w zakresie tych aspektów jest ważna dla lepszego zarządzania ruchem oraz ograniczenia uśpionych możliwości, co z kolei zaowocowałoby zmniejszeniem kosztów ATM dla linii lotniczych i pasażerów. „Dane można przetwarzać w węzłach (np. systemach linii lotniczych), gdzie znajdują się dane”, opowiada Ruiz. „Wykorzystaliśmy technologię blockchain i wytypowaliśmy inne technologie chroniące prywatność, aby uzupełnić funkcjonowanie federacyjnego uczenia maszynowego”.
Włączenie linii lotniczych do działania
Zespół projektu ocenił skuteczność systemu pod względem wykonalności technologicznej, wartości operacyjnej oraz akceptacji przez zainteresowane strony. „Federacyjne uczenie maszynowe to dość ugruntowana technologia, jednak mało znana w tym sektorze”, zauważa Busto. „Wykazaliśmy, że jesteśmy w stanie opracować stworzony na zamówienie system, który w pełni chroni prywatność i buduje należyte zaufanie oraz zachęca linie lotnicze do uczestnictwa”. Zespół projektu AICHAIN współpracował też ściśle z odpowiednimi władzami, by zagwarantować, że narzędzia uczenia maszynowego mogą uzyskać certyfikaty na potrzeby stosowania w ATM. Jest to działanie konieczne dla wdrożenia nowych technologii w dziedzinach, w których bezpieczeństwo ma znaczenie krytyczne. „To bardzo złożona dziedzina, która wciąż się rozwija”, dodaje Ruiz. „W ten sposób zespół projektu był w stanie wywrzeć pozytywny wpływ na proces certyfikacji, w szczególności w sytuacji, gdy konieczne jest zarówno zadbanie o ochronę prywatności danych, jak i o przejrzystość procesu”. Badacze zaprezentowali też zalety technologii blockchain w zakresie identyfikowalności i budowania zaufania. „Dla nas jest to zdecentralizowana technologia danych”, zauważa Ruiz. „Dane nie znajdują się na platformie jako takiej, pozostają u właścicieli danych, którzy zachowują nad nimi pełną kontrolę. Z tego poziomu mogą być wykorzystywane przez menedżera sieci poprzez platformę federacyjnego uczenia maszynowego, przy zachowaniu ich prywatności”. Zarówno Busto, jak i Ruiz postrzegają AICHAIN jako inicjatywę mającą cenny wkład nie tylko zakresie wsparcia przy usprawnieniu automatyzacji w ATM, ale także w dziedzinie federacyjnego uczenia maszynowego jako takiego. „Chcielibyśmy zbadać nowe przykłady użycia”, zapowiada Ruiz. „Niektóre z tych technologii można opracować dość szybko. Chcielibyśmy jednak, by więcej linii lotniczych przekazywało dane w sposób federacyjny i gwarantujący prywatność. Dobra wiadomość jest taka, że kolejne linie lotnicze wyraziły zainteresowanie tym projektem”.
Słowa kluczowe
AICHAIN, lot, cyberbezpieczeństwo, automatyzacja, linie lotnicze, dane, prywatność, SESAR
