Rob Mather, IFS Havacılık, Uzay ve Savunma Sanayii Başkan Yardımcısı
ChatGPT’nin piyasaya sürülmesinden bu yana herkesin konuşabildiği tek şey Yapay Zeka (AI) gibi görünüyor. Bununla birlikte, kamusal alanın ötesinde yapay zeka, çeşitli endüstrilerde verimliliğin ve üretkenliğin artırılması için geniş fırsatlar sunma potansiyeline sahiptir.
Peki, havacılık gibi, haklı olarak son derece ihtiyatlı ve güvenlik bilincine sahip olan ve aynı zamanda tam görünürlük ve izlenebilirlik gerektiren bir endüstride, bu gereksinimler genel olarak yapay zeka anlayışımızla uyumlu olmadığında yapay zekayı nasıl uygulayabiliriz? Yapay zeka, ChatGPT tarzı üretken yapay zeka ve Büyük Dil Modellerinden (LLM) çok daha fazlasını oluşturur. Yapay zekanın havacılığa dahil edilmesi, çok çeşitli araç ve teknolojilerin kullanılmasıyla güvenliği, verimliliği ve doğruluğu artırmak için eşsiz bir fırsat sunuyor.
Yapay zekanın gelecekte havacılıkta kullanılmasına yönelik iki olası yol, yapay zekayı yalnızca seçenekleri ortaya çıkarmak ve insan kararlarını mümkün kılmak için kullanmak veya açıklanabilir yapay zeka aracılığıyla kullanmaktır.
Karar Desteği İçin Bilgilerin Yüzeye Çıkarılması:
Havacılıkta temel prensip, uygun yetki ve lisans altında kararların sorumluluğunu alan, eğitimli ve sertifikalı bir kişinin fikridir. Yapay zeka, nihai kararı yetkili kişiye bırakırken ilgili bilgi ve seçenekleri hızlı bir şekilde sağlayarak hızlı karar almayı geliştirmek ve yardımcı olmak için kullanılabilir. Yapay zekayı destekleyici bir araç olarak kullanan insanlar, kontrolden ödün vermeden daha hızlı ve daha doğru kararlar alabilir.
Açıklanabilir Yapay Zeka Sorumlu Yapay Zeka Olmalıdır:
Yapay zekayı havacılıkta kullanmanın bir başka yolu da açıklanabilir yapay zeka kavramında yatmaktadır. Açıklanabilir yapay zeka, insanların bir yapay zeka modelinin tahminlerini anlamasına yardımcı olan araçları ve çerçeveleri içerir. Bir model dağıtılırken bu araçlar model doğruluğunun iyileştirilmesine yardımcı olur. Bir modelin sonucuna bakarken, modelin belirli bir sonuca veya sonuca nasıl ulaştığını anlamaya yardımcı olurlar.
Makine öğreniminden türetilen algoritmaların çoğu, sihirli bir şekilde doğru sonuçları üreten “kara kutular” olarak kabul edilir. Bu, havacılık gibi, eylemlerin düzenleyici gerekliliklere uyması gereken ve bu eylemlerin gerçekleştirilme nedenlerinin düzenleyici tarafından anlaşılması gereken bir endüstride bir sorun olarak algılanabilir. “Yapay zekanın büyü sayesinde karar verdiğini” iddia etmek kabul edilebilir bir açıklama olmayacaktır. Yapay zekanın açıklanabilir olmasını sağlamak, havacılık endüstrisinde yaygın olarak benimsenmesi açısından kritik öneme sahiptir.
Yapay zekanın kullanımını sektörde kabul edilebilir hale getirmek bir şeydir, ancak gerçek dünyada faydalar elde etmek tamamen başka bir konudur. Yapay zekanın havacılık bakımında gerçek değer sunabileceği dört pratik yol hemen akla geliyor:
Bakım Planlaması ve Tedarik Zinciri Optimizasyonu:
Optimizasyonları gerçekleştirebilen pek çok farklı yapay zeka modeli türü vardır ancak en yaygın olanlardan bazıları, yüz binlerce senaryoyu anında çalıştıran ve sonuçları en uygun sonuca gerileyen yinelemeli yaklaşımları içerir. Yapay zeka destekli optimizasyon motorları zamanın ruhunda Üretken Yapay Zeka kadar öne çıkmıyor ancak havacılıkta optimizasyona yönelik çok sayıda uygulama var. Havacılık bakımından bahsettiğimiz için bakım planlama optimizasyonu bariz bir şekilde öne çıkıyor.
Bakım veriminden vazgeçmek, zamanla daha fazla bakım yapmak anlamına gelir; bu da ek maliyet anlamına gelir; ancak aynı zamanda uçağın daha uzun süre hizmet dışı kalması da gelir kaybı anlamına gelir. Bakımı mümkün olan en iyi zamanda ve mümkün olan en iyi konumda programlayabilen bir optimizasyon motoru, bakım maliyetlerini büyük ölçüde azaltma ve filo genelinde bakım verimini artırma potansiyeline sahiptir.
Aynı zamanda, belirli bir bakım ziyaretinin uygun maliyetli ve zamanında tamamlanmasını sağlamak, görevlerin gerçekleştirilme sırasını ve bunlara nasıl atandığını optimize etmek çok sayıda avantaj sağlar. Bunu yapmak, sürecin verimliliğini önemli ölçüde artırabilir, maliyetleri azaltabilir ve geri dönüş süresini (TAT) iyileştirebilir. Bu da uçağın daha hızlı havaya kalkmasına yardımcı olacak ve gelir üretiminin artmasına yol açacak.
Ayrıca, bakım tedarik zincirine optimizasyon uygulayarak, uçağınızı mümkün olan en kısa sürede tekrar havaya uçurmak için doğru parçaların ihtiyaç duyduğunuz anda her zaman ihtiyacınız olan yerde olmasını sağlayarak malzeme gecikmelerini en aza indirebilirsiniz.
Hata Tespiti ve Yeniden Sınıflandırma:
Yapay zeka ayrıca veri girişi hatalarının belirlenmesine ve veri kümelerinin doğruluğunu ve genel kalitesini artırmak için verilerin yeniden sınıflandırılmasına da yardımcı olabilir.
Bir arızanın arızalı ATA sisteminin yanlış sınıflandırılması, havayolu endüstrisinde yaygın bir sorundur. Bazen bu insan hatasının bir sonucudur, ancak çoğu zaman hata ilk olarak ortaya çıktığı anda, yalnızca semptomların miktarına göre sınıflandırılır. Daha sonra, arıza nihayet çözüldüğünde, orijinal olarak tanımlanan sistemin asıl suçlu olmadığı, asıl temel nedenin başka bir sistem olduğu ortaya çıkar. Bu yanlış sınıflandırmaların veri kalitesi üzerinde önemli bir etkisi olabilir. Havayolları, kayıtları incelemek, hataları belirlemek ve sorunu çözmek için yeniden sınıflandırmalar yapmak üzere teknik kayıt ekibini veya güvenilirlik mühendislerini görevlendirebilir. Ancak bu süreç zaman alıcı, maliyetli olabilir ve ayrıntılara büyük özen gösterilmesini gerektirir.
IFS müşterisi Southwest Airlines, yakın zamanda metindeki kalıpları tanımlamak için havacılığa özgü bir dil modelinden yararlanarak yanlış sınıflandırılmış hataları tespit edebilen yapay zeka tabanlı bir çözümü piyasaya sürdü. Bu yaklaşım, potansiyel hataları tespit edip nihai karar verme yetkisine sahip olan bir güvenilirlik mühendisine sunarak veri kalitesinin iyileştirilmesine olanak tanır ve bu da insan gözetimini koruyan daha verimli bir süreç sağlar.
Otomatik Arıza, Sorun Giderme ve Onarım Tanımlaması:
Bir arıza üzerinde çalışırken, bir teknisyenin sıklıkla arıza giderme kılavuzunu incelemek, arızanın doğru kaynağını araştırmak ve uygun sorun giderme adımlarını ve onarımları belirlemek için önemli miktarda zaman harcaması gerekir.
Arıza sınıflandırmasının yanı sıra, havacılığa özgü bir dil modeli, bir arıza bildirildiğinde gerçek zamanlı olarak arızanın potansiyel kaynaklarını belirlemek, sorun giderme faaliyetleri önermek ve onarımlar önermek için kullanılabilir. Model, bu seçenekleri teknisyene sunarak gürültüyü azaltacak ve zamanlarını daha verimli kullanmalarına olanak tanıyacaktır. Model, her seçenek için geçmiş başarı oranını dahil ederek teknisyenin zamandan tasarruf sağlayan ve sorunu daha hızlı çözen seçenekleri seçmesine olanak tanıyacaktır. Arızanın ilk denemede çözülmesi, uçağın daha çabuk havaya dönmesine ve hatta gelecekte tekrarının önlenmesine yardımcı olabilir. Gecikmeleri önlemek veya azaltmak, havayolları için gerçek değere sahiptir. Airlines for America’ya göre, 2023’te gecikmelerin doğrudan maliyeti, bir uçuşun geciktiği her dakika için 101,18 dolar olacak.
Kestirimci Bakım ve Anormallik Tespiti
Kestirimci bakım kavramı yeni bir şey değil. Ancak yeni olan, tahmine dayalı bakımı çok daha erişilebilir hale getiren Anomali Tespiti ve Desen Tanıma adlı daha yeni yapay zeka türlerinin uygulanmasıdır.
Erken tahmine dayalı bakım modelleri yalnızca geriye dönük olarak geçmiş verilere bakabiliyordu. IoT’nin ve sensörlerden gelen canlı veri beslemelerinin kullanıma sunulması, güncel, güncel verilerin dahil edilmesini mümkün kıldı. Ancak üretilen çok miktarda veri, yüksek düzeyde eğitimli veri bilimcileri gerektiriyordu. Makine Öğreniminin ortaya çıkışıyla birlikte veri bilimcileri, verileri kendileri işlemek yerine yapay zeka için öğrenme modeli oluşturmaya odaklanabildiler.
Denetimsiz öğrenme modelleri, tahmine dayalı bakım uygulamalarında yapay zeka kullanımına giriş engelini daha da azaltıyor. Her ne kadar sıradan bir kişi için, yapay zeka için “denetimsiz” öğrenme modelleri kavramı korkutucu görünse de, aslında bu, yapay zekayı bir veri kümesine bağlayabileceğiniz ve aslında kendi algoritmasını çözebileceği anlamına gelir. Bu, yalnızca bir çözümün uygulanmasının süresini ve maliyetini azaltmakla kalmaz, aynı zamanda özellikle modern bir uçak veya jetten üretilen sensör verileri seli gibi büyük miktarda etiketlenmemiş verilerle uğraşırken süreçteki önyargıları ortadan kaldırma gücüne de sahiptir. motor yönetimi danışmanlık firması Oliver Wyman, en yeni nesil uçağın 2026 yılına kadar uçuş başına beş ila sekiz terabayt arasında veri üretmesini bekliyor.
Anormallik tespiti, yapay zekanın sensör verilerinizle entegrasyonunu sağlar. Neyin “normal” olarak kabul edildiğini belirleyerek, bu normal durumdan sapmalar meydana geldiğinde sizi uyarabilir. Bu bir erken uyarı sistemi görevi görüyor. Örüntü tanımayla birleştirildiğinde yapay zeka, sensör verilerindeki belirli olayların meydana gelme ihtimalini gösteren desenleri tespit etmeyi öğrenebilir. Bu, yaklaşan olayları tahmin edebilen doğru ve güvenilir bir erken uyarı sistemi ile sonuçlanır. IFS.ai ve Falkonry AI’nin anormallik tespit yetenekleri, yapay zekayı demokratikleştirme yeteneğine sahiptir; bu, uzun süreler boyunca üretilen büyük miktardaki veriye erişimin ve yorumlamanın kolay hale getirilebileceği ve sonunda gerçek anlamda tahmine dayalı bakımın herkesin kullanımına sunulabileceği anlamına gelir.
Gelecek Yapay Zekadır ve Gelecek Şimdidir
Yapay zekanın şüphesiz büyük bir dikkatle kullanılması gerekiyor; hiçbir yerde bu kadarı havacılık alanından daha fazla değil. Havacılık endüstrisi, insan işlerini kolaylaştırmak ve karar desteği sağlamak için yapay zekadan yararlanarak verimlilik ve doğruluk açısından önemli ilerlemeler kaydetme yeteneğine sahiptir. Bu yalnızca bilgi gürültüsünü azaltmaya yardımcı olmakla kalmaz, aynı zamanda insanın hâlâ döngünün içinde olmasını ve nihai karar verici olarak kalmasını da sağlar. Kuruluşlar, her iki dünyanın en iyilerini, yapay zekayı ve insan uzmanlığını birleştirerek en iyi sonuçları elde edebilir ve sektörlerinde rekabet avantajı elde edebilir. Bu iyileştirmeler havayolları ve hava operatörleri ve sonuçta onların müşterileri için gerçek değeri temsil edebilir. Yapay zeka burada ve burada kalacak ve erken benimseyenlerin diğerlerinden farklı bir avantaj elde etme şansı var.
KAYNAK : Mather, R. (2023, December 8). AI on the Ascent: Practical uses for AI in Aviation Maintenance. IFS Blog. https://blog.ifs.com/2023/12/ai-on-the-ascent-practical-uses-for-ai-in-aviation-maintenance/
