Właściwe miejsce dla automatyzacji w systemach kontroli ruchu lotniczego
Systemy zautomatyzowane już odgrywają dużą rolę w przemyśle lotniczym. Linie lotnicze regularnie wykorzystują sztuczną inteligencję (SI) – od planowania nowych tras po komunikację z klientami, optymalizację efektywności paliwowej, a nawet prowadzenie konserwacji zapobiegawczej samolotów. Rola tej technologii była jednak w dużej mierze ograniczona do zastosowań określanych w branży jako niekrytyczne dla bezpieczeństwa i nie została wykorzystana jeszcze w kontroli ruchu lotniczego (ang. air traffic control, ATC). „W lotnictwie niezwykle dba się o bezpieczeństwo i to nie bez powodu”, mówi Stefano Bonelli, koordynator projektu MAHALO (Modern ATM via Human/Automation Learning Optimisation). „Dzisiejszym modelom SI po prostu brakuje dokładności niezbędnej do spełnienia rygorystycznych standardów bezpieczeństwa w lotnictwie”.
Szkolenie i certyfikacja SI na potrzeby ATC
Bonelli, szef działu Innovative Human Factors u gospodarza projektu Deep Blue, wyjaśnia, że nawet gdyby modele przeszły testy bezpieczeństwa, to i tak nie przełożyłoby się to na ich natychmiastowe wykorzystanie. „Przed wdrożeniem system SI musiałby przejść skomplikowany proces certyfikacji”, dodaje badacz. „W sieciach neuronowych istnieją tysiące parametrów, które mogą się zmieniać, a certyfikacja i kontrolowanie każdego z nich jest niemalże niemożliwe”. Ważną kwestią pozostaje odpowiednie trenowanie modelu. „ATC to bardzo złożone zadnie, przy którym uwzględnia się każdą możliwą zmienną i scenariusz, więc szkolenie systemu SI wymagałoby zebrania ogromnych ilości danych”, wyjaśnia Bonelli. Czy w takim razie w wieżach ATC uda się wykorzystać SI? Bonelli nie zaprzecza. „Wykorzystanie SI pozwoliłoby przede wszystkim na zwiększenie bezpieczeństwa oraz na lepsze wykorzystanie przestrzeni powietrznej, pomogłoby zmniejszyć korki i opóźnienia, jak i zwiększyć oszczędności na paliwie”, mówi koordynator. „Wyzwanie polega na znalezieniu równowagi między automatyzacją a kontrolą sprawowaną przez ludzi”. Projekt MAHALO, finansowany w ramach wspólnego przedsięwzięcia SESAR, miał na celu opracowanie automatyzacji najlepiej dostosowanej do systemów ATC. „Zamiast zakładać, że SI zastąpi cały system, przyjrzeliśmy się takim czynnikom jak to, w jakim stopniu SI powinna być wykorzystywana, gdzie przyniesie największe korzyści oraz czy powinna wykonywać zadania autonomicznie, czy też służyć jako narzędzie wspomagające podejmowanie decyzji przez tradycyjnego kontrolera”, wyjaśnia Bonelli. Aby odpowiedzieć na te pytania, w ramach projektu opracowano i przetestowano hybrydowy system uczenia maszynowego. Został on przeszkolony do rozwiązywania krytycznych zadań ATC, takich jak wykrywanie i rozwiązywanie konfliktów w ruchu na trasie.
Praca z systemami SI oparta na zaufaniu
Głównym przedmiotem zainteresowania w projekcie MAHALO był jednak sposób interakcji kontrolerów ruchu lotniczego z takimi systemami. „Jeśli SI ma działać skutecznie, kontrolerzy muszą przede wszystkim wykazać się ufnością, nie tylko zrozumieć, jak z niej korzystać i jaki może mieć wpływ na ich pracę”, mówi Bonelli. „Jeśli nie zaufają systemowi, to po prostu nie będą go używać”. Badacze stwierdzili, że kontrolerzy byli bardziej otwarci na korzystanie z systemów wykorzystujących uczenie maszynowe, w których wykorzystano preferowane przez nich rozwiązania i które nie zwiększały indywidualnego obciążenia pracą. Zaobserwowano także, że kontrolerzy ci byli mniej entuzjastycznie nastawieni do akceptowania każdego proponowanego rozwiązania i opierania decyzji na wynikach z systemu bez ich wcześniejszego sprawdzenia. Bonelli uważa, że ostatnia z obserwacji kryje w sobie odpowiedź na pytanie: dlaczego zaangażowanie użytkowników końcowych jest absolutnie kluczowe przy opracowywaniu nowych rozwiązań dla ATC? „Jedną z najważniejszych kwestii poruszonych przez kontrolerów ruchu lotniczego było znaczenie uwzględnienia ich potrzeb i opinii”, podsumowuje uczony. „To człowiek podejmuje ostateczne decyzje, a SI ma mu pomagać – uważam, że to najważniejszy wniosek z tego projektu”.
Słowa kluczowe
MAHALO, kontrola ruchu lotniczego, sztuczna inteligencja, uczenie maszynowe, lotnictwo, sieci neuronowe, przestrzeń powietrzna, wspólne przedsięwzięcie SESAR
