ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ПРИХОДИТ В ХЕНДЛИНГ
Операторы аэропортов при планировании деятельности, для управления ресурсами и ведения отчётности активно используют системы класса AODB (Airport Operational Data Base). Существующие решения позволяют автоматизировать большое количество рутинных операций, однако узким местом, как правило, является ввод информации о выполненных работах в режиме реального времени. Об этом пишет издание AviaPort.
Решением многих проблем может стать система видеоаналитики Assaia, использующая искусственный интеллект для распознавания событий, происходящих на перроне (хендлинг). «Беспристрастный наблюдатель» может вносить в AODB фактические сведения о выполненных операциях, решать задачи, связанные с обеспечением безопасности операций и оптимизацией использования мест стоянок. И это — не полный перечень возможностей, которые открывает использование ИИ перед аэропортовой отраслью.
Современный аэропорт располагает огромным количеством мобильных и стационарных ресурсов, задействованных в обслуживании самолётов: места стоянок, перронная техника, персонал и т.д. Их недостаток не позволяет оперативно обслуживать рейсы, их избыток ухудшает финансовые показатели оператора. Рациональное планирование позволяет минимизировать время разворота воздушных судов, обслужить максимальное количество рейсов, используя существующие ресурсы. Решать статические задачи — как обслуживать воздушные суда в условиях строгого выполнения расписания — не так сложно, многие существующие программные продукты обладают таким функционалом. Однако в сбойных ситуациях вместо «игры на опережение» операторы вынуждены реагировать на возникающие проблемы. При этом, зачастую, отсутствие своевременной обратной связи и недостаток оперативной информации приводят к тому, что переход на «ручное управление» происходит тогда, когда проблемы уже копятся подобно снежному кому.
Альтернативой могло бы стать предсказание и предотвращение проблем на основе своевременного анализа большого массива информации. Как известно, у большинства проблем есть свои «предвестники». Достаточно наблюдать различные параметры процесса обслуживания рейса, чтобы обнаружить малейшие отклонения от нормы, предвидеть потенциальные проблемы и на самой ранней стадии предпринимать меры по недопущению их развития.
Сегодня использование систем класса AODB для крупных аэропортов стало, фактически, обязательным требованием. Операционная база данных хранит большое количество данных о рейсах, включая запланированное и фактическое время выполнения основных операций. Обращаясь к AODB, можно узнать время, затраченное на руление, или общую продолжительность нахождения самолёта на стоянке. Однако для детального анализа процедур, связанных с обслуживанием, данных в системе, как правило, недостаточно. Некоторых полей, связанных с фактически выполняемыми операциями, в базе может не быть, в то время как большая часть сведений заполняется персоналом вручную.
К примеру, один из ключевых параметров — TOBT (Target off-block time, заданное время уборки колодок), заполняется вручную. По результатам изучения множества измерений оказывается сложно вывести закономерности, которые можно использовать для предиктивной аналитики. Это связано с тем, что сотрудники, работающие на перроне, не могут, а порой и не хотят эффективно оценивать течение процессов, зависящих от множества агентов, действующих независимо. Попытки вменить персоналу в обязанность вести трекинг операций в режиме реального времени зачастую проваливаются: люди постоянно отвлекаются, и качество собираемой информации оказывается довольно низким. К тому же часто у работника есть мотивация поставить «правильное» значение времени вместо фактического, и такие случаи очень сложно расследовать. Ещё одна проблема — отсутствие синхронизации между разными системами. К примеру, не всегда в AODB попадают сведения из бортовой системы самолётов через ACARS (Aircraft Communications Addressing and Reporting System, адресно-отчётная система авиационной связи). В идеале, для управления процессами нужна максимально широкая интеграция «всего со всем». Такую систему и строит швейцарская компания Assaia.
В основе решения лежит несколько известных технологий, адаптированных для решения прикладных задач. Машинное зрение позволяет распознавать события, происходящие на перроне. Установка колодок, ограничительных конусов, открытие дверей и люков, подача телетрапа, прибытие спецтехники, выгрузка контейнера — все эти действия будут зафиксированы камерой. Причём требования, предъявляемые к системе видеонаблюдения, не слишком высоки: по утверждениям разработчика, если события и объекты, которые нужно обнаруживать с помощью машинного зрения, может распознать оператор, находящийся за монитором, то и искусственный интеллект с этой задачей справится. Машинное обучение помогает отвечать на вопросы «если — то». Накопив огромный массив сведений о процессах обслуживания рейса, система сможет достоверно прогнозировать время окончания той или иной операции, моментально оценивая большое количество входящих переменных данных. В свою очередь, многомерная оптимизация быстрее и эффективнее нежели человек, справляется с задачей расстановки воздушных судов по местам стоянок.
Пользователями Assaia уже стал ряд операторов крупных аэропортов, среди которых Gatwick Airport, Aberdeen International Airport, Seattle Tacoma Airport, и авиакомпания British Airways. Для этих компаний основанием для выбора решения стала необходимость оптимизировать график оборота воздушных судов и сократить время обслуживания.
Процесс внедрения связан с решением технических вопросов — какие камеры будут использоваться, новые или существующие, где будут храниться и обрабатываться данные, в аэропорту или в облаке. Несколько недель уходит на калибровку инсталлированной системы. После этого искусственный интеллект готов участвовать в управлении процессами обслуживания рейсов, сокращая потери, минимизируя риски и повышая доходность операторов аэропортов.
Партнер проекта: www.мойрейс.рф
Комментарии
Отправить комментарий