شرایط پاندمیک زمینه را برای کاربردی شدن هوشمصنوعی در فرودگاهها فراهم میآورد
از زمان شروع پاندمیک کوید 19، مفسران صنعت تنها یک نکته را به اشتراک گذاشتند: انعطافپذیری بیشتر و هوشمندتر شدن کسبوکارها برای رویارویی با چالشهای پیشرو. برای فرودگاهها، این مسئله، موضوع جدیدی نیست. اپراتورهای دیجیتالی کوچک سالها است که در همه رادارها به کار گرفته شدهاند.
هوشمصنوعی در فرودگاهها غالبا به عنوان پاسخی برای بسیاری از مسائل درحال تحول در این صنعت در نظر گرفته میشود. از بهرهوری بیشتر در هزینهها گرفته تا افزایش انعطافپذیری و تجربه مسافر همه جز کاربردهای هوش مصنوعی است. با اینحال، تاکنون پذیرش هوش مصنوعی به کندی انجام گرفته شده است. باوجود همه نوآوریهای قابلتوجهی در زمینه علم داده (از check-in گرفته تا رباتهای نظافتچی و چتباتها)، به نظر میرسدکه تا اتوماسیون کامل هوش مصنوعی راهی درازی در پیش داشته باشیم.
پس از پاندمیک شدن ویروس کوید-19، برنامههای ناپایدار پروازی و غربالگریهای جدید سلامتی که نیازمند توجه به رعایت فاصله است، همه و همه برنامهریزی عملیاتی را خارج از کنترل و نظم عادی خود قرار داد. به تمامی اینها، محدودیتهایی در بودجه و کارکنان نیز باید افزود.
در نتیجه، اعمال و استفاده هر چه بیشتر از هوشمصنوعی در فرودگاهها جز بالاترین اولویتهای آنها قرار دارد. هرچه دادههای عملیاتی بیشتری بتوانند ضبط و متمرکز کنند، سریعتر میتوانند اطمینان را به عملیاتهای خود بازگردانند و اعتماد مسافران به سامانه خود را بازسازی کنند.
بنابراین، ممکن است شرایط پاندمیک موجود، لحظه اساسی برای آینده هوش مصنوعی در صنعت ما ایجاد کرده باشد.
هوش مصنوعی در فرودگاهها : نتیجه مثبت شرایط پاندمیک
توانایی گسترش و جمعآوری دادهها به صورت خودکار در سطح فرودگاهها، سپس آنالیز و تفسیر هوشمندانه آنها، منطقهای است که اپراتورها میتوانند از فواید چشمگیر قابلیتهای هوش مصنوعی بهره ببرند.
هوش مصنوعی از الگوریتمهای قدرتمندی استفاده میکند که قادر به هضم مقدار زیادی داده و شناسایی الگوهاست. در فرودگاه از این موارد برای پیشبینی طول مدت زمان لازم پردازش فاکتورهایی مانند طول صف، بهرهوری و تعداد خطوط امنیتی باز استفاده میشود.
یادگیری ماشین، زیرمجموعهای از هوش مصنوعی است که نحوه تشخیص الگوریتمها را به تنهایی بهبود میبخشد. این مهم، بنیاد و شالوده حلقه بازخورد مداوم است که برای بهبود نتایج، براساس یادگیری از وقایع گذشته، مورد نیاز است. همچنین، به فرودگاهها یاری میرساند تا برای کارآیی بیشتر، فرایندهای اتوماسیون و خودکار خود را افزایش داده و خطرات ذاتی “دانش سازمانی” را در یک نیروی کار به طور قابلتوجهی کوچکتر، کاهش دهند. اینجاست که اهمیت به کارگیری هوشمصنوعی در فرودگاهها بیش از پیش آشکار میگردد.
قبل از شرایط پاندمیک کوید-19، مردم نگران بودند که اتوماسیونسازی منجر به از دست دادن شغلشان گردد. اکنون، شواهد زیادی در دسترس است که نشان میدهد هوش مصنوعی ممکن است آن چیزی باشد که به ما کمکهای شایانی میکند، مانند بهبود حفاظت شخصی بیشتر با رعایت فاصله از یکدیگر و در عین حال کمک کمک به ادامه جریان عملیات در آینده.
هوشمصنوعی در فرودگاهها و پیشبینیهای دقیقتر در سراسر ترمینالها
ظهور فناوری هوش مصنوعی در چندین زمینه عملیاتی برای آگاهی از برنامهریزی و تصمیمگیری، در حال نشان دادن ریزهکاریها و ظرافتهای خود است. به عنوان مثال، فرودگاه هیترو لندن (LHR) و فرودگاه بینالمللی سیاتل-تاکو (SEA) در حال آزمایش فناوری هوش مصنوعی هستند که ضبط تصاویر ویدیویی فرآیند چرخش را به طور خودکار انجام میدهد و آنها را با مدلهای برنامهریزی شده مقایسه میکند. در همینحال، در فرودگاه Fraport در آلمان بر اساس صدها هزار نشانهای زمانی ردیابی پرواز و با کمک یادگیری ماشین برای پیش بینی زمان پرواز هواپیماها استفاده میکند.
اما نبوغ واقعی هوش مصنوعی فقط این نیست که چگونه بینش یا پیشبینی خود را در هر نقطه بهبود بخشیم. در حقیقت، نبوغ واقعی آنجاست که میتوان با جمعآوری تمامی فرآیندهای مربوط به هواپیما و مسافر را در زمان واقعی (با استفاده از هوش مصنوعی)، تاثیر آنها را بر جریان یکدیگر درک کرد. اینگونه است که هوشمصنوعی در فرودگاهها میتواند پیشبینیهای بهتری را انجام دهد.
عملکردهای عملیاتی بهتر
با شیوع پاندمیک در سراسر جهان، پردازش مسافر ناگهان تاثیر بزرگتر از حد معمول در زمان حرکت دارد. با محدودیتهای مسافرتی اعمال شده توسط دولتها، روندهای غربالگری و محدودیتهای فاصله، رفتار مسافران از حالت یکنواخت و همیشه گذشته، دور شده است. با استفاده از یادگیری ماشین، مدلسازی الگوهای جریان مسافر در برابر متغیرهایی مانند گیت عبور، زمان و روز پرواز، پیشبینی دقیق ازدحام، زمان ورود به گیت و زمان خروج نهایی بسیار راحتتر انجام میپذیرد. برنامه بهینهشده پارکینگها میتواند برای پشتیبانی فاصله فیزیکی، کاهش احتمال تاخیر در رسیدن به گیتهای عبور و بهبود عملکرد چرخش استفاده شود.
هوشمصنوعی در فرودگاهها و تجربه بهتر پرواز از طریق ایجاد اطمینان دادهمحور
در سیلوها، در سراسر عملیات فرودگاه، تقریبا غیرممکن است تا به پرسشهای سادهای با هر درجه اطمینان پاسخ دهید. این پرسشها عبارتند از:
- کدام baggage carousel در فرودگاهها، بهترین فاصله فیزیکی را براساس زمان ورود پرواز و پیشبینی زمانهای پردازش مهاجرت (از فرودگاه به خارج از آن) فراهم میکند.
- بهترین برنامه پارکینگ هواپیما برای ایجاد تغییرات در برنامه لحظه آخری و به حداقل رساندن زمان پیادهروی برای جابهجایی مسافران چیست؟
- بهترین طرح پیشخوان ورود (check-in) و طرح کیوسک (kiosk layout) برای به حداقل رساندن ازدحام جمعیت، جریان روان و به حداکثر رساندن هزینههای خرده فروشی چیست؟
زمانی میتوان پاسخی برای این پرسشها ارائه داد که نگاهی کلی به آنها شود و تاثیر هر تصمیم بر کل برنامه عملیاتی فرودگاه به درستی درک شود. مدلهای هوشمصنوعی در فرودگاهها میتوانند بهترین اقدام را برای سفرهای قابل پیشبینی و به واقعیت درآوردن عملیات کارآمدتری با توجه به شرایط پیشرو پیشنهاد کنند؛ زیرا قادر به دستیابی به دادهها از منابع بسیاری هستند و همچنین این توانایی را دارند تا از گذشته بیاموزند.
ابرهای تاریک، روکشهای نقرهای
نقاط قوت هوش مصنوعی و یادگیری ماشین، ناشی از دادههای واقعی و گسترده در فرودگاه است باعث کمتر شدن هزینهها، انتظار کمتر مسافران در صفها و تجربه پرواز ایمن میشود. چنین دستاوردهایی آنقدر برجسته است که نتوان به سادگی از کنارشان رد شد.
گسترش هوشمصنوعی در فرودگاهها، که استفاده از آن به دلیل ویروس مخرب و پاندمیک کوید-19 گستردهتر شده، ممکن است فقط یکی از چند پوشش نقرهای ابرهای تاریک 2020 باشد.