به گزارش اقتصاد آنلاین به نقل از ایسنا، مدیریت ترافیک هوایی یکی از پیچیدهترین فعالیتهای انسانی است، زیرا همزمان دهها هواپیما با سرعتهای بالا و در فضاهای محدود حرکت میکنند. کوچکترین خطای ارتباطی یا تصمیمگیری میتواند پیامدهای جبرانناپذیری داشته باشد.
در سالهای اخیر، افزایش حجم پروازها و شلوغی فرودگاهها، احتمال بروز موقعیتهای پرخطر روی باندها و مسیرهای زمینی فرودگاه را بیشتر کرده است. این موقعیتها که به آنها «نفوذ به باند» گفته میشود، گاهی بدون حادثه پایان مییابند، اما در برخی موارد میتوانند به برخوردهای شدید منجر شوند. به همین دلیل، یافتن راههایی برای هشدار زودهنگام و کمک به تصمیمگیری سریع، به یک ضرورت جدی تبدیل شده است.
از سوی دیگر، انسانها هرچقدر هم آموزشدیده باشند، در شرایط پراسترس ممکن است دچار خطا شوند. سیستمهای خودکار میتوانند پشتیبان تصمیمگیری باشند، اما تنها در صورتی که قابل اعتماد و قابل فهم عمل کنند. بسیاری از سامانههای هوش مصنوعی امروزی، اگرچه دقت بالایی دارند، اما نحوه رسیدن آنها به نتیجه برای انسان شفاف نیست.
این موضوع در حوزههایی که جان انسانها در میان است، یک چالش بزرگ به شمار میرود. بنابراین، نیاز به ابزارهایی احساس میشود که هم از قدرت تحلیل دادههای عظیم برخوردار باشند و هم بتوانند منطق تصمیمهای خود را به زبان ساده توضیح دهند.
در این رابطه، جک وانگ و جی پاتریکار، پژوهشگران وابسته به آزمایشگاه AirLab در مؤسسه رباتیک دانشگاه کارنگی ملون، با همکاری استاد راهنمای خود سباستین شرر، تحقیقی را انجام دادهاند. آنها در این پژوهش، که بر پایه ایده استخراج «قواعد ایمنی» از دادههای واقعی فرودگاهها شکل گرفته، سامانهای طراحی کردهاند که میتواند رفتارهای پرخطر را پیش از وقوع برخورد شناسایی کند. این کار با بهرهگیری از دادههای حرکتی هواپیماها و گزارشهای سوانح گذشته انجام شده است.
روش کار پژوهشگران بر ترکیب دو رویکرد متفاوت هوش مصنوعی استوار بوده است. آنها از یک سو از مدلهای عصبی استفاده کردهاند که قادرند الگوهای پیچیده را از حجم عظیمی از دادهها استخراج کنند، و از سوی دیگر از روشهای نمادین بهره بردهاند که بر قواعد قابل فهم برای انسان تکیه دارند.
دادههای مورد استفاده شامل اطلاعات حرکت سطحی هواپیماها در دهها فرودگاه آمریکا طی چند سال بوده که حجمی در حد چندین ترابایت داشته است. برای پردازش این دادهها، از ابررایانه Bridges-۲ در مرکز ابررایانش پیتسبورگ استفاده شده است.
یافتههای پژوهش نشان دادند که این سامانه ترکیبی میتواند سناریوهای بالقوه برخورد را با دقت بیشتری نسبت به روشهای پیشین شناسایی کند. در مقایسه مستقیم، دقت آن بهطور قابل توجهی بالاتر از سامانههایی بود که تنها بر شبکههای عصبی یا تنها بر قواعد نمادین تکیه داشتند. همچنین این سامانه توانست خروجیهای نادرست یا غیرقابل اعتماد را تشخیص داده و حذف کند؛ قابلیتی که برای کاربردهای ایمنی بسیار مهم است.
در بخش نتیجهگیری، پژوهشگران تأکید کردهاند که سامانه طراحیشده نهتنها هشدار میدهد، بلکه میتواند توضیح دهد چرا یک وضعیت خطرناک تلقی شده است. این شفافیت به کنترلرهای ترافیک هوایی و خلبانان کمک میکند تا سریعتر و با اعتماد بیشتر تصمیم بگیرند. همچنین نتایج نشان میدهند که با افزودن دادههای بیشتر و در نظر گرفتن تغییرات زمانی، کارایی این روش میتواند باز هم افزایش یابد.
به گفته محققان، اهمیت این یافتهها فراتر از صنعت هوانوردی است. هر محیطی که در آن وسایل نقلیه یا عوامل متعدد در فضای مشترک حرکت میکنند، مانند بنادر، خطوط ریلی یا حتی سامانههای ترافیک شهری، میتواند از چنین رویکردی بهره ببرد، چراکه ترکیب دادههای واقعی با قواعد قابل فهم، راهی است برای نزدیکتر کردن انسان و هوش مصنوعی در تصمیمهای حیاتی.
مقاله علمی برگرفته از این نتایج جالب در مجموعه مقالات همایشی موسوم بهNASA Formal Methods Symposium که زیر نظر سازمان فضایی آمریکا (NASA) برگزار میشود، منتشر شدهاند.
