AI在航空領域的應用比你目前所知的還要豐富。除了自動駕駛，從駕駛艙到後勤部門乃至客戶體驗，對於AI應用的探索幾乎遍及整個行業。
當「人工智慧」和航空業結合在一起時，大家的第一反應可能是無人機。但這只是冰山一角。飛機制造商和航空公司在人工智慧技術上投入了大量資源，積極探索應用場景，從駕駛艙到客戶體驗，幾乎遍及整個行業。
多年來，自動化系統一直是商業航空的一部分。由於採用了「遙控駕駛」和自動飛行系統，機器學習和人工智慧技術也成了「機組成員」。這些系統逐漸能夠扮演副飛行員的角色，而不是簡單地減少飛行員的工作量。
舉個例子，最初為無人機（UAV）安全開發的系統，比如用於交通環境感知的廣播式自動相關監視（ADS-B），已被遷移到駕駛艙中。為滿足彌補駕駛操控特性的需要，人們開發出類似機動特性增強系統（MCAS）的新系統，以提高安全性。這些系統可以根據飛行條件，利用感測器資料自動調整飛行操作面。
但是，機器學習系統的好壞取決於它們得到的資料。很少有人能夠理解讓機器學習或人工智慧接管高危環境中的人類工作所隱含的風險。
最近發生的 Lion Air 610 墜機事件仍在調查過程中，不過，從目前披露的細節來看，飛機已經過多將控制權交給自動系統的舉措，存在很大風險。然而，災難性的航空事故很少因單一錯誤而發生（這次也不例外），MCAS 感測器失靈、維修未能完全解決問題、飛行員沒有受到充分培訓且未完全瞭解 MCAS 的功能和使用方法，都會引發事故。
189 條生命所獲得的慘痛教訓是，航空業必須將資料質量，對機器學習與人工智慧系統的關注與發展需要一併融入安全文化中。既然機器學習和人工智慧改變了飛行員的角色，也應該參照同類角色，對這些技術進行全面測試：至少達到相同水平，才算具備崗位能力。
超越自動駕駛
2015 年杜拜航展期間展出的空客 A350 XWB 飛機有超過 50,000 個感測器，每天收集的飛行和效能資料總計超過 2.5TB。
空客（Airbus）等主要飛機制造商已經逐步進入 AI 階段。據空客副總裁 AI Adam Bonnifield 稱，公司正長期致力於發展這些技術。
「由於我們的行業背景，以及過去在解決自主化系統問題上積累的經驗，我們對這些技術並不陌生。」他告訴我們。
這架現代客機上有大量資料可供機器學習挖掘：空客（Airbus）於 2015 年推出的雙引擎寬體飛機 A350 XWB 擁有約 5 萬個感測器，每天可收集 2.5TB 資料。人工智慧可以透過多種方式利用這些資料。
空客正在研究如何減少飛行員認知負荷（以及由此產生的認知疲勞）、降低駕駛艙飛行員數量，這樣，機組人員可以投入更多時間來處理整體戰略和飛行任務，而不是花費大量時間在所有小問題上。
Bonnifield 解釋說，雖然許多人認為飛機中的自動駕駛是「二值的」：自動或不自動，但他不這麼認為：「這更像一個光譜，」他說，「我們嘗試用人工智慧來解決飛行過程中的一些小問題。」
例如，空客飛機上的一種跑道超限保護選項。ROPS 軟體負責計算飛機進場速度和重量，它將計算出的物理模型與已知的跑道長度和實時的天氣進行比較，如果檢測到不安全的情況，它會廣播「跑道過短！」ROPS 還可以為著陸計算最佳滑行斜率或軌跡，並對滑行、起飛和飛行等其他操作有所幫助。
空客公司的另一個人工智慧重點領域是，建造自動駕駛汽車和空中計程車，為城市居民提供交通服務。當飛行員因機艙壓力下降而失去意識時，人工智慧可能會接管飛行器。在高壓情況下，假定資料正確無誤，人工智慧可以更快地綜合各類因素，制定更合理的決策，增加安全性。
讓溝通更容易
倫敦地區控制中心 LACC 的空中交通管制員。嘈雜通訊頻道中濃重的英語口音，是對語音識別系統的真正考驗。
空中交通管制（Air Traffic Control，ATC）通訊對所有航班來說，都很關鍵。
在歐洲領空，很多對話都是用帶有濃重口音，飛行員和管制員很難相互理解。飛行員無法看到駕駛艙外的情況時，需要在儀表飛行氣象條件（instrument meteorological conditions，IMC）下收聽機尾/航班號，獲取方向指示、交通警報等資訊。空客公司打算運用人工智慧來解決語音識別問題，這也是其 AI Gym 競賽內容的一部分。在 AI Gym 這項計劃中，空客透過尋求外部合作，協助開發突破性人工智慧系統。
空中交通對話清晰化，對於機器學習來說，是一件難度很高的任務，因為 ATC 音訊噪音很大，而且會話很快，充滿了「特定領域詞彙」。AI Gym 希望可以提供 ATC 音訊的完整轉錄，並能從音訊中提取飛機通話訊號，用於通話跟蹤和報警。
2018 年 10 月，比賽結束，空客已經開始將研究成果轉化為產品。AI Gym 允許空客公司藉助外部專業技術，挖掘人工智慧的許多其他潛在用途。
「我們有許多需要探索並加以解決的問題和有趣的案例。」Bonnifield 說。部分原因在於這個技術比較新，正處在非常不成熟的階段，有很多的實驗，還有一些很棒的開源技術。
藉助這個專案，空客正與「普通嫌疑犯」（美國電影名，這裡用來比喻合作的隱秘性，因為有保密協議）合作。這樣合作的方式有個好處：即使失敗，也不至於弄到世人皆知。雖然我們也期望這些神秘的合作伙伴能提供最高效能的解決方案，但 Bonnifield 發現，大多數時候最好的解決方案來自小微初創公司。
只有少數人的研究團隊常常能夠提供最佳解決方案。Bonnifield 說，他相信這可能是 AI 領域的獨特之處。空客公司面臨的最大挑戰是，如何讓這些處於創新前沿的小型團隊走到一起，併為他們提供一種簡單的協作方式。
這要求空客改變與外界合作的方式，「一些初創公司之前甚至從做過徵求意見書（RFP），」Bonnifield 解釋道。
落地到業務
在飛行安全問題上，航空公司非常依賴裝置製造商（如空客和波音公司）。但是，航空公司也需要機器學習和人工智慧輔助內部管理──實現地面作業流水化，透過儘可能實現「無縫旅程」創造最佳客戶體驗。
美聯航正在投資所有可用的新技術，利用機器學習從客戶那裡收集後端資料、維護日誌、員工值勤日誌和飛行中的漸進資料，全面改善業務。國聯合航空公司數字產品和分析副總裁 Praveen Sharma 說。
9 月，美聯航和 Palantir 宣佈了一項長期合作關係，將 Palantir Foundry 作為該航空公司的中心平臺，加速內部關鍵業務部門之間的企業級資料計劃。
「真正的挑戰是... 將公司各部門不同平臺的海量資料整合到一個平臺上... 我們可以利用這個平臺建立機器學習和人工智慧模型。」Sharma 表示，過去一年，為實現該目標，兩家公司開展了一系列研究專案。
Palantir 與空客公司合作建立了 Skywise，這是一個航空資料分析平臺，空客公司為小型航空公司提供訂購服務，其中包括幫助減少飛行意外的維護工具。通用電氣還嘗試將飛機感測器資料轉換為基於機器學習的的服務，以推動公司噴氣發動機的預測性維護。
美聯航及其地區航空公司聯合快運每天運營約 4,600 個航班，飛往五大洲的 357 個機場。去年，兩家公司運營了 160 多萬個航班，載客超過 1.48 億。當不可預見的維護問題或其他操作問題發生時，美聯航會使用機器學習來協同換掉飛機。這並不像人們想象的那麼簡單；系統必須考慮分配機組人員所需的所有變數（例如休息時間和機組人員飛機認證書），飛機燃料和操作限制以及飛機座位容量。
「這些複雜的決策，往往必須要根據當時可用的有限資料，在 25 分鐘的時間內做出。」Sharma 解釋道。
不僅僅是維護
美聯航對機器學習和人工智慧的使用，遠遠超出了管理維修和飛機時刻表的範疇。它還可以利用客戶資料。基於每名乘客的互動資料，美聯航利用人工智慧和機器學習最佳化客戶體驗──調整機票價格以匹配乘客資料。
美聯航的機器學習演算法可以獲取 150 個不同的客戶和航班資料點，並實時決定購買或登記點應該將哪種產品展示給客戶。該引擎考慮了乘客的曾購買、偏好、目的地和活動等因素。
透過實時決策引擎展開的互動，始於 2014 年，該引擎為客戶提供各種產品選擇，改善旅行體驗，比如航班選擇、座位升級、里程購買或者優先值機權。
Sharma 說，美聯航使用了基於貝葉斯推理的預測模型。「它不僅僅決定了提供的內容，」Sharma 解釋說，「還決定了在客戶面前展示的形象以及標語。」
Sharma 說，機器學習的應用正在取得效果。根據美聯航收集的測量結果，客戶不必再去尋找他們想買的東西或想要的體驗。
其他航空公司也正在以其他方式運用人工智慧，進而減輕行程的不適（並減少航空公司員工的工作量）。人臉識別技術現在正出現在航站樓中，幫助機場乘客加快辦理登機手續。大多數人臉識別演算法都基於深度學習，這是機器學習的一部分。達美航空公司是第一個實施此流程的航空公司，據該公司估計，此舉將乘客登機時間縮短了近 10 分鐘。該系統目前用於國際航班的登機手續和行李託運。，達美預計明年將其擴充套件至國內航班。
預防災難
人工智慧最重要的用途之一，可能是在災難發生之前識別出安全風險。例如，Lion Air Flight 610 墜機事件，自動控制系統發生故障，可能就預示著一個重大安全問題。
位於矽谷的 NASA 艾姆斯研究中心正積從事與航空相關的人工智慧研究，一個專案重點就是識別商業航空事件資料中的「異常執行」，而這些資料可能預示著潛在的更大問題。這正是 Nikunj Oza 的主要研究領域，Nikunj Oza 是一名電腦科學家，負責 NASA 艾姆斯研究中心的智慧系統部門（即 Code TI）。因為商業航空的安全記錄非常好──比駕駛要好很多，所以，識別那些可能存在安全問題的異常情況，要困難得多。
NASA 已經初步開發了一些演算法，主要用於異常情況監測和事故前兆的識別，並已經開始接收專家們的相關反饋。目前，NASA 正在開發一套用於飛機資料安全性分析的系統──特別為聯邦航空管理局資料分析合作伙伴 Mitre 服務。
Mitre 是聯邦資助的研發中心，正在實施「航空安全資訊分析和共享（ASIAS）計劃」，這是一個資料聯盟──NASA、聯邦航空管理局、國家運輸安全委員會、飛機制造商和 50 多家航空公司之間共享安全資料。航空公司將部分航班記錄資料子集上傳到 Mitre，Mitre 會對潛在問題進行分析並提供反饋。（資料由航空公司秘密共享。）
艾姆斯研究中心正在開發的資料分析方法，希望藉助人工智慧及時發現飛行資料中的異常模式（這可能表明飛機存在系統性問題）。
「你希望儘快發現問題並找到解決措施，以防止再次發生這種情況，」Oza 解釋說，到目前為止，在航空領域人工智慧並沒有完全取代人類，人工智慧和人類專家的關係被證明是互補的──一種可以拯救生命的夥伴關係。
原文連結：
https://arstechnica.com/information-technology/2018/12/unite-day1-1/