◄ هزینه هر دقیقه تاخیر پرواز ۱۰۰ دلار است/ هوش مصنوعی به کمک شرکت های هواپیمایی آمد

خلیل الله معمارزاده: این روزها با انبوهی از مطالب درباره هوش مصنوعی و اثرات شگرف آن بر آینده صنایع مختلف روبه رو هستیم؛ و صنعت هوانوردی هم از این قاعده مستثنی نیست. با وجود این، بسیاری از گفت و گوها همچنان در سطحی کلی و آینده نگر باقی مانده اند و کمتر به کاربردهای ملموس و فعلی این فناوری پرداخته اند.

در حالی که هوش مصنوعی همین امروز نیز عملیات فرودگاهی و فرآیندهای درون شرکت های هواپیمایی را به شکل چشمگیری دگرگون کرده است؛ به ویژه در مواجهه با یکی از مزمن ترین چالش های این صنعت: بی ثباتی عملیاتی و تأخیرهای زنجیره ای.

در نگاه اول، تأخیرهای چند دقیقه ای شاید بی اهمیت به نظر برسند. اما در صنعتی که زمان گراند تایم هواپیماها در بین دو پرواز به طور میانگین به حدود تنها ۴۵ دقیقه می رسد، همین تأخیرهای کوچک می توانند به یک دومینوی پرهزینه تبدیل شوند. برآوردها نشان می دهند که هزینه هر دقیقه تاخیر پرواز حدود ۱۰۰ دلار است؛ رقمی که در مقیاس یک شرکت هواپیمایی متوسط، به میلیون ها دلار ضرر سالانه منتهی می شود.

نکته مهم اینجاست که برخلاف تصور رایج، بیش از ۶۰ درصد این اختلالات ناشی از عوامل درون سازمانی و قابل کنترل اند: از کمبود خلبان و نقص در برنامه ریزی کرو گرفته تا زیرساخت های ناکارآمد، سیستم های ارتباطی جزیره ای و داده هایی که یا ناقص اند یا دیر می رسند.

در چنین شرایطی، هوش مصنوعی وارد عمل می شود، نه با وعده های دور و بلندپروازانه، بلکه با راه حل هایی دقیق، عملیاتی و قابل اجرا. برای نمونه، شرکت Air India با بهره گیری از ابزار Microsoft Copilot این امکان را به مدیران عملیات داده که تنها با یک پرسش ساده، به تحلیل وضعیت تخصیص هواپیما، زمان بندی کرو و محدودیت های عملیاتی بپردازند. این یعنی تصمیم گیری بلادرنگ بدون نیاز به صفحات گسترده و تماس های پی درپی.

در فرودگاه فرانکفورت نیز کارکنان از «FraportGPT» استفاده می کنند، یک دستیار هوش مصنوعی که به طور بلادرنگ اطلاعات مورد نیاز را در اختیار تیم های عملیاتی قرار می دهد. نتیجه؟ کاهش تنش های بین دپارتمان ها و تسریع تصمیم گیری در محیطی پیچیده.

در حوزه عملیات هندلینگ زمینی، فرودگاه آیندهوون با استفاده از سامانه «Deep Turnaround» که به دوربین های هوشمند و مدل های بینایی ماشین مجهز است، مراحل هندلینگ زمینی هواپیماها در زمان بین دو پرواز (Ground Time) را زیر نظر دارد. این سیستم با شناسایی خودکار آغاز و پایان هر فعالیت، پیش از وقوع هر گونه تأخیری، به همه بازیگران از قبل هشدار می دهد و انجام هماهنگی ها را بهبود می بخشد.

در بخش تعمیرات، شرکت Textron Aviation دستیار هوشمندی به نام TAMI طراحی کرده که در عرض فقط چند ثانیه از میان بیش از ۶۰ هزار صفحه مستندات، بهترین راه حل دقیق فنی را برای تکنسین ها مبتنی بر مستندات استخراج می کند. کاری که قبلاً بیش از ۲۰ دقیقه زمان می برد، حالا در کمتر از ۲ دقیقه انجام می شود.

در سطح گزارش دهی کرو نیز Japan Airlines با ابزار JAL-AI Report موفق شده زمان ثبت گزارش های پس از پرواز را از ۶۰ به ۲۰ دقیقه کاهش دهد. این ابزار حتی از ورودی صوتی هم پشتیبانی می کند.

در سمت بازرگانی، الگوریتم های هوشمند اکنون قادرند الگوهای تقاضا ، رفتار مسافران و بازار را تحلیل کرده و بر آن اساس، قیمت گذاری پویا و تخصیص صندلی های پروازی در کلاس های نرخی مختلف را در هر پرواز بهینه سازی کنند.

با این حال، تمام این سیستم ها تنها به اندازه کیفیت داده ای که بر آن ها تغذیه می شود مؤثر هستند. پیش بینی ها نشان می دهد تا سال ۲۰۲۶، حدود ۶۰ درصد پروژه های هوش مصنوعی به دلیل ضعف داده ها به شکست منجر خواهند شد. این در حالی است که در صنایع پیشرو، داده های ساختاریافته، بلادرنگ و قابل اعتماد به ستون فقرات تصمیم گیری تبدیل شده اند. در ایران، این نکته کلیدی هنوز آن گونه که باید مورد توجه قرار نگرفته است. داده های ارزشمند تولید شده (اعم از داده های پروازی هر هواپیما در هر پرواز و انبوهی از اطلاعات راداری در بخش ناوبری هوایی) که گاه به بیش از ۲ ترابایت در هر پرواز می رسند، اغلب به صورت خام باقی می مانند و نه پردازش تحلیلی از آنها انجام می شود و نه حتی یک بصری سازی اولیه جهت تصمیم گیری بهتر.

در نهایت، می توان گفت آینده عملیات هوانوردی در گرو سه واژه است: پیش بینی پذیری، یکپارچگی، و دقت. هوش مصنوعی اگر با توجه به روند بلوغ دیجیتال شرکت ها و سازمان ها و بنگاه ها و همچنین داده های درست و زیرساخت های مناسب همراه شود، می تواند نه تنها از تأخیر جلوگیری کند، بلکه هزینه ها را بسیار کاهش دهد، درآمدها را افزایش دهد و تجربه سفر را برای میلیون ها مسافر متحول سازد. این تحول، فقط فناورانه نیست؛ تغییری بنیادین در فلسفه مدیریت شرکت های هواپیمایی ایرانی و شرکت فرودگاهها و ناوبری هوایی ایران و همچنین سازمان هواپیمایی کشوری ایران است.

و حالا این پرسش اساسی مطرح می شود: آیا شرکت های هواپیمایی، شرکت فرودگاه ها و ناوبری هوایی ایران و سازمان هواپیمایی کشوری ما آماده است که از این وضعیت خارج شده و واقعیت هوش مصنوعی را در قلب عملیات خود پیاده سازی کنند؟ آینده این صنعت به پاسخی که امروز می دهیم بستگی دارد.

*خلیل الله معمار زاده ( محمد معمار) کارشناس هوانوردی