Klassifizierung von NOTAMs für SWISS International Airlines mittels KI

Fliegen ist heute sicherer als je zuvor, auch dank der hohen Standards in der Kommunikation.

Jean Coupon, Astrophysiker und ehemaliger Data-Science-Student an der SIT Academy, arbeitete in seinem dreiwöchigen Capstone-Projekt mit SWISS International Airlines zusammen, um Luftfahrt-Warnmeldungen mithilfe von Künstlicher Intelligenz zu klassifizieren. Das Kommunikationssystem nennt sich "Notice To Airmen" (NOTAM) und besteht aus kurzen Textnachrichten, die von Luftraumbeamten verschickt werden, um Piloten vor voraussichtlichen Ereignissen zu warnen, die einen Flug auf der Route stören könnten (geschlossene Landebahnen, Bauarbeiten, gesperrter Luftraum usw.). Täglich werden Tausende von NOTAMs verschickt (Tendenz steigend). Einer der Gründe für diesen rasanten Anstieg ist eine immer niedrigere Sicherheitsschwelle, die ein neues NOTAM auslöst, was manchmal zu irrelevanten NOTAMs führt. Infolgedessen muss jeder Pilot eine zunehmende Anzahl von Meldungen suchen und sortieren, wodurch die Gefahr besteht, dass er die wichtigen Meldungen übersieht. Bei grösseren Fluggesellschaften ist ein NOTAM-Beauftragter für die Vorselektion der NOTAMs verantwortlich, bevor diese an die Piloten ausgegeben werden.
 

Das Data-Science-Team von SWISS International Airlines und Jean arbeitete an der Entwicklung eines automatisierten NOTAM-Klassifikators, der mit Hilfe von maschinellem Lernen und natürlicher Sprachverarbeitung (NLP) die wichtigsten Meldungen identifiziert, damit Zeit spart und gleichzeitig ein hohes Mass an Sicherheit gewährleistet.
 

Die Herausforderung in diesem Projekt bestand darin, aus etwa 3.000 NOTAMs, die ein NOTAM-Beauftragter pro Tag erhält, zu ermitteln, welche Meldungen relevant sind. Es hat sich gezeigt, dass etwa 50% aller eingehenden Meldungen wichtig sind, um sie dem Piloten mitzuteilen (70-150 NOTAMs pro Flug).
 

Im Wesentlichen wurden die NOTAMs in einem ersten Schritt mit einem unüberwachten Machine Learning-Ansatz gelabelt, der sich in drei konkrete Schritte unterteilen lässt:
 

Danach folgt die Sortierung nach Wichtigkeit. Jean trainierte ein Modell (überwachter Machine-Learning-Algorithmus), um ein System der künstlichen Intelligenz zu definieren, das die Wichtigkeitswahrscheinlichkeiten sortiert. Das Hauptziel war es, NOTAM-Offiziere zu unterstützen, indem sie auf sehr wichtige Nachrichten hinweisen.
 

Das endgültige Modell, das Jean getestet hat, hatte eine Genauigkeit von 94% unter Verwendung eines Neuronalen Netzwerks mit nur einem Monat Daten von NOTAMs.

Zusammenfassend lässt sich sagen, dass ein Modell entwickelt wurde, um zwischen NOTAM-Meldungen zu unterscheiden, die für den Betriebstag relevant und irrelevant sind. In Zukunft wird dieses Projekt wie folgt fortgesetzt: Es werden mehr Daten ausgewertet, um festzustellen, welche Gruppen von Meldungen mit nahezu 100%iger Genauigkeit klassifiziert werden können. Die verbleibenden Meldungen mit geringer Sicherheit (etwa 20-30 % des Volumens) werden weiterhin täglich vom Experten ausgewertet. Eine Rückkopplungsschleife von Expertenentscheidungen verbessert die Genauigkeit des Modells weiter. Weitere Schritte sind die Industrialisierung der Lösung und das Feedback der Nutzer.​​