Samoloty stanęły, pasażerowie utknęli. Teraz AI analizuje, dlaczego

instalki.pl 1 tydzień temu

W grudniu 2022 roku pasażerowie Southwest Airlines doświadczyli jednej z najgorszych awarii logistycznych w historii amerykańskiego lotnictwa cywilnego. Zaczęło się od zimowej burzy w Denver. Jednak to, co początkowo wyglądało na lokalne zakłócenie, gwałtownie rozlało się po całej sieci lotów przewoźnika.

W efekcie ponad 2 miliony pasażerów utknęło na lotniskach, a firma poniosła straty sięgające 750 milionów dolarów. Jak doszło do tego, iż pogoda w jednym mieście wywołała ogólnokrajowy paraliż? Z tym pytaniem zmierzyli się badacze z MIT, Harvardu i Uniwersytetu Michigan.

Nowe narzędzie diagnostyczne

Zespół naukowców opracował system komputerowy, który potrafi analizować rzadkie przypadki awarii poprzez połączenie ograniczonych danych dotyczących konkretnego zdarzenia z rozbudowanymi danymi z okresu normalnego działania systemu. Celem było nie tylko znalezienie jej przyczyn, ale także zaproponowanie rozwiązań zapobiegawczych na przyszłość. System został zaprezentowany podczas konferencji International Conference on Learning Representations (ICLR 2025) w Singapurze. Autorami projektu są m.in. doktorant Charles Dawson oraz profesor Chuchu Fan z MIT.

Zgodnie z analizami, kluczową rolę w kryzysie odegrał brak centralnych hubów i rozproszenie samolotów rezerwowych w sieci Southwest. W tradycyjnym modelu lotniczym zapasowe maszyny stacjonują w konkretnych, dobrze przygotowanych lokalizacjach. Southwest korzysta jednak z systemu rozproszonego, co czyni go bardziej podatnym na zakłócenia.

Algorytm opracowany przez MIT pozwala na cofnięcie się do momentu, w którym sytuacja zaczęła się wymykać spod kontroli. Mimo braku dostępu do danych wewnętrznych firmy, badacze byli w stanie zbudować model wykorzystujący jedynie dane publiczne: godziny przylotów, odlotów i opóźnień.

Narzędzie CalNF / Źródło: openreview.net

Cykl, który został przerwany

Jeden z kluczowych wniosków dotyczy tzw. cykli obiegu samolotów. Przykładowo, maszyna zaczyna dzień w Kalifornii, leci do Denver, a kończy dzień w Las Vegas. Gdy pogoda w Denver opóźnia kolejne odloty, pęka łańcuch, a samoloty nie docierają do miasta końcowego. choćby tam, gdzie pogoda była dobra, zaczęły brakować maszyn. Efekt domina rozprzestrzenił się na cały kraj.

Badacze stworzyli narzędzie, które potrafi „cofać” symulacje w czasie. Na podstawie danych o przeszłych skutkach, model dochodzi do tego, jakie warunki początkowe mogły je spowodować. Choć dane o awarii były ograniczone do kilku dni, to dostęp do wieloletnich informacji o normalnych operacjach umożliwił nauczenie systemu, co jest fizycznie możliwe i typowe dla danej sieci.

Docelowo całość ma działać w czasie rzeczywistym, analizując bieżące dane i porównując je do schematów normalnych operacji. Gdy wykryje odchylenia zwiastujące możliwe zakłócenia, może zasugerować działania naprawcze – np. przerzucenie rezerw samolotów do innego miasta, zanim kryzys się pogłębi.

MIT udostępnił też narzędzie CalNF – otwarte oprogramowanie do analizy awarii w systemach złożonych. Co ważne, rozwiązania te można zastosować nie tylko w lotnictwie, ale też w energetyce, transporcie czy zarządzaniu robotami.

Czasami zamiast Spotify słucham rozmów pilotów z kontrolerami ATC. Sposób jest prosty
AIciekawostkinaukasamolotysztuczna inteligencjatechnika
Idź do oryginalnego materiału