SIT Learning wird Constructor LearningMehr dazu

Nach unserer Gründung als Propulsion Academy im Jahr 2016 und der Übernahme durch SIT im letzten Jahr, begrüssen wir heute unseren neuen Markennamen: Constructor Learning. Constructor Learning ist Teil der Constructor Group, die ursprünglich den Namen Schaffhausen Institute of Technology (SIT) trug. Die Organisation wurde 2019 von Dr. Serg Bell gegründet, einem langjährigen Unternehmer und Investor im Bereich Technologie und Bildung. Das Ökosystem, das sich der Schaffung von Wissen durch Wissenschaft, Bildung und Technologie verschrieben hat, kombiniert ein umfassendes Bildungsangebot, das den gesamten Lebenszyklus des Lernens abdeckt, von der Grundschule bis hin zu einer privaten Universität und Führungskursen, Forschungskapazitäten der nächsten Generation und kommerziellen Aktivitäten für technologische Innovationen. SIT mit Hauptsitz in Schaffhausen ist seit der Gründung durch organisches Wachstum und Übernahmen rasch gewachsen. Da es sich zu einer globalen Organisation mit einer Präsenz in mehr als 15 Ländern und einem weltweiten Netzwerk von Forschern, Professoren, Investoren, Kunden und Alumni entwickelt hat, musste die Marke neu überdacht werden, um diese Expansion besser widerzuspiegeln und das gesamte Ökosystem unter einem Namen zu vereinen: Constructor.

Mitteilung schliessen
SWISS International Airlines KI Warnungssystem

Klassifizierung von NOTAMs für SWISS International Airlines mittels KI

Klassifizierung von NOTAMs für SWISS International Airlines mittels KI

Projekt von: Jean Coupon
Jean Coupon
Jean Coupon
 

Einführung

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.
 

Projektdetails

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:
 
  1. Einzelne Wörter einer Nachricht werden mit Hilfe von Natural Language Processing (NLP) in eine Computerrepräsentation (Vektoren) umgewandelt
  2. Suche nach Ähnlichkeiten zwischen NOTAMs (Clustering)
  3. Manuelle Beschriftung
 
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.

Grafik NOTAM KI-System
 

Resultat

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.​​
Student

Student

Jean Coupon sagt:

Wir haben mit dem Data Science Team von SWISS International Airlines zusammengearbeitet, um einen automatisierten NOTAM-Klassifikator zu entwickeln. Das Ziel war es, Zeit zu sparen und gleichzeitig ein hohes Mass an Sicherheit zu gewährleisten.

Möchtest du mehr über die finalen Studenten-Projekte erfahren? Dann finde hier weitere spannende Full-Stack und Data Science Projekte.

Mehr Infos
Project work