ارتقای خدمات فرودگاهی به کمک هوش مصنوعی
آیا میتوان با ترکیبی از بینایی کامپیوتری (computer vision) و هوش مصنوعی از شلوغی فرودگاهها کاست و آنها را تحملپذیرتر کرد؟ پیاده سازی و اجرای این فناوریها ظرفیت فیزیکی فرودگاهها را افزایش نمیدهد یا منجر به کاهش تعداد مسافران نمیشود، اما میتواند راهکاری منحصر به فرد برای کاهش زمان انتظار در فرودگاهها ارایه دهد.
تاثیر هوش مصنوعی در زندگی ما به هیچ وجه قابل چشم پوشی نیست و سال به سال هم بر آن افزوده میشود، اتفاقی که به طور مشابه برای بینایی کامپیوتری هم در حال رخ دادن است. وقتی که شما این دو فناوری منحصر به فرد را با هم ترکیب میکنید، معجونی شگفت انگیز به وجود میآید که قادر است دستورالعملی واقعی برای بهبود تجربه حضور در فرودگاهها ارایه دهد.

بسیاری از مسایلی که امروزه ما در فرودگاهها با آن دست به گریبان هستیم، نتیجه مستقیم ناتوانی ما برای محاسبه تمامی ترکیبات و جایگشتهای بالقوه است. ما در فرودگاهها با چندین ایستگاه بازرسی مواجه میشویم، چرا که بر این باوریم افزایش تعداد ایستگاهها امنیت ما را بیشتر میکند. اما اگر نیک بنگریم میبینیم که این امر لزوما صحیح نیست و نمیتوان انتظار داشت که با افزایش تعداد گیتها و ایستگاههای بازرسی، تعداد افراد متخلف دستگیر شده هم بیشتر شود. مسئله اصلی، تعداد ایستگاهها و افزایش مراحل بازرسی نیست، بلکه خطای انسانی است.
هوش مصنوعی قادر است اطلاعات را با سرعتی حیرت انگیز پردازش و دادههای مفید را از دل آن استخراج کند؛ کاری که ماموران ایستگاههای بازرسی به سختی از پس آن برمی آیند یا هرگز قادر به انجام آن نیستند.
تجربه حضور در فرودگاه قطعا در سالیان آینده شاهد تغییرات چشم گیری خواهد بود و تمامی مراحل سفر دستخوش تغییرات اساسی خواهد شد (از مرحله بازرسی گرفته تا حتی صف دریافت بار و چمدان). در این مقاله به چهار روشی میپردازیم که هوش مصنوعی و بینایی کامپیوتری احتمالا از طریق آنها در آیندهای نزدیک، صنعت حمل و نقل هوایی را متحول خواهد کرد.
۱- پیش بینی میزان تاخیر پرواز
ما بخش عمدهای از وقت خود را در فرودگاهها در انتظار پروازهای تاخیردار از دست میدهیم. هر حادثهای پیش بینی نشدهای از قبیل تغییر شرایط جوی و اشکالات فنی هواپیما میتواند پروازها را ساعتها به تاخیر بیندازد. اما زمانی که از کلان داده (Big Data) و یادگیری ماشین (machine learning) برای حل این مسئله کمک میگیریم، میتوانیم تحلیل لحظهای را کنار گذاشته و از آنالیز مبتنی بر «شناسایی مرتبطترین الگو» برای پیش بینی حوادث و آماده سازی فرودگاهها برای رویارویی با آنها بهره بگیریم. این فناوریها به شرکتهای خطوط هوایی یا ایرلاین ها اجازه میدهند که به طور پویا و دینامیک، برای مسافران گرفتار تاخیر حتی پیش از آنکه به فرودگاه برسند، مسیر جدیدی مشخص کنند.
علاوه بر این، ذخیره و تجزیه و تحلیل گزارشهای تعمیر و نگهداری با استفاده از روش «یادگیری تحت نظارت» میتواند ایرلاینها را از وقوع مخاطرات ناگهانی حفظ کند. این فناوری قادر است هواپیماهای نیازمند تعمیر را به طور دینامیک مشخص کند.
۲- ایستگاههای بازرسی خودکار
ماموران ایستگاههای بازرسی به هیچ وجه نمیتوانند عملکرد بهتری از الگوریتمهای یادگیری تحت نظارت داشته باشند. اگر ماشینها و سیستمهای کامپیوتری بتوانند به عکس گذرنامه شما نگاه کنند و تصویری از آن بگیرند، قادر خواهند بود که به نمودار اجتماعی و اطلاعات دقیق سجلی شما (که به شناسه گذرنامهتان متصل است) دسترسی پیدا کنند. همین امر میتواند بسیاری از مراحل غیرضروری بازرسی را حذف کند. پیاده سازی برخی از این راهکارها نیز به دانش هوش مصنوعی چندان پیچیدهای نیاز ندارد.
۳- کاهش موارد بازرسی چشمی توشههای مسافران
آیا تا به حال در صف ایستگاه بازرسی پشت سر کسی معطل ماندهاید که به دلیل حمل قوطیهای مایع وقت زیادی را از ماموران بازرسی گرفته است؟ حتی بدتر از این مورد، وقتی که هر یک از زنگهای هشدار ایستگاه بازرسی به اشتباه به صدا درمی آیند، احتمال اینکه مامور امنیتی در آینده از آنها چشم پوشی کند و از شناسایی مخاطرات واقعی باز بماند، بیشتر میشود.
کامپیوترها قادرند بسیار سریعتر از یک انسان به ثبت تصاویر از اقلام درون چمدانها، تجزیه و تحلیل و شناسایی آنها بپردازند، حتی بدون آنکه نیاز باشد چمدان باز شود. این یکی از موارد استفاده از الگوریتم «یادگیری تحت نظارت» است. پس از گردآوری دادههای آموزشی قابل توجه، هوش مصنوعی میتواند بفهمد که کدامیک از اقلام باید دقیقتر مورد بازرسی قرار بگیرند.
اگر هم بتوان یک الگوریتم کلاسترینگ یا خوشه بندی را به کار گرفت، میتوان مسافرانی را که از نظر امنیتی در نواحی «نارنجی» یا «قرمز» قرار میگیرند، شناسایی کرد و به طور خودکار برای بازرسی بیشتر به یک مسیر دیگر هدایت کرد. این فناوری حتی میتواند فعالیت فرد را در شبکههای اجتماعی ارزیابی کند و از تخصیص انبوه (mass attribution) برای شناسایی تهدیدات بالقوه استفاده کند. برخی از مواردی که این فناوری میتواند آنها را تحت نظر بگیرد از این قرارند:
- آیا فرد مورد نظر تماسهای تلفنی زیادی با کشورهای لیست قرمز برقرار کرده است؟
- آیا فرد مورد نظر گرایشهای دینی افراطی دارد؟
- فرد مورد نظر با چه کسانی عکس انداخته است؟
- آیا فرد مورد نظر در مقایسه با افراد معمولی ردپایی در شبکههای اجتماعی از خود به جای نگذاشته است؟
افرادی که معمولا دست به اعمال خلاف قانون میزنند، به طور معمول رفتار آماری متفاوتی دارند. این بدان معنی است که شناسایی آنها با استفاده از ارزیابیهای آماری کار چندان دشواری نیست.
۴- تسهیل فرآیند غربالگری
ما پیشتر دوربینهای پیشرفتهای را ابداع کردهایم که قادرند شناسه حرارتی افراد را ثبت کنند. بنابراین دیگر ایستادن در صفهای طولانی و عبور از گیتهای آشکارساز فلز چندان منطقی به نظر نمیرسد.
دوربینهای تصویر برداری حرارتی میتوانند مسافرانی را که در فرودگاه قدم میزنند، تجزیه و تحلیل کنند. وقتی که این فناوری را با فناوری بازشناسی چهره (facial recognition) و دادههای استخراج شده از نقاط مختلف، ترکیب میکنیم، به سادگی میتوانیم افرادی را که اقلام ممنوعه را با خود حمل میکنند، شناسایی کنیم.
نگاه مثبت به آینده
اینکه شما روی بازدارندگی این فناوریها تمرکز کنید یا با دید تردید به آن بنگرید، باز هم در نهایت، سادهترین راهکار برای حذف خطاهای انسانی از این معادله هستند. اگر بتوانیم این فناوریها را اجرا و پیاده سازی کنیم و از مزایای آنها بهرهمند شویم، احتمالا در آیندهای نه چندان دور خواهیم توانست تجربه دلپذیرتری را برای مسافران فرودگاهها رقم بزنیم.