数字化转型是高质量发展的大势所趋，而航空领域的 AI 技术发展落地正势头蓬勃。航司数字化转型有哪些实践路径？如今又面临哪些挑战？
本文将围绕 LOSA 和飞行性能数据的智用，探讨如何“运用大模型技术赋能搭建一个整合、分析、智用飞行数据的专家系统”。
LOSA 航线运行安全检查
LOSA（Line Operations Safety Audit），以观察数据为支撑的优化与改进行为。
LOSA 是近十年发展起来的一种用于识别、分析、控制人为过失的安全管理方法。协助航空公司发现飞行运行过程中存在的安全隐患，确定飞行运行系统的优势和缺陷，同时也可以对飞行机组的飞行技术水平和管理能力进行全面评估，从而采取针对性的应对措施，借以提高运行系统的安全水平。
中国航空业蓬勃发展，航班量不断增加，机组面临的复杂环境也更多，飞行安全管理始终是航空安全管理的重要领域。每次航班的顺利抵达都不是偶然，而是大量前期准备的必然结果。
一架飞机可能会有几万个传感器，这些传感器可检测位置、空速、高度、襟翼位置、外界温度、机舱温度、气压及发动机性能等海量数据。在大模型时代，如何用 AI 技术将海量、分散的飞行数据整合，构建一个有知识、可随身、适配 LOSA 的专家系统？
数据挖掘分析手段不足：缺乏 AI 算法建模能力，难以充分挖掘 LOSA 数据价值指导运营提升，从而无法充分发挥数据价值。
LOSA 数据处理难：依据 9803 手册标准，大致有7种数据需要进行记录。记录员目前只能通过手工录入的方式从纸质 ICAO 模板中来回重复摘取数据录入系统，整个过程非常繁琐，工作量大。
缺乏数字化工具，观察员负荷重：观察员需要对ICAO模板中的每个执行项进行打分或撰写判定，此过程极其依赖观察员的专业经验，在飞行多个航段的情况下，容易对观察员造成巨大的身心负荷。缺乏合适的工具能够让观察员回顾当时做出评定的情景，导致可能会遗漏需要修正的评分项。
打破“信息孤岛”，实现数智化转型，需要航空领域的专家系统。
“引入数字化、智能化手段提升LOSA执行质量”
改变过往以纯手工为主的 ICAO 模板记录状况，引入智能化产品，实现电子化和线上化记录，有效规避手工记录带来的弊端，减轻观察员工作负荷。
引入 AI 算法模型，能够对过往 LOSA 项目沉淀的数据进行统计分析与机器学习建模，从而挖掘其中的规律特征，并应用于 EBT 等环节，提升运管水平。
飞行数据可大致分为以下4类：
FDR/DFDR（Digital Flight Data Recorder）飞行数据记录器，俗称黑匣子，主要用于事故调查。
QAR（Quick Access Recorder）快速存取记录器，使用光盘或 PCMCIA 卡等介质记录数据，方便获取。严格意义上讲，QAR 和 FDR 记录的参数完全一样，记录内容由飞机制造厂指定，用户一般无法修改。
DAR（ Data Access Recorder）与 QAR 功能类似，但由 ACMS 功能驱动，用户可以通过软件编程，增加记录的参数。人们也经常称DAR为QAR。
DVDR（Digital Voice and Data Recoder）飞行数据记录器（DFDR）与驾驶舱语音记录器（CVR）集成组件/记录器。
“从工程原始值到工程值”
传感器搜集到的所有数据将被送至飞机前端的飞行数据采集装置（Digital Flight Data Acquisition Unit，简称DFDAU）。DFDAU 从传感器中取出数据，经总线传输至飞行记录器。飞行过程中，几乎每一秒都会产生 2048 个字节的数据。
在处理中海量数据时，需要先将飞机机载记录设备内，以二进制方式排列的数据，转换成工程数据值的过程。即还原记录器（DFDR、QAR或DAR）记录的飞行参数。例如经纬度精度很高的 12 位数据很难记，就会采取整数部分用一个字节去记，小数部分用一个字节去记的方法。
QAR 数据通常是遵循特定规范的二进制数据流，数据分析人员需要对其进行译码，但以往的译码结果可用范围有限。如此海量数据难以发挥出更多价值，进而了解实际飞行状况及存在的飞行隐患。大模型时代，用 AI 技术赋能数据价值深入挖掘、航司内部知识管理，需要：
“专家梳理，适配 LOSA 评价指标体系”
基于专业知识素养和行业经验积累，融合实际业务场景，为航司梳理更适配的 LOSA 评价指标体系。从飞机准备阶段到起飞、落地、关门，对应记录了丰富的气象、推力、纪律、导航、刹车信息，在每个阶段如何运用对应数据，结合内部知识沉淀，赋能全局预警、飞行员业务升级，构建良好飞行安全闭环。
OCR、提取、建模
OCR：代替“人眼”进行 ICAO 模板数据识别
将 ICAO 模板数据作为图像输入，基于专业数据梳理，进行版面还原。完成“文字识别”后，基于语言模型用于矫正识别中明显出错的结果，比如 OCR 错误识别为“停机坪人侵”，则基于语义纠错模型，纠正为“停机坪入侵”。采用深度学习端到端学习框架，将文本的检测和识别统一到同一个工作流中，无论是识别性能还是准度都得到大幅提升。
自动录入：高效提取模板指标
以文因大模型为基座，基于 NLP 提取技术，搭建自动化、智能化的数据提取平台梳理指标，进行模型训练与预测、判断规则入库。将抽取结果经质控系统审核后，为航司业务系统提供数据掘金支持。
建模分析：因子分析/主成分分析
从事故结果进行回溯，有很多维度因子（威胁/差错）导致某危险事故的发生，但有主次之分。通过建模分析则可发现其中最关键的因子，从而能够给运管部门/飞行部门提供优化方向和思路。
统计、分析、赋能
大屏看板：偏差事件态势统计
支持机型、航司、机场、机队等相关主题分析。提供地图、雷达图、表格、柱状对比图、箱线图等丰富展示组件。支持上卷下钻，联动分析。
全方位展示飞行质量，高效掌控风险态势，提前预警并快速反应。通过各相关主题统计与分析，对薄弱环节充分定位与剖析，支撑运营复盘与改进，构建良好飞行安全闭环。
飞行员个人APP
提供地图、雷达图、表格、柱状对比图、箱线图等丰富展示组件。支持联动分析，手机端可随时查阅，便捷灵活。
仪表回放
全程跟录飞行员各个阶段的仪表操作，自动生成视频文件，支持拖动进度播放，支持自动定位视频中的超限实践。
3D 可视化：向飞行员展示飞行过程
关键飞行阶段变化动态的直观展示比对及分析，快速调取偏离 SOP 标准的不当操作的关联场景能力。机场地形、飞机姿态和气象条件等实景的还原比对分析，舱内仪表及操作面板状态的直观还原显示。
飞行安全关联千家万户，基于事件驱动难以预测到“海面下的冰山”到底有多大。以可落地的 AI 技术赋能数据掘金和内部知识管理，相信未来可以更好地把握整体运行态势、安全态势，提高数据应用平台的使用友好度。甚至实现替代以往不好用的译码软件，让海量飞行数据发挥出更大的使用和预测价值。
文因互联是 AI 重塑知识管理先驱者，提供企业级的大模型应用解决方案。立足金融，辐射航空、医疗、媒体、建筑、房产等行业。自主研发了文因飞梭、文因快察、文因快报等多款产品，高效支撑客户业务场景。
以大模型技术为基座，结合 NLP、提示工程、知识图谱等技术，通过多年行业实践积累，实现对业务文本进行文档解析、智能信息提取、智能内容生成、深度语义理解与关联分析，致力于企业知识的深度挖掘与有序传承，进而助力企业实现提高工作效率，沉淀知识工程。
自成立以来，已服务过金融、建筑、媒体、医疗、航空、通讯等多领域各细分场景，落地上百项目，获得IDC Fintech50、CB Insights Fintech50、毕马威 Fintech50 等权威机构认证。
