ATM özelinde Otomasyon ve YZ (Yapay Zekâ) 3.Bölüm

ATM özelinde Otomasyon ve YZ (Yapay Zekâ) 3.Bölüm

ATM ve ATC'de tipik YZ kullanım senaryolarına üç ana başlıkta göz atılabilir.

1- Ayrımcı YZ: Daha çok verilerin sınıflandırılması temeline dayanır ve hava trafiğindeki örüntüleri tespit etme, gecikmeleri öngörebilme, hava durumu modelleme, hava sahası kapasite problemlerinin önüne geçebilme gibi ATCO’ların daha proaktif kararlar verebilmesini kolaylaştıran araçlar sunabilir.

2- Üretken YZ: Senaryo üretimi ve simülasyon çalışmaları için kullanılır. Örneğin acil durum senaryolarının eğitim maksatlı kullanımlarında işlevsel bir araca dönüşebilir.

3- Büyük Aksiyon Modelleri: Dinamik çalışma ortamında karar alma süreçlerini optimize eden pekiştirilmiş öğrenme modellerini içerir. Trafik akışının yönetimi, “conflict” çözümleme ya da hava sahasının etkin bir şekilde yönetimi gibi amaçlar için kullanılabilir. Bu modeller sayesinde ATCO bilişsel iş yükü azalacağı için kontrolör daha öncelikli işlere daha fazla zaman harcayabilir.

Peki ATM ve ATC'de tam otomasyon mümkün mü?

YZ kullanımı ve 5. Aşama tam otomasyon olarak tasvir edilen evreye geçişte, otonom araçlar özelinde iki farklı yaklaşımı temsil eden Tesla ve Waymo tecrübelerinden elde edilen deneyimler, ATM ve ATC alanlarında YZ kullanımı dinamiklerine yönelik bir içgörü sağlayabilir.

Tesla-Waymo otomasyon yaklaşımlarının karşılaştırılması.

Otonom araç üretiminde yarış halinde olan Tesla ve Waymo, otomasyona bakış açılarındaki farklılıklarla dikkat çekmektedir. Path A olarak gösterilen Tesla perspektifinde sürekli olarak daha fazla fonksiyonun kısıtlandırılmamış bir ortamda otomatize edilmesi amaçlandığı için tabii olarak daha fazla gri alanla da yüzleşilmesi gerekir. Tesla, veri güdümlü bir stratejiyle oldukça geniş bir araç filosunu kullanıma sokarak, FSD (Full Self Driving) adını verdiği sistemi beslemesi için devasa boyutlarda veri toplamayı amaçlar. Oto pilot fonksiyonuyla gerçek dünya koşullarını deneyimleyen ve bu sayede kritik veriler toplayarak sürekli algoritmalarını güncellenen bir yaklaşım sergiler. Her gün sokağa çıkan onlarca araçtan elde ettiği verileri kendi yapay sinir ağlarını eğitmek ve operasyonel başarımını optimize etmek için kullanır.

Waymo’nun yol haritasını gösteren Path B de ise tekil görevler sınırlı ortamlarda operasyonel başarım kazandıkça peyderpey otomatize edilir. LIDAR ve kameralarla donatılan araçlarını farklı çevre koşullarıyla sırasıyla deneyen ve karşısına çıkan problemleri çözerek ilerlemeyi yeğleyen Waymo, karmaşık sürüş koşullarına hazırlanır. Google destekli bir proje olduğu için kullanıcıların güncellediği veri setleri de (sokak işaretleri, trafik ışıkları vs.) makine öğrenme süreçlerinde aktif olarak kullanılır.

Deterministik, kural tabanlı modele örnek olarak Maastricht Upper Area Control Centre (MUAC) için planlanan ARGOS projesinde, Waymo deneyiminden esinlenen ve potansiyel problemlerin sınırlandırılmış ölçeklerde aşamalı olarak çözümlendiği bir tam otomasyona geçiş süreci benimsenmektedir. Bu sayede operasyonel kompleksite seviyesinin kademeli olarak üstesinden gelme ve başarımlar sağlayacak fonksiyonların biriktirilmesi esasına dayanır.

Otonom araçların kaotik bir ortamda çalışmaları mümkünse kontrollü bir ortamda otonom hava trafik kontrol hizmeti sağlamak da mümkün olabilir mi?

Advanced Autoplanner projesi, LFV (İsveç ANSP) ve IBM bünyesinde geliştirilen, ATC alanında YZ kullanımına odaklanan bir konsepttir. NARSIM (Air Traffic Control Research Simulator) simülatöründe IBM tarafından geliştirilmiş deterministik bir YZ modelinin entegrasyonuyla çalışan projede de ARGOS benzeri aşamalı bir gelişim periyodundan bahsedilmektedir. İsveç enroute hava sahasında yer alan bir sektörü modellenerek, ilk olarak “conflict” geometrisine yönelik çalışmalar yapılmakta ve YZ tarafından pilotlara önerilen çözümlemeler ve talimatlara yönelik geri bildirimler toplanmaktadır. Çoklu senaryo deneyimlerinde farklı “conflict” tiplerini analiz ederek yatay ya da dikeyde çözümlemeler yapabilmek için özelleştirilen Autoplanner, kural tabanlı bir çalışma mantığı gözetmektedir. Dikey 1000 feet ve yatayda ise 1 nm fazladan “buffer” oluşturarak 6 nm'lik minimaları hesaba katarak emniyetli ayırmalar sağlamaktadır. Belirli bir operasyonel başarım kazandıktan sonra projenin diğer evrelerinde meteorolojik değişkenlerin ve tahditli sahaların da denkleme katılacağı, stokastik olarak çalışabilen ve makine öğrenmesinden istifade edebilen bir YZ modeline geçiş planlanmaktadır. Halihazırda Autoplanner 2 olarak devam eden süreçte ATCO’nun görevlerinin büyük bir bölümünü asiste etmenin yanı sıra “tactical” fonksiyonları da yerine getirebilmek için araştırmalar devam etmektedir. Projenin ilk aşamasına odaklanan aşağıdaki tanıtım videosuna göz atabilirsiniz.

ATM ve ATC’nin HMI (Human Machine Interface) sistemler olduğu düşünüldüğünde YZ entegrasyonunun ne ölçüde başarılı olabileceği, sadece teknik problemlerle sınırlı değildir. Makine öğrenmesi algoritmalarında sıklıkla tercih edilen “Trial and error” yaklaşımının YZ kullanımında ana destek noktalarından biri olması, ciddi tartışmaları da beraberinde getirmektedir. Tekrarlayan görevler için YZ işlevsel çözümler sunup ATCO iş yükünü azaltabilse de özellikle belirsizlik durumları ve acil durum senaryolarının yönetiminde yeni koşullara çok daha hızlı adapte olabilen ATCO; karar alma mekanizması, esnekliği ve doğaçlama yetenekleriyle de operasyonun başat unsuru olma rolünü sürdürmektedir.

Bir yazı dizisi olarak yayınlamayı tasarladığım "ATM özelinde Otomasyon ve YZ" konseptine ilgi duyanlar birinci ve ikinci bölüm için bağlantılara tıklayabilirler.  Ayrıca Otomasyon ve Yapay Zekâ (YZ) Kullanımının ATM Özelinde Etkileri ve ATCO İnsan Faktörleri Açısından Değerlendirilmesi başlıklı makaleye de göz atabilirsiniz. (alert-warning)