Hava Trafik Yönetiminde (ATM) Yapay Zeka (YZ): 10 Yıllık Trend Analizi

Hava Trafik Yönetimi (ATM) çerçevesinde Yapay Zeka (YZ) uygulamalarının evrimini inceleyen Degas ve arkadaşlarının kapsamlı çalışması, son on yılda bu alandaki akademik ve operasyonel ilginin çarpıcı büyümesini özetliyor. Çalışmanın esas amacı, YZ’nin ATM içindeki gelişimini, eğilimlerini ve ICAO'nun Küresel Hava Seyrüsefer Planı (GANP) hedefleriyle uyumlu potansiyel projeksiyonlarını sistematik biçimde ortaya koyabilmek şeklinde özetleniyor. 2010–2021 dönemlerini kapsayan İngilizce ve hakemli yayınları beş temel havacılık kaynağı üzerinden inceliyor (CRAT, ATM Seminar, Transportation Research Part C, Journal of Air Transport Management ve IEEE Transactions on Intelligent Transportation Systems). Bulgulara göre 2010 yılından bu yana YZ odaklı yayınlar üç katına çıkmış durumda; özellikle 2014-2018 yılları arasındaki zirvelerden sonra da ikiye katlanmış olarak karşımıza çıkıyor. Çalışma, YZ/ATM literatürünü dört stratejik görev ekseninde kategorize ediyor: 

1) Prediction
2) Optimisation/Automation, 

3) Analysis, 

4) Modelling/Simulation.

Yazarların sınıflandırması açısından "Prediction" gelecekteki durumu öngörmeye; "Optimisation/Automation" sistemi belirli kriterlere göre iyileştirmeye veya otomatikleştirmeye; "Analysis" süregelen dinamikleri anlamaya; "Modelling/Simulation" ise ATM sistem modellemeye ve simüle etmeye karşılık geliyor.

Çalışmanın ana fikrini daha iyi anlayabilmek ve YZ/ATM trendini havacılık profesyonelleri perspektifinden doğru okuyabilmek için aşağıdaki diyagramlara göz atalım:

Grafik 1: Yayınların Kaynak Türüne Göre Yıl Ekseninde Dağılımı: 2010-2021 yılları arasında dergi ve konferans yayınlarının miktarını gösteren grafikte, her iki kaynak türünde de doğrusal bir artış trendi göze çarpmaktadır. Yazarlar bu muazzam büyümeyi, yapay zeka topluluğunda gelişen ve yaygınlaşan scikit-learn, TensorFlow ve Keras gibi açık kaynaklı makine öğrenimi (ML) araçlarının, havacılık araştırmacıları için model geliştirmeyi daha erişilebilir hale getirmesine bağlıyor. Özellikle tahmin (prediction) ve optimizasyon algoritmalarının ATM sistemlerine entegrasyonu safhalarında bunun etkisini vurguluyorlar. Yazarların da not ettiği gibi, 2010 yılı öncesine ait trend analizi bu çalışmanın bir parçası değil; ancak farklı araştırmalarda 4D yörünge optimizasyonuna (trajectory optimisation) dayalı bir YZ trendinin 2010 öncesinde de baskın olduğu görülüyor.

Grafik 2: Kategorilerin Yıllık Yayın Sayısındaki Gelişimi: Dört ana kategorinin (Tahmin, Optimizasyon, Analiz, Simülasyon) yıllara göre evrimini sunan veriler incelendiğinde, toplam yayın sayısı 2021'e doğru 70'i aşarak devasa bir ivme yakalamıştır. Tahmin algoritmaları bu operasyonel büyümenin başını çekerken, hava sahası verimliliğini hedefleyen Optimizasyon onu yakından takip etmektedir. (Prediction kategorisi 2013–2020 arasında yaklaşık üç kat büyürken, Optimisation/Automation aynı dönemde yaklaşık iki kat büyüyor.)

Grafik 3: Yayınların Kategorilere Göre Dağılımı: Makalelerin oransal dağılımını gösteren pasta grafik, literatürün mevcut odak noktasını netleştirmektedir. Tahmin (%37, 120 makale) ve Optimizasyon (%30, 96 makale) kategorileri, toplam çalışmaların tam üçte ikisini kaplar. Geri kalan kısmı Analiz (%21, 69 makale) ve Simülasyon (%12, 39 makale) oluşturur. Özetle, incelenen literatürün yaklaşık üçte ikisi, sektördeki darboğazları (bottlenecks) önceden öngörmek veya operasyonel verimliliği maksimize edecek şekilde sistemi optimize etmek üzerine kuruludur.

Stratejik Çıkarımlar ve Ek Notlar: 2010–2021 arasında yayın sayısının artması, YZ'nin ATM'de operasyonel olarak tam anlamıyla olgunlaştığı anlamına gelmiyor. Zira YZ’nin ATM son kullanıcılarına (örneğin taktiksel olarak çalışan kontrolörlere) henüz tam olarak ulaşmadığı; bunun başlıca nedenlerinden birinin ATM'nin doğası gereği emniyet-kritik (safety-critical) bir yapıya sahip olması ve havacılık otoritelerinin katı sertifikasyon gereksinimleri olduğu belirtiliyor.

Makale ayrıca, YZ tabanlı analiz çalışmalarının büyük kısmının "açıklanabilirlik" (explainability - XAI) faktöründen yoksun olduğunu vurgulayarak; hesap verebilirliği düşük kara kutu (black box) YZ modellerinin, havacılık emniyeti  açısından taşıdığı potansiyel risklerin altını çizmektedir.

Bu çalışmanın kapsama alanı dışında kalan özellikle 2022 yılı sonrası yetenekli LLM modellerin ortaya çıkışı ATM ve ATC alanındaki YZ trendini ve kullanılan araçları farklılaştırabilir. LLM'nin rolü kararı üretmekten çok kararı açıklanabilir hale getirmek olabilir. Bu sayede XAI kavrayışı da gelişebilir. LLM kullanım senaryolarını detaylı inceleyebilmek için gelecek yazıları takip ediniz.

Kaynaklar:
- A. Degas et al., "A Survey on Artificial Intelligence (AI) and eXplainable AI in Air Traffic Management: Current Trends and Development with Future Research Trajectory," Applied Sciences, vol. 12, no. 3, p. 1295, 2022, doi: 10.3390/app12031295. (alert-passed)