💻 computer science

Artificial Intelligence-Driven Flight Disruption Management: A Scoping Review and Critical Evidence Synthesis for Predictive Decision Support in Airline Operations Control Centers

تجمع هذه المراجعة النطاقية الأدلة حول إدارة اضطرابات الرحلات الجوية المدفوعة بالذكاء الاصطناعي، كاشفةً أنه بينما نضجت أساليب التنبؤ والتعافي الرياضي، لا تزال هناك فجوة حرجة في ترجمة التوقعات عالية الدقة إلى دعم اتخاذ قرار قابل للتنفيذ، وقابل للتفسير، ومدرك لعدم اليقين لمراكز التحكم في عمليات شركات الطيران في العالم الحقيقي.

المؤلفون الأصليون: Jamil Akhtar

نُشر 2026-08-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jamil Akhtar

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تتبع آلاف الطائرات كل يوم جدولاً يبدو كشبكة مثالية على الخريطة، لكنه في الواقع ليس سوى نسيج هش من الارتباطات. فالرحلة التي تغادر لندن ليست مجرد طائرة تنتقل من النقطة (أ) إلى النقطة (ب)؛ بل هي حلقة في سلسلة تشمل الطاقم الذي سيقودها، والركاب المتصلين بوجهات أخرى، وفحوصات الصيانة التي تنتظر في المحطة التالية، وبوابات المطارات التي يجب أن تكون جاهزة. وعندما تضرب عاصفة، أو تظهر مشكلة ميكانيكية، أو يمرض أحد أفراد الطاقم، فإن هذا الاضطراب المنفرد لا يبقى معزولاً، بل يمتد كالموجة ليسبب سلسلة من التأخيرات التي يمكن أن تشل شبكة بأكملة. إن إدارة هذه اللحظات من الفوضى هي مهمة مركز مراقبة عمليات شركات الطيران، وهو مركز قيادة عالي المخاطر حيث يتعين على الفرق اتخاذ قرارات سريعة ومعقدة لاستعادة النظام مع الحفاظ على سلامة الجميع والالتزام بالقوانين. ولسنوات طويلة، تطلعت الصناعة إلى الذكاء الاصطناعي للمساعدة في حل هذا اللغز، آملة أن تتمكن الحواسيب من التنبؤ بالتأخيرات قبل وقوعها واقتراح أفضل طريقة لمعالجتها.

تراجع مراجعة علمية حديثة، بقيادة جميل أختر، مدى التقدم الذي وصلت إليه هذه التكنولوجيا وأين لا تزال تقصر. لا تختبر الدراسة برنامجاً حاسوبياً جديداً أو تجري محاكاة لشركة طيران معينة، بل تعمل بمثابة خريطة نقدية للمشهد الحالي، حيث تجمع وتحلل الأدبيات الأساسية التي حاولت تطبيق التعلم الآلي والرياضيات المتقدمة على اضطرابات الطيران. وقد نظر الباحثون في كل شيء، بدءاً من التنبؤ بمدة تأخر الرحلة وصولاً إلى كيفية إعادة توزيع أطقم الطيران والركاب عند انهيار الجدول الزهني. أرادوا معرفة ما إذا كانت الأدوات التي تُبنى في الجامعات والمختبرات جاهزة بالفعل للاستخدام من قبل الأشخاص الجالسين في مراكز المراقبة، الذين يتعين عليهم اتخاذ قرارات مصيرية تحت الضغط.

تجد المراجعة أنه بينما أصبحت التكنولوجيا الخاصة بالتنبؤ بالتأخير متطورة للغاية، إلا أن هناك فجوة كبيرة بين تقديم تنبؤ جيد واتخاذ قرار جيد. فقد طور العلماء نماذج يمكنها النظر في أنما الأرصاد الجوية، وحركة المرور في المطارات، وسجلات الطيران السابقة لتخمين احتمالية تأخر رحلة ما بدقة عالية. ومع ذلك، فإن معرفة أن رحلة ما ستتأخر ليست سوى الخطوة الأولى؛ فالتحدي الحقيقي يكمثل في تحديد ما يجب فعله حيال ذلك. قد يتنبأ الحاسوب بشكل صحيح بتأخير ما، ولكن إذا لم يتمكن أيضاً من تحديد أي أفراد الطاقم لا يزالون مؤهلين قانونياً للطيران، وأي ركاب يحتاجون إلى إعادة حجز، وأي طائرات يمكن استبدالها دون خرق قواعد السلامة، فإن هذا التنبؤ لن يكون مفيداً للغاية لمدير العمليات. وتشير الدراسة إلى أن العديد من الأنظمة الحالية تتوقف عند مرحلة التنبؤ، تاركة العمل الصعب لإيجاد الحل للخبراء البشريين.

إن أحد أهم الاكتشافات في المراجعة هو أن الدقة لا تعني بالضرورة القيمة. فقد يكون النموذج الحاسوبي بارعاً في تخمين عدد الدقائق الدقيق الذي ستتأخر فيه الرحلة، ولكن إذا جاء هذا التخمين في وقت متأخر جداً لتغيير النتيجة، أو إذا اقترح حلاً يستحيل تنفيذه، فإنه يكون قد فشل في تحقيق غرضه. ويجادل الباحثون بأن الصناعة ركزت أكثر مما ينبغي على جعل النماذج أكثر دقة، وليس بما يكفي لجعلها عملية. ويشيرون إلى أن النظام لا تكمن جودته إلا في قدرته على التعامل مع الواقع الفوضوي وغير المتوقع لعمليات الطيران، حيث تكون البيانات غالباً غير مكتملة، والقواعد صارمة، والوقت ينفد.

كما تسلط المراجعة الضوء على خطر الاعتماد المفرط على الأنظمة الآلية دون فهم كيفية عملها. ففي بيئة مراكز العمليات عالية الضغط، يحتاج الموزع البشري إلى معرفة السبب وراء اقتراح الحاسوب لإجراء معين؛ إذ يحتاجون إلى رؤية المنطق، وفهم المخاطر، وامتلاك السلطة لتجاوز الآلة إذا شعروا بأن شيئاً ما خاطئ. وتجد الدراسة أن العديد من أنظمة الذكاء الاصطناዊ المتقدمة، وخاصة تلك التي تستخدم تقنيات التعلم العميق المعقدة، تعمل مثل "الصناديق السوداء"، حيث تقدم إجابات دون تفسيرات واضحة. وهذا النقص في الشفافية يجعل من الصعب على المشغلين البشريين الثقة في النظام، خاصة عندما تكون المخاطر مرتفعة. ويقترح الباحثون أن النهج الأكثر فعالية ليس استبدال صناع القرار البشر بالذكاء الاصطناعي، بل استخدام الذكاء الاصطناعي كمساعد قوي يسلط الضوء على المخاطر ويقترح الخيارات، مع ترك القرار النهائي للمهنيين المدربين.

وبالنظر إلى المستقبل، تقترح المراجعة مساراً جديداً للصناعة. فبدلاً من السعي وراء خوارزمية التنبؤ المثالية، يجب على الباحثين وشركات الطيران التركيز على بناء أنظمة تربط بين التوقعات والإجراءات الممكنة. وهذا يعني إنشاء أدوات يمكنها أخذ التنبؤ بالتأخير وإظهار الرحلات اللاحقة التي ستتأثر فوراً، وأطقم الطيران التي ستنفد مهلتها، وما هي خيارات التعافي القانونية والآمنة. وتؤكد الدراسة أنه قبل أن يمكن الوثوق بهذه الأدوات في الحياة الواقعية، يجب اختبارها بطرق تتجاوز مجرد المحاكاة الحاسوبية؛ إذ يجب تقييمها في سيناريوهات واقعية، والتحقق من كيفية تعاملها مع التغييرات غير المتوقعة، والتحقق من صحتها من قبل الأشخاص الذين سيستخدمونها بالفعل. وإلى أن يحدث ذلك، سيظل وعد الذكاء الاصطناعي في عمليات الطيران مجرد وعد، ينتظر الوفاء به من خلال سد الفجوة بين ما يمكن للحواسيب التنبؤ به وما يمكن للبشر القيام به فعلياً.

أبحاث مشابهة