Semi-Automated Knowledge Engineering and Process Mapping for Total Airport Management

Diese Arbeit stellt einen methodischen Rahmen vor, der symbolisches Wissensengineering mit generativen Large Language Models kombiniert, um einen maschinenlesbaren Wissensgraphen für das Total Airport Management zu erstellen, der durch eine hybride Strategie aus probabilistischer Entdeckung und deterministischer Verankerung sowohl komplexe Prozessabhängigkeiten erfasst als auch die für den Flughafenbetrieb erforderliche absolute Nachvollziehbarkeit gewährleistet.

Das Wesentliche

Stellen Sie sich einen riesigen Flughafen wie eine riesige, geschäftige Küche vor. In dieser Küche arbeiten viele verschiedene Teams: die Piloten, die Kellner (Bodenpersonal), die Köche (Wartungsteams) und die Manager. Das Problem ist: Jeder spricht eine eigene Sprache, benutzt eigene Wörter für dieselben Dinge und schreibt seine Rezepte in unterschiedliche Notizbücher.

Wenn ein Flugzeug landet, muss alles perfekt zusammenarbeiten. Aber weil die Informationen in getrennten Schubladen (den sogenannten "Datensilos") liegen und niemand genau weiß, wer was wann tun muss, kommt es zu Missverständnissen. Ein berühmtes Beispiel aus der Geschichte ist das Unglück auf Teneriffa, bei dem ein Missverständnis über das Wort "Start" zu einer Katastrophe führte.

Was machen die Autoren dieses Papers?

Sie haben einen neuen, halb-automatischen "Übersetzer und Organisator" entwickelt, der diese chaotischen Notizbücher in eine klare, digitale Landkarte verwandelt. Diese Landkarte nennen sie einen Wissensgraphen (Knowledge Graph).

Hier ist, wie sie das gemacht haben, einfach erklärt:

1. Der Baumeister und der Künstler (Die Methode)

Stellen Sie sich vor, Sie wollen ein riesiges Puzzle aus tausenden von unsortierten Zeitungsartikeln über Flughäfen zusammenfügen.

• Der Baumeister (Experten-Wissen): Zuerst haben die Autoren ein strenges Regelwerk erstellt. Das ist wie ein fertiger Puzzlerahmen. Er sagt: "Wir wissen genau, dass ein 'Flugzeug' auf einer 'Startbahn' steht und dass 'Bodenpersonal' dafür sorgt, dass es 'betankt' wird."
• Der Künstler (Künstliche Intelligenz): Dann haben sie eine sehr starke KI (ein sogenanntes "Large Language Model" oder LLM) geholt. Diese KI ist wie ein geniales, aber manchmal etwas träumerisches Künstler, das schnell Texte lesen und Zusammenhänge erkennen kann.

Das Geniale an ihrem System ist die Kombination: Der Baumeister gibt dem Künstler die Regeln vor. Die KI darf nicht einfach erfinden, was sie will (was bei KI oft passiert und gefährlich wäre), sondern sie muss ihre Antworten innerhalb des festgelegten Rahmens des Baumeisters finden. So wird aus dem "träumerischen" KI-Antwort eine präzise, überprüfbare Landkarte.

2. Das große Rätsel: Ganzes Buch oder nur eine Seite?

Die Forscher haben etwas Überraschendes herausgefunden. Normalerweise denken wir: "Wenn ich einer KI zu viel Text auf einmal gebe, wird sie verwirrt und vergisst die Mitte." (Man nennt das "Lost-in-the-Middle"-Problem).

Sie haben getestet:

• Variante A: Die KI liest nur eine Seite des Handbuchs nach der anderen.
• Variante B: Die KI liest das ganze Handbuch (16 Seiten) auf einmal.

Das Ergebnis: Die KI war viel besser, wenn sie das ganze Buch auf einmal las! Warum? Weil im Flughafen-Leben oft Dinge erwähnt werden, die erst später erklärt werden. Wenn die KI nur eine Seite liest, verliert sie den Faden. Wenn sie das ganze Buch sieht, versteht sie den Zusammenhang besser und macht weniger Fehler.

3. Die "Fährte" (Nachvollziehbarkeit)

Das Wichtigste an diesem System ist die Sicherheit. In der Luftfahrt kann man sich nicht auf "vielleicht" verlassen.
Wenn die KI sagt: "Das Personal muss das Flugzeug betanken", muss das System sofort zeigen können: "Hier ist der Satz im Original-Handbuch, Seite 4, Zeile 12, der das beweist."

Stellen Sie sich vor, die KI hinterlässt bei jeder ihrer Aussagen eine digitale Fußspur. So kann jeder Prüfer nachvollziehen, woher die Information kommt. Das verhindert, dass die KI etwas aus der Luft greift (Halluzinationen).

4. Das Endergebnis: Der "Schwimmbahn"-Plan

Am Ende nimmt das System diese digitale Landkarte und verwandelt sie automatisch in einen Schwimmbahn-Plan (Swimlane Diagram).
Stellen Sie sich einen Fluss vor, der in mehrere parallele Bahnen unterteilt ist. Jede Bahn gehört einem Team (z. B. Piloten, Bodenpersonal, Tankwagen). Der Plan zeigt genau:

• Wer macht was?
• Wann muss es passieren?
• Wer ist dafür verantwortlich?

Das macht die komplexe Zusammenarbeit für alle Beteiligten sofort sichtbar und verständlich.

Zusammenfassung

Dieses Paper beschreibt einen Weg, wie wir aus chaotischen, unübersichtlichen Flughafendokumenten eine klare, maschinenlesbare und überprüfbare Landkarte der Abläufe erstellen können.

Es ist wie der Unterschied zwischen einem Haufen loser Zettel in einer Schublade und einem perfekten, digitalen Navigationsgerät, das nicht nur den Weg zeigt, sondern auch genau anzeigt, woher die Route stammt. Das Ziel ist es, die Kommunikation zwischen allen Beteiligten zu verbessern, Fehler zu vermeiden und den Flughafen sicherer und effizienter zu machen – ganz im Sinne der "Total Airport Management" (TAM) Idee.

Technische Zusammenfassung

1. Problemstellung

Die Dokumentation von Flughafenbetrieben ist aufgrund einer Vielzahl von Faktoren inhärent komplex:

• Daten-Silos und semantische Inkonsistenzen: Informationen sind über verschiedene Stakeholder (Fluggesellschaften, Bodenpersonal, Lotsen) verteilt und oft in unterschiedlichen Formaten (Spreadsheets, Datenbanken, technische Berichte) gespeichert.
• Terminologische Barrieren: Fachjargon führt zu Missverständnissen, wenn verschiedene Akteure denselben Begriff unterschiedlich verwenden (ein Faktor, der historisch zu Katastrophen wie dem Unfall auf Teneriffa 1977 beitrug).
• Mangelnde Nachvollziehbarkeit: Bestehende Large Language Models (LLMs) funktionieren oft als „Blackbox". Für sicherheitskritische Anwendungen im Luftverkehr ist jedoch eine absolute Nachvollziehbarkeit (Provenance) und die Rückverfolgbarkeit jeder Information zur ursprünglichen Quelle zwingend erforderlich.
• Fehlende Automatisierung: Es gibt derzeit keine vollständig autonomen Frameworks, die aus unstrukturierten Texten verifizierbare, formale Wissensgraphen (Knowledge Graphs, KGs) und Prozesskarten erstellen, ohne extensive manuelle Eingriffe.

2. Methodik

Das Paper stellt ein methodisches Framework vor, das symbolisches Knowledge Engineering (KE) mit generativen LLMs in einer zweistufigen, gestützten Fusionsstrategie (Scaffolded Symbolic Fusion) kombiniert:

• Architektur:

  1. Operational Data Ingestion: Verarbeitung unstrukturierter Textkorpora (hier: das EUROCONTROL A-CDM-Handbuch mit 16 Meilensteinen).
  2. Scaffolded Symbolic Fusion: Ein von Experten kurierter Wissensgraph (basierend auf der NASA ATM-Ontologie) dient als strukturelle Beschränkung. Er generiert hochpräzise Prompts und Few-Shot-Beispiele für das LLM. Dies zwingt das probabilistische Modell, sich an formale logische Schemata zu halten.
  3. LLM Knowledge Extraction: Nutzung der LangExtract-Bibliothek zur Extraktion von Entitäten und Relationen (Triples).
  4. Operational Artifact Synthesis: Algorithmische Umwandlung des gefüllten KGs in maschinenlesbare Prozesskarten (Swimlane-Diagramme).

• Schlüsseltechniken:

  • Deterministische Verankerung: Jedes extrahierte Triple wird durch deterministische String-Abgleich-Algorithmen (text.find(), difflib.SequenceMatcher) direkt mit dem Quelltext verknüpft. Dies eliminiert Halluzinationen und gewährleistet eine lückenlose Provenance.
  • Kontextfenster-Optimierung: Das Framework vergleicht zwei Inferenzmodi:
    • Page-Level (Short-Context): Verarbeitung einzelner Seiten zur Maximierung der Aufmerksamkeitsdichte.
    • Document-Level (Long-Context): Verarbeitung des gesamten Dokuments (ca. 10k Tokens) in einem Durchgang.
  • Ontologie-Design: Der KG basiert auf einer modularen Offenlegungsstrategie (Layering), um proprietäre Daten zu schützen, und nutzt Klassen wie Procedure, Sequenced Item und Stakeholder mit Relationen wie hasNext und hasStakeholder.

3. Wichtige Beiträge

• Hybrider Ansatz: Die Überbrückung der Lücke zwischen „Blackbox"-Generativität und der Transparenz, die für operative Werkzeuge benötigt wird, durch die Kombination von symbolischen Strukturen und LLMs.
• Automatisierte Swimlane-Generierung: Ein Algorithmus (basierend auf einer modifizierten Breitensuche/BFS), der aus dem KG automatisch Prozessdiagramme erstellt, bei denen jeder Schritt einem spezifischen Stakeholder zugeordnet ist.
• Nachweis der Kontextfenster-Leistung: Widerlegung der gängigen Annahme, dass lange Kontextfenster in technischen Dokumenten zu Leistungsabfall führen. Das Paper zeigt, dass Dokument-Level-Verarbeitung bei nicht-linearen Prozessabhängigkeiten überlegen ist.
• Open Source: Bereitstellung eines Frameworks zur automatisierten Generierung von Prozessvisualisierungen mit Quellverankerung (GitHub-Link im Paper).

4. Ergebnisse

Die Evaluation erfolgte am EUROCONTROL A-CDM-Handbuch unter Verwendung von gemini-2.5-flash:

• Metriken:
  • Short-Context (Seitenweise): Precision (P) = 0,961, Recall (R) = 0,971, F1-Score = 0,966.
  • Long-Context (Dokumentweise): Precision (P) = 0,967, Recall (R) = 0,982, F1-Score = 0,975.
• Erkenntnisse:
  • Die Dokument-Level-Verarbeitung reduzierte False Negatives (FN) um 38,5 % (von 13 auf 8) im Vergleich zur Seitenweise-Verarbeitung.
  • Der Grund für die Verbesserung: Viele Prozessabhängigkeiten und logische Umkehrungen (z. B. wenn die Wirkung vor der Handlung beschrieben wird) erstrecken sich über mehrere Seiten. Ein großes Kontextfenster ermöglicht es dem Modell, diese nicht-linearen Abhängigkeiten korrekt zu rekonstruieren.
  • Provenance: 100 % der extrahierten Triples konnten erfolgreich auf ihre Quell-Sätze zurückgeführt werden.
  • Fehleranalyse: Die meisten Fehler traten bei „MATCH FUZZY" (semantische Abbildung) auf, während „MATCH EXACT" sehr robust war.

5. Bedeutung und Ausblick

• Total Airport Management (TAM): Das Framework liefert die notwendige hochpräzise Datenintegration, um die Ziele des TAM-Initiative (EUROCONTROL) zu unterstützen, indem es eine einzige, vorhersagbare „Wahrheitsquelle" für die Abstimmung von Airside- und Landside-Prozessen schafft.
• Sicherheitskritische Anwendung: Durch die explizite Verankerung jeder Information in autoritativen Quellen wird das Risiko von LLM-Halluzinationen minimiert, was den Einsatz in sicherheitskritischen Umgebungen erst ermöglicht.
• Zukünftige Arbeiten: Das Paper skizziert einen Weg zur Echtzeit-Verifikation von Betriebsabläufen durch die Fusion des KGs mit multimodalen Daten (Videoanalyse, Transponder-Signale), um Abweichungen von den standardisierten Prozessen automatisch zu erkennen und Korrekturprotokolle auszulösen.

Zusammenfassend stellt dieses Werk einen bedeutenden Schritt dar, um generative KI von reinen Chatbots zu verifizierbaren, operationalen Werkzeugen für komplexe, sicherheitskritische Infrastrukturen wie Flughäfen weiterzuentwickeln.