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

Cet article présente un cadre méthodologique semi-automatisé combinant l'ingénierie des connaissances symboliques et les grands modèles de langage pour construire des graphes de connaissances traçables et machine-readable, afin de surmonter les silos de données et les incohérences sémantiques qui entravent la gestion aéroportuaire totale.

L'essentiel

🛫 Le Problème : L'Aéroport est un "Babel" de Documents

Imaginez un aéroport comme une immense ville où des milliers de personnes travaillent ensemble : les pilotes, les agents au sol, les contrôleurs aériens, les équipes de nettoyage, etc.

Le problème, c'est que chacun parle sa propre langue technique et garde ses informations dans des tiroirs séparés (des "silos").

• Le pilote utilise un mot pour une procédure.
• L'agent au sol en utilise un autre pour la même chose.
• Les règles sont écrites dans des manuels épais, parfois contradictoires ou incomplets.

C'est comme si chaque département de l'aéroport avait son propre dictionnaire. Résultat ? Des malentendus dangereux. L'article rappelle la catastrophe de Tenerife en 1977, où un simple malentendu sur le mot "décollage" a coûté la vie à 583 personnes. Aujourd'hui, avec autant de données, on ne peut plus se permettre de perdre du temps à chercher l'information ou de se tromper de procédure.

🧠 La Solution : Un "Super-Traducteur" avec une Mémoire Parfaite

Les chercheurs de l'Université de Technologie de Singapour ont créé un système pour résoudre ce chaos. Ils appellent cela un Graphe de Connaissances (Knowledge Graph).

Pour faire simple, imaginez que vous voulez transformer une bibliothèque de manuels techniques illisibles en un plan de métro interactif et parfait.

Voici comment leur système fonctionne, étape par étape :

1. Le "Scaffolding" (L'Échafaudage)

Normalement, si on demande à une Intelligence Artificielle (IA) de lire un manuel d'aéroport, elle risque d'inventer des choses (ce qu'on appelle des "hallucinations"). C'est trop dangereux pour la sécurité.

Pour éviter cela, les chercheurs ont construit un échafaudage (une structure rigide) basé sur des règles strictes définies par des experts humains.

• L'analogie : Imaginez que vous donnez un jeu de construction LEGO à un enfant (l'IA). Au lieu de lui dire "construis ce que tu veux", vous lui donnez un modèle précis (l'échafaudage) et lui dites : "Tu as le droit de construire uniquement avec ces pièces et dans cet ordre".
• Cela force l'IA à rester dans le cadre des règles de l'aéroport et à ne pas inventer de fausses procédures.

2. Le "Super-Lecteur" (LangExtract)

Ils utilisent une IA spéciale (appelée LangExtract) pour lire les documents.

• Le défi : Souvent, quand on donne un très long texte à une IA, elle oublie le début quand elle arrive à la fin (comme si vous lisiez un livre de 500 pages et que vous oubliiez le chapitre 1 quand vous arrivez au chapitre 50).
• La découverte surprenante : Les chercheurs pensaient qu'il fallait couper le texte en petits morceaux pour que l'IA se concentre. Mais ils ont découvert le contraire ! En laissant l'IA lire tout le document d'un coup, elle comprend mieux les liens cachés entre le début et la fin. C'est comme si, en voyant toute la carte d'un voyage, on comprenait mieux pourquoi le pilote a pris telle décision au début du trajet.

3. La Preuve de Traçabilité (Le "Sceau de Vérité")

C'est le point le plus important pour la sécurité.

• Dans un système classique, l'IA vous donne une réponse, mais vous ne savez pas d'où elle vient. C'est une "boîte noire".
• Ici, chaque information extraite est collée à son origine. Si le système dit "Le bagage doit être chargé avant le décollage", il affiche immédiatement la phrase exacte du manuel officiel qui le prouve.
• L'analogie : C'est comme si, dans un documentaire, chaque affirmation était suivie d'une note de bas de page précise : "Voir page 42, paragraphe 3". On ne peut pas mentir, car on peut toujours vérifier la source.

🗺️ Le Résultat : Des Plans Visuels Automatiques

Une fois que l'IA a lu tous les documents et créé ce "plan de métro" numérique (le Graphe de Connaissances), elle peut générer automatiquement des diagrammes de "voies" (swimlane diagrams).

• À quoi ça ressemble ? Imaginez un dessin où chaque "voie" horizontale représente un acteur (Pilote, Agent de sol, Contrôleur). Les flèches montrent qui fait quoi et dans quel ordre.
• L'avantage : On voit instantanément qui est responsable de quelle tâche. Si une tâche n'a pas de propriétaire, le système le signale. Cela permet de former les nouveaux employés et d'éviter les oublis.

🚀 Pourquoi c'est important pour l'avenir ?

Ce système est une première étape vers la Gestion Totale de l'Aéroport (TAM).

• Aujourd'hui, l'IA aide à lire les manuels.
• Demain, ce système pourra se connecter aux caméras et aux radars en temps réel. Si un agent au sol oublie une étape (par exemple, ne pas vérifier le carburant), le système pourra le voir, comparer cela avec le "plan parfait" qu'il a créé, et alerter immédiatement les responsables.

En Résumé

Ce papier explique comment ils ont appris à une IA à lire les manuels d'aéroport sans jamais inventer de mensonges, en lui donnant des règles strictes et en lui permettant de lire les documents en entier pour mieux comprendre le contexte. Le résultat est une base de données ultra-fiable qui transforme des textes ennuyeux en plans d'action clairs, traçables et sûrs, pour éviter les erreurs humaines et sauver des vies.

Résumé technique

1. Problématique

La gestion des opérations aéroportuaires se heurte à une complexité inhérente due à plusieurs facteurs :

• Terminologie technique et réglementations rigoureuses : La documentation est dense et sujette à des interprétations variables.
• Silos de données et incohérences sémantiques : Les informations sont dispersées entre de multiples parties prenantes (compagnies aériennes, gestionnaires de sol, contrôleurs aériens), souvent enfermées dans des formats non structurés (rapports techniques, feuilles de calcul).
• Risques opérationnels : L'absence de terminologie standardisée peut entraîner des erreurs de communication graves, comme illustré par le désastre de Tenerife en 1977.
• Limites des IA génératives actuelles : Bien que les Grands Modèles de Langage (LLM) soient puissants, leur nature probabiliste (« boîte noire ») pose un problème critique pour l'aviation : l'absence de traçabilité des sources (provenance des données) et le risque d'hallucinations rendent leurs sorties inacceptables pour des systèmes de sécurité critiques.

L'objectif est de créer un Graphe de Connaissance (KG) machine-lisible, fidèle et traçable, capable de synthétiser des flux de travail opérationnels complexes à partir de textes non structurés, en alignement avec l'initiative de Gestion Totale de l'Aéroport (TAM).

2. Méthodologie

L'article propose un cadre méthodologique basé sur une stratégie de fusion symbolique échafaudée (scaffolded symbolic fusion), combinant l'ingénierie des connaissances (KE) traditionnelle et les LLM.

• Architecture en deux étapes :

  1. Ingestion et Structuration : Les données opérationnelles (ici, le manuel des 16 jalons A-CDM de l'EUROCONTROL) sont nettoyées. Un schéma de KG formel, basé sur l'ontologie NASA ATM et les cartes Petri de l'aéroport de Changi, sert de contrainte structurelle.
  2. Extraction par LangExtract : Le cœur du système utilise la bibliothèque LangExtract. Contrairement à une extraction LLM pure, cette approche utilise le KG expert pour générer des prompts et des exemples few-shot structurés. Cela guide le LLM pour qu'il extraye des triplets (sujet, prédicat, objet) strictement conformes au schéma sémantique.

• Gestion du contexte et de la provenance :

  • L'étude compare deux modes d'inférence : par segment (page par page) et au niveau du document (texte complet).
  • Pour garantir la traçabilité absolue, le système fusionne la sortie probabiliste du LLM avec des algorithmes déterministes d'alignement de chaînes de caractères (text.find(), difflib.SequenceMatcher). Chaque triplet extrait est ancré à sa phrase source exacte, éliminant le risque d'hallucination non vérifiable.

• Synthèse d'artefacts opérationnels :

  • Le KG résultant est converti algorithmiquement en diagrammes de nageoires (swimlane diagrams). Un algorithme de tri topologique (BFS) détermine l'ordre des étapes, tandis que les nageoires sont assignées aux parties prenantes spécifiques, rendant les responsabilités explicites.

3. Contributions Clés

• Cadre de fusion symbolique : Une méthode innovante utilisant des structures KE expertes pour contraindre et guider les LLM, assurant à la fois la flexibilité de l'IA et la rigueur logique requise pour l'aviation.
• Validation empirique de l'inférence document-level : Contrairement aux observations antérieures suggérant une dégradation des performances des LLM sur de longs contextes (« lost-in-the-middle »), l'étude démontre que le traitement au niveau du document améliore la récupération des dépendances procédurales non linéaires.
• Traçabilité déterministe : Intégration native de la provenance des données à chaque étape, transformant un modèle de « boîte noire » en un système auditable où chaque affirmation est liée à une source textuelle vérifiable.
• Automatisation des visualisations : Génération automatique de diagrammes de processus attribués aux parties prenantes, facilitant la formation et l'analyse des écarts de responsabilité.

4. Résultats Expérimentaux

L'évaluation a été menée sur le manuel A-CDM (environ 10k tokens) en utilisant le modèle gemini-2.5-flash.

• Performance globale : Le système a atteint des scores supérieurs à 95 % pour la précision, le rappel et le F1-score dans les deux configurations.
  • Inférence Long-Context (Document complet) : Précision = 0,967, Rappel = 0,982, F1 = 0,975.
  • Inférence Short-Context (Par page) : Précision = 0,961, Rappel = 0,971, F1 = 0,966.
• Analyse comparative : Le traitement au niveau du document a réduit les faux négatifs (FN) de 38,5 % (passant de 13 à 8) par rapport au traitement par segment.
  • Explication : Les dépendances procédurales dans les documents aéroportuaires sont souvent non linéaires ou inversées (l'effet décrit avant la cause). Le contexte étendu permet au modèle de comprendre ces relations globales, là où le traitement par page échoue.
• Précision de la provenance : Tous les triplets extraits ont pu être mappés avec succès à leurs phrases sources, validant l'efficacité de la fusion entre sortie LLM et alignement déterministe.

5. Signification et Perspectives

Ce travail représente une avancée majeure pour l'intégration de l'IA dans des environnements critiques pour la sécurité.

• Opérationnalisation du TAM : Il fournit la base de données unifiée et traçable nécessaire pour synchroniser les performances airside et landside, un pilier de la gestion aéroportuaire totale.
• Confiance et Conformité : En résolvant le problème de la « boîte noire », la méthode rend les LLM acceptables pour la régulation et la prise de décision opérationnelle, car chaque résultat est auditable.
• Futur : Les auteurs envisagent d'étendre ce cadre à la vérification opérationnelle en temps réel, en fusionnant les données du KG avec des flux multimodaux (vidéos, signaux transpondeurs) pour détecter automatiquement les écarts par rapport aux procédures standard et initier des protocoles de récupération.

En résumé, l'article démontre qu'une approche hybride, combinant la rigueur de l'ingénierie des connaissances avec la puissance des LLM, permet de transformer des documents techniques complexes en modèles opérationnels intelligibles, traçables et actionnables pour l'industrie aéronautique.