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

Questo articolo presenta un quadro metodologico che combina ingegneria della conoscenza simbolica e modelli linguistici generativi per costruire una Knowledge Graph machine-readable, garantendo tracciabilità e veridicità nella mappatura dei processi complessi della gestione aeroportuale totale.

L'essenziale

Immagina che un aeroporto sia come una città gigantesca e frenetica, dove ogni quartiere (passeggeri, piloti, addetti al bagaglio, controllo del traffico aereo) parla una lingua leggermente diversa e ha le sue regole segrete.

Il problema è che, per far funzionare tutto in sicurezza, questi "quartieri" devono coordinarsi perfettamente. Ma spesso, le informazioni sono bloccate in dispersi archivi polverosi (fogli Excel, manuali cartacei, report tecnici) che nessuno riesce a leggere o collegare tra loro. È come se ogni quartiere avesse il proprio diario segreto, ma nessuno sapesse cosa c'è scritto negli altri. Questo porta a confusione e, in casi estremi, a disastri (come il famoso incidente di Tenerife, citato nel testo, causato da un malinteso tra piloti e torri di controllo).

Gli autori di questo paper, provenienti dall'Università di Tecnologia e Design di Singapore, hanno creato una soluzione intelligente per mettere ordine nel caos. Ecco come funziona, spiegato in modo semplice:

1. Il Grande Traduttore (La Mappa della Conoscenza)

Hanno costruito una "Mappa della Conoscenza" (chiamata Knowledge Graph). Immaginala come un'enorme mappa di Google per l'aeroporto, ma invece di strade e negozi, mostra chi fa cosa, quando e perché.

• Il problema: I computer tradizionali faticano a leggere i manuali tecnici pieni di parole complicate.
• La soluzione: Hanno usato un'intelligenza artificiale molto potente (un Large Language Model o LLM), simile a un assistente super-istruito che legge milioni di pagine in un secondo.

2. Il "Foglio di Copia" (La Strategia Ibrida)

C'è un rischio con questi assistenti AI: a volte "allucinano", cioè inventano cose che non esistono. In un aeroporto, inventare una procedura è pericolosissimo.
Per evitare questo, gli autori hanno usato una strategia geniale chiamata "Fusione Simbolica a Scaffale":

• Immagina di dare all'AI un foglio di esercizi già corretti (creato da esperti umani) prima di fargli fare il compito.
• L'AI non deve "indovinare" le regole; deve solo seguire il modello fornito dagli esperti. È come se l'AI fosse un apprendista che ha davanti a sé il manuale di istruzioni esatto e non può inventare nulla di nuovo. Questo garantisce che ogni informazione estratta sia veritiera e tracciabile.

3. La Lettura "Intera" vs. "A Pezzi"

C'era un dubbio: è meglio dare all'AI un intero libro da leggere tutto insieme, o spezzarlo in piccoli pezzi?

• La teoria: Si pensava che leggere tutto insieme confondesse l'AI (come se fosse troppo stanco per ricordare la fine del libro dopo aver letto la metà).
• La scoperta: Sorprendentemente, dare all'AI l'intero documento ha funzionato meglio! Perché? Perché nelle procedure aeroportuali, le cose sono collegate in modo non lineare (come un puzzle). Se leggi solo un pezzo, perdi il contesto. Leggere tutto permette all'AI di capire che "il bagaglio viene caricato prima del decollo", anche se nel testo queste due cose sono descritte in pagine diverse.

4. La Traccia Invisibile (Provenienza)

Questo è il punto più importante per la sicurezza. Ogni volta che l'AI scrive una cosa sulla mappa (es. "Il pilota deve parlare con il controllore"), il sistema attacca un adesivo che dice: "Questa informazione viene dalla pagina 42, paragrafo 3 del manuale ufficiale".
Se qualcuno dubita di quella informazione, può andare subito a controllare la fonte originale. Non c'è più il "mistero" di come l'AI abbia deciso quella cosa. È tutto trasparente e verificabile.

5. Il Risultato: Una Mappa Vivente

Alla fine, il sistema trasforma questi dati in diagrammi a corsie (come quelli che vedi nei film sui controlli di sicurezza, dove ogni persona ha la sua "corsia" di azione).

• Questi diagrammi mostrano chiaramente chi è responsabile di ogni passo.
• Se qualcosa va storto, si vede subito chi ha sbagliato o dove manca un passaggio.
• Tutto questo è automatizzato: il sistema legge i documenti vecchi e crea nuove mappe aggiornate in tempo reale.

In Sintesi

Gli autori hanno creato un ponte digitale tra i vecchi manuali cartacei e il futuro digitale degli aeroporti.
Hanno preso un'intelligenza artificiale potente, l'hanno "addomesticata" con regole rigide create da umani, e l'hanno usata per leggere migliaia di documenti tecnici. Il risultato è una mappa interattiva, sicura e verificabile che aiuta piloti, controllori e addetti a terra a lavorare insieme come un unico team, riducendo il rischio di errori e migliorando l'efficienza di tutto l'aeroporto.

È come se avessero dato a ogni aeroporto un cervello collettivo che non dimentica mai le regole, non si confonde con le lingue diverse e sa sempre esattamente da dove arriva ogni informazione.

Sommario tecnico

Titolo: Ingegneria della Conoscenza Semi-Automatizzata e Mappatura dei Processi per la Gestione Totale dell'Aeroporto (TAM)

1. Il Problema

La documentazione delle operazioni aeroportuali è intrinsecamente complessa a causa di tre fattori principali:

• Terminologia tecnica estesa e regolamenti rigorosi: Creano barriere semantiche tra i diversi stakeholder (compagnie aeree, gestori di terra, controllo del traffico aereo).
• Silos di dati e incoerenze semantiche: Le informazioni sono frammentate in sistemi isolati (fogli di calcolo, database, report tecnici), impedendo una visione olistica.
• Mancanza di tracciabilità nei modelli generativi: L'uso di modelli linguistici di grandi dimensioni (LLM) puri per l'estrazione di conoscenza introduce rischi di "allucinazioni" e mancanza di provenienza dei dati (data provenance), inaccettabili in ambienti critici per la sicurezza come l'aviazione.

L'obiettivo è colmare il divario tra la necessità di automazione nella gestione aeroportuale (Total Airport Management - TAM) e la richiesta di dati verificabili, tracciabili e semanticamente allineati.

2. Metodologia

Gli autori propongono un framework metodologico basato su una strategia di fusione simbolica a due stadi che combina l'Ingegneria della Conoscenza (KE) tradizionale con i LLM generativi. L'architettura si articola in quattro fasi principali:

• A. Ingestione dei Dati Operativi:

  • Elaborazione di corpora testuali non strutturati, specificamente il manuale EUROCONTROL A-CDM (Collaborative Decision-Making) che descrive 16 milestone per il turnaround degli aerei.
  • Pulizia e normalizzazione dei dati per risolvere inconsistenze nel gergo tecnico.

• B. Fusione Simbolica a Scaffale (Scaffolded Symbolic Fusion):

  • Utilizzo di un Knowledge Graph (KG) curato da esperti (basato sull'ontologia NASA ATM e sulle mappe Petri di Changi Airport) come vincolo strutturale.
  • Questo KG guida la generazione di prompt e di esempi few-shot per il LLM, assicurando che le entità e le relazioni estratte siano allineate semanticamente agli standard aeronautici.
  • Il sistema non si affida solo alla probabilità del modello, ma vincola l'output a una logica simbolica deterministica.

• C. Estrazione con LangExtract:

  • Utilizzo della libreria LangExtract per estrarre triple (soggetto, predicato, oggetto) dal testo.
  • Gestione del Contesto: L'articolo confronta due modalità di inferenza:
    1. Livello pagina (Short-context): Per massimizzare la densità di attenzione.
    2. Livello documento (Long-context): Per elaborare l'intero manuale (16 pagine, ~10k token) in un'unica passata.
  • Provenienza dei Dati: Ogni triple estratta è ancorata deterministicamente alla frase sorgente originale tramite algoritmi di allineamento stringa (es. text.find(), difflib.SequenceMatcher), garantendo la tracciabilità assoluta.

• D. Sintesi di Artefatti Operativi:

  • Conversione automatica del KG in diagrammi a corsie (swimlane diagrams).
  • Un algoritmo di ordinamento topologico (BFS) risolve le dipendenze procedurali e assegna ogni passo a uno stakeholder specifico, visualizzando il flusso di lavoro e le responsabilità.

3. Contributi Chiave

1. Framework di Fusione Ibrida: Integrazione sistematica di strutture KE simboliche (ontologie) con modelli generativi LLM per guidare l'estrazione di conoscenza, riducendo il rischio di allucinazioni.
2. Validazione del Processing a Lungo Contesto: Contrariamente alla letteratura esistente che suggerisce un degrado delle prestazioni ("lost-in-the-middle") nei LLM con contesti lunghi, lo studio dimostra che l'elaborazione a livello di documento migliora il recupero di dipendenze procedurali non lineari.
3. Tracciabilità Deterministica: Implementazione di un sistema che garantisce che ogni affermazione estratta sia verificabile contro la fonte testuale originale, soddisfacendo i requisiti di sicurezza dell'aviazione.
4. Generazione Automatica di Processi: Un pipeline automatizzato che trasforma dati testuali non strutturati in KG strutturati e successivamente in diagrammi di processo visuali attribuiti agli stakeholder.

4. Risultati Sperimentali

L'analisi è stata condotta sul manuale A-CDM di EUROCONTROL utilizzando il modello gemini-2.5-flash.

• Metriche di Prestazione:
  • Inferenza a Lungo Contesto (Documento completo): Precisione (P) = 0.967, Richiamo (Recall) = 0.982, F1-Score = 0.975.
  • Inferenza a Breve Contesto (Pagina singola): Precisione (P) = 0.961, Richiamo (Recall) = 0.971, F1-Score = 0.966.
• Analisi dei Risultati:
  • L'elaborazione a livello di documento ha ridotto i Falsi Negativi (FN) del 38,5% (da 13 a 8) rispetto all'approccio a pagina singola.
  • Il miglioramento è attribuito alla capacità del contesto esteso di comprendere le inversioni logiche nel testo (dove l'effetto è descritto prima della causa), un compito difficile per i modelli con contesto limitato.
  • La provenienza dei dati è stata verificata con successo: ogni triple estratta è stata mappata alla frase sorgente corretta, eliminando l'ambiguità tipica dei modelli "black-box".

5. Significato e Impatto

Questo lavoro rappresenta un passo fondamentale verso la Gestione Totale dell'Aeroporto (TAM):

• Sicurezza e Conformità: Fornisce un metodo per integrare l'IA generativa in ambienti critici per la sicurezza, risolvendo il problema della mancanza di trasparenza e tracciabilità.
• Interoperabilità: Crea un "fonte di verità" unificata e leggibile dalle macchine che sincronizza le prestazioni "airside" (pista) e "landside" (terminal), facilitando la collaborazione tra stakeholder disparati.
• Scalabilità Operativa: Dimostra che è possibile automatizzare la mappatura di processi complessi e la generazione di artefatti di analisi (come simulazioni e diagrammi di flusso) partendo da documentazione non strutturata, riducendo la dipendenza dalla curatela manuale e accelerando l'adozione di sistemi di supporto alle decisioni.

In sintesi, il paper propone una soluzione pratica per trasformare la conoscenza operativa aeroportuale frammentata in un sistema di conoscenza strutturato, verificabile e azionabile, abilitando un monitoraggio in tempo reale e una gestione proattiva delle operazioni aeroportuali.