همکاری پیشگامانه فوجیتسو لیمیتد و Headwaters Co., Ltd.، یک ارائه دهنده پیشرو راه حل های هوش مصنوعی، با موفقیت آزمایش های میدانی را با استفاده از هوش مصنوعی مولد به منظور متحول کردن ایجاد گزارش های تحویل برای شرکت هواپیمایی ژاپن (JAL) به پایان رساند. این آزمایشات، که از 27 ژانویه تا 26 مارس 2025 به طول انجامید، به طور واضح پتانسیل صرفه جویی قابل توجه در زمان و افزایش کارایی را نشان داده است.
چالش گزارش های تحویل
اعضای خدمه کابین JAL به طور سنتی زمان و تلاش قابل توجهی را صرف تدوین گزارش های تحویل جامع می کنند. این گزارش ها به عنوان یک مجرای مهم برای انتقال اطلاعات بین خدمه های متوالی کابین و کارکنان زمینی عمل می کنند و از جریان عملیاتی یکپارچه اطمینان می دهند. فوجیتسو و Headwaters با درک فرصت برای ساده سازی این فرآیند، تلاش مشترکی را برای استفاده از قدرت هوش مصنوعی مولد آغاز کردند.
یک راه حل جدید: هوش مصنوعی مولد آفلاین
فوجیتسو و Headwaters برای غلبه بر محدودیت های تکیه بر اتصال مداوم به ابر، Microsoft’s Phi-4 را انتخاب کردند، یک مدل زبانی فشرده (SLM) که به طور دقیق برای محیط های آفلاین بهینه شده است. این انتخاب استراتژیک امکان توسعه یک سیستم مبتنی بر چت را فراهم کرد که بر روی دستگاه های تبلت قابل دسترسی است و ایجاد گزارش کارآمد را هم در طول و هم پس از پروازها تسهیل می کند.
این آزمایشات شواهد قانع کننده ای را ارائه داده است که این راه حل نوآورانه به خدمه کابین قدرت می دهد تا گزارش های با کیفیت بالا تولید کنند و در عین حال زمان صرف شده برای ایجاد گزارش را به طور قابل توجهی کاهش دهند. این امر منجر به افزایش کارایی برای خدمه کابین JAL می شود و در نهایت به بهبود ارائه خدمات برای مسافران کمک می کند.
نقش ها و مسئولیت ها
موفقیت این ابتکار عمل مشترک به تخصص و مشارکت های متمایز هر شریک بستگی دارد:
فوجیتسو: این شرکت نقش مهمی در تطبیق Microsoft Phi-4 با الزامات خاص وظایف خدمه کابین ایفا کرد. فوجیتسو با استفاده از سرویس هوش مصنوعی Fujitsu Kozuchi خود، مدل زبانی را با استفاده از داده های گزارش تاریخی JAL به طور دقیق تنظیم کرد و از عملکرد و ارتباط بهینه اطمینان حاصل کرد.
Headwaters: Headwaters پیشگام توسعه یک برنامه هوش مصنوعی مولد خاص کسب و کار بود که توسط Phi-4 تقویت شده بود. Headwaters با استفاده از فناوری کوانتیزاسیون، امکان ایجاد گزارش یکپارچه را بر روی دستگاه های تبلت حتی در محیط های آفلاین فراهم کرد. علاوه بر این، مشاوران هوش مصنوعی آنها در طول پروژه پشتیبانی ارزشمندی را ارائه کردند، از جمله تجزیه و تحلیل گردش کار برای پیاده سازی هوش مصنوعی، پیاده سازی آزمایشی و ارزیابی، و مدیریت پیشرفت توسعه چابک. مهندسان هوش مصنوعی این شرکت همچنین یک محیط تنظیم دقیق برای Fujitsu Kozuchi ایجاد کردند و کمک های فنی برای بهینه سازی متناسب با محیط استفاده منحصر به فرد مشتری ارائه کردند.
بینش های صنعت
شینیچی میاتا، رئیس واحد کسب و کار راه حل های متقابل صنعت، گروه کسب و کار راه حل های جهانی، فوجیتسو لیمیتد، بر اهمیت این دستاورد تأکید کرد و گفت: “ما خوشحالیم که این نمونه از استفاده از هوش مصنوعی مولد در عملیات کابین هواپیماهای ژاپن را اعلام می کنیم. این اثبات مفهوم مشترک به پیشرفت هوش مصنوعی مولد در محیط های آفلاین کمک می کند و پتانسیل تغییر عملیات را در صنایع و نقش های مختلفی دارد که دسترسی به شبکه محدود است. موفقیت این همکاری معنادار نتیجه قابلیت های پیشنهادی استثنایی Headwaters همراه با تخصص فنی فوجیتسو است. با حرکت رو به جلو، ما متعهد به تقویت مشارکت خود برای حمایت از گسترش کسب و کار مشتریان خود و رسیدگی به چالش های اجتماعی هستیم.”
مسیر آینده
فوجیتسو و Headwaters با تکیه بر نتایج امیدوارکننده آزمایش های میدانی، متعهد به پیگیری آزمایش های بیشتر برای هموار کردن راه برای استقرار تولید برای JAL هستند. هدف نهایی آنها ادغام یکپارچه این راه حل در پلت فرم هوش مصنوعی مولد موجود JAL است.
علاوه بر این، فوجیتسو در نظر دارد SLM هایی را که به طور خاص برای انواع مختلف کار در Fujitsu Kozuchi طراحی شده اند، ادغام کند و تطبیق پذیری و قابلیت کاربرد سرویس هوش مصنوعی را بیشتر افزایش دهد.
فوجیتسو و Headwaters با هم به حمایت از تحول عملیاتی JAL از طریق کاربرد استراتژیک هوش مصنوعی، رسیدگی به چالش های مهم، ارتقای خدمات مشتری و مقابله با مسائل کل صنعت ادامه خواهند داد.
بررسی عمیق تر: رونمایی از تفاوت های ظریف پیاده سازی هوش مصنوعی
همکاری بین فوجیتسو و Headwaters برای افزایش کارایی عملیاتی JAL از طریق هوش مصنوعی یک مطالعه موردی قانع کننده در مورد چگونگی استفاده از فناوری پیشرفته برای رسیدگی به چالش های دنیای واقعی ارائه می دهد. بیایید عناصر کلیدی را که زیربنای موفقیت این پروژه بودند، تشریح کنیم و پیامدهای گسترده تر برای صنعت هوانوردی و فراتر از آن را بررسی کنیم.
1. انتخاب استراتژیک یک مدل زبانی کوچک (SLM)
تصمیم برای استفاده از Microsoft’s Phi-4، یک مدل زبانی کوچک (SLM)، به جای یک مدل زبانی بزرگ (LLM)، یک شاهکار استراتژیک بود. LLM ها، در حالی که از قابلیت های چشمگیری برخوردار هستند، معمولاً به منابع محاسباتی قابل توجهی و اتصال مداوم به سرورهای ابری نیاز دارند. این امر یک چالش مهم در محیط هایی ایجاد می کند که دسترسی به شبکه غیرقابل اعتماد است یا وجود ندارد، مانند طول پروازها.
SLM ها، از طرف دیگر، برای عملکرد کارآمد بر روی دستگاه هایی با قدرت پردازش و ظرفیت ذخیره سازی محدود طراحی شده اند. Phi-4، به طور خاص، به طور دقیق برای محیط های آفلاین بهینه شده است و آن را به یک انتخاب ایده آل برای پروژه JAL تبدیل کرده است. این رویکرد نه تنها تضمین می کند که خدمه کابین می توانند بدون توجه به در دسترس بودن شبکه به سیستم تولید گزارش مبتنی بر هوش مصنوعی دسترسی داشته باشند، بلکه وابستگی به زیرساخت ابری گران قیمت را نیز کاهش می دهد.
2. تنظیم دقیق برای خاص بودن دامنه
در حالی که SLM ها مزیت عملکرد آفلاین را ارائه می دهند، اغلب فاقد وسعت دانش و درک متنی همتایان بزرگتر خود هستند. برای رفع این محدودیت، فوجیتسو از سرویس هوش مصنوعی Kozuchi خود برای تنظیم دقیق Phi-4 با استفاده از داده های گزارش تاریخی JAL استفاده کرد.
تنظیم دقیق شامل آموزش یک مدل زبانی از پیش آموزش دیده بر روی یک مجموعه داده خاص برای بهبود عملکرد آن در یک کار خاص یا در یک دامنه خاص است. در این مورد، فوجیتسو با قرار دادن Phi-4 در معرض انبوهی از گزارش های گذشته JAL، مدل را قادر ساخت تا تفاوت های ظریف گزارشگری خدمه کابین، از جمله اصطلاحات خاص، قراردادهای قالب بندی و مسائل رایج مواجه شده در طول پروازها را بیاموزد.
این تنظیم دقیق خاص دامنه به طور قابل توجهی دقت و ارتباط گزارش های تولید شده توسط هوش مصنوعی را افزایش داد و اطمینان حاصل کرد که آنها الزامات دقیق رویه های عملیاتی JAL را برآورده می کنند.
3. فناوری کوانتیزاسیون برای افزایش کارایی
مشارکت Headwaters در این پروژه فراتر از توسعه برنامه مبتنی بر چت بود. این شرکت همچنین از فناوری کوانتیزاسیون برای بهینه سازی بیشتر عملکرد Phi-4 بر روی دستگاه های تبلت استفاده کرد.
کوانتیزاسیون یک تکنیک است که ردپای حافظه و الزامات محاسباتی یک شبکه عصبی را با نشان دادن پارامترهای آن با استفاده از بیت های کمتر کاهش می دهد. به عنوان مثال، به جای استفاده از اعداد ممیز شناور 32 بیتی، پارامترهای مدل ممکن است با استفاده از اعداد صحیح 8 بیتی نشان داده شوند.
این کاهش در دقت با هزینه اندکی از نظر دقت همراه است، اما این مصالحه اغلب از نظر سرعت بهبود یافته و مصرف حافظه کاهش یافته ارزشمند است. Headwaters با کوانتیزه کردن Phi-4 اطمینان حاصل کرد که مدل هوش مصنوعی می تواند به طور روان و کارآمد بر روی منابع محدود دستگاه های تبلت اجرا شود و یک تجربه کاربری یکپارچه را برای خدمه کابین فراهم کند.
4. توسعه چابک و تخصص مشارکتی
موفقیت پروژه JAL همچنین به روش توسعه چابکی که توسط Headwaters به کار گرفته شده بود و روحیه مشارکتی مشارکت فوجیتسو-Headwaters نسبت داده شد.
توسعه چابک بر توسعه تکراری، بازخورد مکرر و همکاری نزدیک بین ذینفعان تأکید دارد. این رویکرد به تیم پروژه اجازه داد تا به سرعت با الزامات در حال تغییر سازگار شود و به چالش های پیش بینی نشده رسیدگی کند.
تخصص مکمل فوجیتسو و Headwaters نیز برای موفقیت پروژه بسیار مهم بود. فوجیتسو درک عمیق خود از فناوری هوش مصنوعی و سرویس هوش مصنوعی Kozuchi خود را به ارمغان آورد، در حالی که Headwaters تخصص خود را در توسعه برنامه هوش مصنوعی، تجزیه و تحلیل گردش کار و مدیریت پروژه چابک ارائه کرد. این هم افزایی مهارت ها و دانش تیم را قادر ساخت تا یک راه حل واقعاً نوآورانه و موثر ایجاد کند.
پیامدهای گسترده تر برای صنعت هوانوردی
پروژه JAL نگاهی اجمالی به آینده هوش مصنوعی در صنعت هوانوردی ارائه می دهد. هوش مصنوعی با خودکارسازی وظایف معمول، مانند تولید گزارش، می تواند خدمه کابین را آزاد کند تا بر مسئولیت های مهم تر، مانند ایمنی مسافران و خدمات مشتری تمرکز کنند.
علاوه بر این، هوش مصنوعی می تواند برای بهبود کارایی عملیاتی در زمینه های مختلف دیگر استفاده شود، از جمله:
- نگهداری پیش بینی کننده: هوش مصنوعی می تواند داده های حسگر هواپیما را تجزیه و تحلیل کند تا پیش بینی کند چه زمانی نیاز به نگهداری است، زمان خرابی را کاهش دهد و ایمنی را بهبود بخشد.
- بهینه سازی مسیر: هوش مصنوعی می تواند الگوهای آب و هوایی، شرایط ترافیکی و سایر عوامل را برای بهینه سازی مسیرهای پرواز تجزیه و تحلیل کند، در مصرف سوخت صرفه جویی کند و زمان سفر را کاهش دهد.
- خدمات مشتری: ربات های گفتگوی مبتنی بر هوش مصنوعی می توانند پشتیبانی فوری از مسافران ارائه دهند، به سؤالات پاسخ دهند، مشکلات را حل کنند و توصیه های شخصی ارائه دهند.
با ادامه تکامل فناوری هوش مصنوعی، پتانسیل آن برای تبدیل صنعت هوانوردی بسیار زیاد است. پروژه JAL به عنوان یک نمونه ارزشمند از چگونگی استفاده از هوش مصنوعی برای بهبود کارایی، افزایش ایمنی و ارتقای تجربه مسافران عمل می کند.
فراتر از هوانوردی: تطبیق پذیری هوش مصنوعی آفلاین
موفقیت پروژه فوجیتسو-Headwaters برای JAL بر کاربرد گسترده تر راه حل های هوش مصنوعی آفلاین در صنایع و بخش های مختلف تأکید می کند. توانایی استقرار مدل های هوش مصنوعی در محیط هایی با اتصال به شبکه محدود یا بدون اتصال به شبکه، دنیایی از امکانات را برای سازمان هایی باز می کند که به دنبال استفاده از قدرت هوش مصنوعی در تنظیمات از راه دور یا چالش برانگیز هستند.
1. مراقبت های بهداشتی در مناطق دور افتاده
در جوامع روستایی یا کم برخوردار، ارائه دهندگان مراقبت های بهداشتی اغلب با چالش های مربوط به دسترسی محدود به اتصال به اینترنت قابل اعتماد مواجه هستند. راه حل های هوش مصنوعی آفلاین می توانند این ارائه دهندگان را با ابزارهای تشخیصی، توصیه های درمانی و قابلیت های نظارت بر بیمار، حتی در غیاب اتصال به اینترنت پایدار، توانمند کنند.
به عنوان مثال، الگوریتم های تشخیص تصویر مبتنی بر هوش مصنوعی می توانند بر روی دستگاه های قابل حمل مستقر شوند تا به کارکنان مراقبت های بهداشتی در شناسایی بیماری ها از تصاویر پزشکی، مانند اشعه ایکس یا اسکن سی تی کمک کنند. به طور مشابه، سیستم های پشتیبانی تصمیم گیری مبتنی بر هوش مصنوعی می توانند راهنمایی در مورد پروتکل های درمانی بر اساس علائم بیمار و سابقه پزشکی، حتی در مناطقی که دسترسی به تخصص متخصص محدود است، ارائه دهند.
2. کشاورزی در کشورهای در حال توسعه
کشاورزان در کشورهای در حال توسعه اغلب فاقد دسترسی به آخرین اطلاعات و فناوری های کشاورزی هستند. راه حل های هوش مصنوعی آفلاین می توانند این شکاف را با ارائه توصیه های شخصی به کشاورزان در مورد انتخاب محصول، تکنیک های آبیاری و استراتژی های کنترل آفات، حتی بدون دسترسی به اینترنت، پر کنند.
ابزارهای تجزیه و تحلیل تصویر مبتنی بر هوش مصنوعی می توانند برای ارزیابی سلامت محصول، شناسایی بیماری های گیاهی و شناسایی هجوم آفات استفاده شوند و کشاورزان را قادر می سازند تا اقدامات به موقع برای محافظت از عملکرد خود انجام دهند. علاوه بر این، مدل های پیش بینی آب و هوای مبتنی بر هوش مصنوعی می توانند پیش بینی های دقیق و محلی آب و هوا را در اختیار کشاورزان قرار دهند و به آنها کمک کنند تا تصمیمات آگاهانه ای در مورد کاشت، برداشت و آبیاری بگیرند.
3. امداد رسانی در برابر بلایا و واکنش اضطراری
در پی بلایای طبیعی، مانند زلزله، سیل یا طوفان، زیرساخت های ارتباطی اغلب مختل می شوند و هماهنگی تلاش های خود را برای کارگران امدادی و ارائه کمک به نیازمندان دشوار می کند. راه حل های هوش مصنوعی آفلاین می توانند نقش مهمی در این شرایط با ارائه ابزارهایی برای آگاهی از موقعیت، ارزیابی خسارت و تخصیص منابع به کارگران امدادی ایفا کنند.
الگوریتم های تشخیص تصویر مبتنی بر هوش مصنوعی می توانند برای تجزیه و تحلیل تصاویر ماهواره ای یا فیلم های هواپیماهای بدون سرنشین استفاده شوند تا میزان خسارت را ارزیابی کرده و مناطقی را که نیاز فوری به کمک دارند شناسایی کنند. به طور مشابه، پلت فرم های ارتباطی مبتنی بر هوش مصنوعی می توانند کارگران امدادی را قادر سازند تا با یکدیگر و با جوامع آسیب دیده، حتی در غیاب اتصال سلولی یا اینترنت، ارتباط برقرار کنند.
4. تولید و اتوماسیون صنعتی
در کارخانه های تولیدی و تأسیسات صنعتی، اتصال به اینترنت قابل اعتماد همیشه تضمین نمی شود، به ویژه در مناطق دور افتاده یا در محیط هایی با تداخل الکترومغناطیسی. راه حل های هوش مصنوعی آفلاین می توانند تولید کنندگان را قادر سازند تا فرآیندهای مختلفی را خودکار کنند، مانند کنترل کیفیت، نگهداری پیش بینی کننده و مدیریت موجودی، حتی بدون اتصال به اینترنت پایدار.
سیستم های بینایی مبتنی بر هوش مصنوعی می توانند برای بازرسی محصولات از نظر نقص استفاده شوند و اطمینان حاصل شود که فقط اقلام با کیفیت بالا به مشتریان ارسال می شوند. به طور مشابه، مدل های نگهداری پیش بینی کننده مبتنی بر هوش مصنوعی می توانند داده های حسگر تجهیزات را برای پیش بینی زمان نیاز به نگهداری تجزیه و تحلیل کنند، زمان خرابی را کاهش داده و بهره وری را بهبود بخشند.
پروژه فوجیتسو-Headwaters برای JAL به عنوان یک نمایش قانع کننده از قدرت و تطبیق پذیری راه حل های هوش مصنوعی آفلاین عمل می کند. با ادامه پیشرفت فناوری هوش مصنوعی، می توانیم انتظار داشته باشیم که شاهد کاربردهای نوآورانه تری از هوش مصنوعی آفلاین در طیف گسترده ای از صنایع و بخش ها باشیم و سازمان ها را قادر سازد تا مشکلات دنیای واقعی را حل کرده و زندگی مردم را بهبود بخشند، صرف نظر از دسترسی آنها به اتصال به اینترنت.