In una collaborazione rivoluzionaria, Fujitsu Limited e Headwaters Co., Ltd., un fornitore leader di soluzioni di intelligenza artificiale (AI), hanno concluso con successo le prove sul campo impiegando l’AI generativa per rivoluzionare la creazione di report di consegna per il personale di cabina di Japan Airlines Co., Ltd. (JAL). Queste prove, che si sono svolte dal 27 gennaio al 26 marzo 2025, hanno dimostrato inequivocabilmente il potenziale per un notevole risparmio di tempo e una maggiore efficienza.
La sfida dei report di consegna
I membri del personale di cabina JAL dedicano tradizionalmente tempo e sforzi significativi alla compilazione di report di consegna completi. Questi report servono come un condotto cruciale per il trasferimento di informazioni tra personale di cabina e personale di terra successivi, garantendo un flusso operativo senza interruzioni. Riconoscendo l’opportunità di semplificare questo processo, Fujitsu e Headwaters hanno intrapreso uno sforzo congiunto per sfruttare la potenza dell’AI generativa.
Una soluzione innovativa: AI generativa offline
Per superare i limiti della dipendenza dalla connettività cloud costante, Fujitsu e Headwaters hanno optato per Phi-4 di Microsoft, un modello linguistico compatto (SLM) meticolosamente ottimizzato per ambienti offline. Questa scelta strategica ha permesso lo sviluppo di un sistema basato su chat accessibile su tablet, facilitando la generazione efficiente di report sia durante che dopo i voli.
Le prove hanno prodotto prove convincenti che questa soluzione innovativa consente al personale di cabina di generare report di alta qualità riducendo significativamente il tempo investito nella creazione di report. Ciò si traduce in una maggiore efficienza per il personale di cabina JAL, contribuendo in ultima analisi a migliorare l’erogazione del servizio per i passeggeri.
Ruoli e responsabilità
Il successo di questa iniziativa collaborativa è dipeso dalla competenza distinta e dai contributi di ciascun partner:
Fujitsu: L’azienda ha svolto un ruolo fondamentale nell’adattare Microsoft Phi-4 ai requisiti specifici delle attività del personale di cabina. Sfruttando il suo servizio Fujitsu Kozuchi AI, Fujitsu ha messo a punto meticolosamente il modello linguistico utilizzando i dati storici dei report di JAL, garantendo prestazioni e pertinenza ottimali.
Headwaters: Headwaters ha guidato lo sviluppo di un’applicazione AI generativa specifica per il business alimentata da Phi-4. Impiegando la tecnologia di quantizzazione, Headwaters ha consentito la creazione di report senza interruzioni su tablet anche in ambienti offline. Inoltre, i loro consulenti AI hanno fornito un supporto prezioso durante tutto il progetto, comprendendo l’analisi del flusso di lavoro per l’implementazione dell’AI, l’implementazione e la valutazione delle prove e la gestione agile dei progressi dello sviluppo. Gli ingegneri AI dell’azienda hanno anche costruito un ambiente di ottimizzazione per Fujitsu Kozuchi e fornito assistenza tecnica per l’ottimizzazione su misura per l’ambiente di utilizzo univoco del cliente.
Approfondimenti del settore
Shinichi Miyata, responsabile della Cross-Industry Solutions Business Unit, Global Solutions Business Group, Fujitsu Limited, ha sottolineato il significato di questo risultato, affermando: ‘Siamo lieti di annunciare questo esempio di utilizzo dell’AI generativa nelle operazioni di cabina di Japan Airlines. Questa prova di concetto congiunta contribuisce all’avanzamento dell’AI generativa in ambienti offline e ha il potenziale per trasformare le operazioni in vari settori e ruoli in cui l’accesso alla rete è limitato. Il successo di questa collaborazione significativa è il risultato delle eccezionali capacità di proposta di Headwaters combinate con la competenza tecnologica di Fujitsu. Andando avanti, rimaniamo impegnati a rafforzare la nostra partnership per supportare l’espansione aziendale dei nostri clienti e affrontare le sfide della società.’
Traiettoria futura
Sulla base dei risultati promettenti delle prove sul campo, Fujitsu e Headwaters si impegnano a perseguire ulteriori test per spianare la strada alla distribuzione in produzione per JAL. Il loro obiettivo finale è quello di integrare perfettamente la soluzione nella piattaforma AI generativa esistente di JAL.
Inoltre, Fujitsu prevede di incorporare SLM specificamente adattati a vari tipi di lavoro all’interno di Fujitsu Kozuchi, migliorando ulteriormente la versatilità e l’applicabilità del servizio AI.
Insieme, Fujitsu e Headwaters continueranno a sostenere la trasformazione operativa di JAL attraverso l’applicazione strategica dell’AI, affrontando le sfide critiche, elevando il servizio clienti e affrontando i problemi a livello di settore.
Approfondimento: svelare le sfumature dell’implementazione dell’AI
La collaborazione tra Fujitsu e Headwaters per migliorare l’efficienza operativa di JAL attraverso l’AI offre un caso di studio convincente su come la tecnologia all’avanguardia può essere sfruttata per affrontare le sfide del mondo reale. Analizziamo gli elementi chiave che hanno sostenuto il successo di questo progetto ed esploriamo le implicazioni più ampie per l’industria aeronautica e oltre.
1. La scelta strategica di un modello linguistico di piccole dimensioni (SLM)
La decisione di impiegare Phi-4 di Microsoft, un modello linguistico di piccole dimensioni (SLM), invece di un modello linguistico di grandi dimensioni (LLM), è stata una mossa strategica. Gli LLM, pur vantando capacità impressionanti, in genere richiedono risorse computazionali sostanziali e connettività costante ai server cloud. Ciò pone una sfida significativa in ambienti in cui l’accesso alla rete non è affidabile o inesistente, ad esempio durante i voli.
Gli SLM, d’altra parte, sono progettati per operare in modo efficiente su dispositivi con potenza di elaborazione e capacità di archiviazione limitate. Phi-4, in particolare, è stato meticolosamente ottimizzato per ambienti offline, rendendolo una scelta ideale per il progetto JAL. Questo approccio non solo garantisce che il personale di cabina possa accedere al sistema di generazione di report basato sull’AI indipendentemente dalla disponibilità della rete, ma riduce anche la dipendenza da costose infrastrutture cloud.
2. Ottimizzazione per la specificità del dominio
Mentre gli SLM offrono il vantaggio del funzionamento offline, spesso mancano dell’ampiezza della conoscenza e della comprensione contestuale delle loro controparti più grandi. Per affrontare questa limitazione, Fujitsu ha impiegato il suo servizio Kozuchi AI per mettere a punto Phi-4 utilizzando i dati storici dei report di JAL.
L’ottimizzazione prevede l’addestramento di un modello linguistico pre-addestrato su un set di dati specifico per migliorare le sue prestazioni su un’attività particolare o all’interno di un dominio specifico. In questo caso, esponendo Phi-4 a una vasta gamma di report passati di JAL, Fujitsu ha consentito al modello di apprendere le sfumature dei report del personale di cabina, inclusa la terminologia specifica, le convenzioni di formattazione e i problemi comuni riscontrati durante i voli.
Questa ottimizzazione specifica per il dominio ha migliorato significativamente l’accuratezza e la pertinenza dei report generati dall’AI, garantendo che soddisfacessero i severi requisiti delle procedure operative di JAL.
3. Tecnologia di quantizzazione per una maggiore efficienza
Il contributo di Headwaters al progetto è andato oltre lo sviluppo dell’applicazione basata su chat. L’azienda ha anche impiegato la tecnologia di quantizzazione per ottimizzare ulteriormente le prestazioni di Phi-4 sui tablet.
La quantizzazione è una tecnica che riduce l’impronta di memoria e i requisiti computazionali di una rete neurale rappresentando i suoi parametri utilizzando meno bit. Ad esempio, invece di utilizzare numeri in virgola mobile a 32 bit, i parametri del modello potrebbero essere rappresentati utilizzando interi a 8 bit.
Questa riduzione della precisione ha un leggero costo in termini di accuratezza, ma il compromesso vale spesso la pena in termini di maggiore velocità e riduzione del consumo di memoria. Quantizzando Phi-4, Headwaters ha garantito che il modello AI potesse funzionare senza problemi ed efficacemente sulle risorse limitate dei tablet, fornendo un’esperienza utente senza interruzioni per il personale di cabina.
4. Sviluppo agile e competenza collaborativa
Il successo del progetto JAL è stato anche attribuibile alla metodologia di sviluppo agile impiegata da Headwaters e allo spirito collaborativo della partnership Fujitsu-Headwaters.
Lo sviluppo agile enfatizza lo sviluppo iterativo, il feedback frequente e la stretta collaborazione tra le parti interessate. Questo approccio ha permesso al team di progetto di adattarsi rapidamente alle mutevoli esigenze e affrontare le sfide impreviste.
Anche la competenza complementare di Fujitsu e Headwaters è stata fondamentale per il successo del progetto. Fujitsu ha portato la sua profonda comprensione della tecnologia AI e del suo servizio Kozuchi AI, mentre Headwaters ha contribuito con la sua esperienza nello sviluppo di applicazioni AI, nell’analisi del flusso di lavoro e nella gestione agile dei progetti. Questa sinergia di competenze e conoscenze ha permesso al team di sviluppare una soluzione davvero innovativa ed efficace.
Le implicazioni più ampie per l’industria aeronautica
Il progetto JAL offre uno sguardo al futuro dell’AI nell’industria aeronautica. Automatizzando attività di routine, come la generazione di report, l’AI può liberare il personale di cabina per concentrarsi su responsabilità più importanti, come la sicurezza dei passeggeri e il servizio clienti.
Inoltre, l’AI può essere utilizzata per migliorare l’efficienza operativa in una varietà di altre aree, tra cui:
- Manutenzione predittiva: L’AI può analizzare i dati dei sensori degli aeromobili per prevedere quando è necessaria la manutenzione, riducendo i tempi di inattività e migliorando la sicurezza.
- Ottimizzazione del percorso: L’AI può analizzare modelli meteorologici, condizioni del traffico e altri fattori per ottimizzare i percorsi di volo, risparmiando carburante e riducendo i tempi di percorrenza.
- Servizio clienti: I chatbot basati sull’AI possono fornire supporto immediato ai passeggeri, rispondendo a domande, risolvendo problemi e fornendo consigli personalizzati.
Man mano che la tecnologia AI continua a evolversi, il suo potenziale per trasformare l’industria aeronautica è immenso. Il progetto JAL funge da valido esempio di come l’AI può essere utilizzata per migliorare l’efficienza, migliorare la sicurezza ed elevare l’esperienza del passeggero.
Oltre l’aviazione: la versatilità dell’AI offline
Il successo del progetto Fujitsu-Headwaters per JAL sottolinea la più ampia applicabilità delle soluzioni AI offline in vari settori e settori. La possibilità di distribuire modelli AI in ambienti con connettività di rete limitata o assente apre un mondo di possibilità per le organizzazioni che cercano di sfruttare la potenza dell’AI in ambienti remoti o difficili.
1. Assistenza sanitaria in aree remote
Nelle comunità rurali o svantaggiate, gli operatori sanitari spesso devono affrontare sfide relative all’accesso limitato a una connettività Internet affidabile. Le soluzioni AI offline possono consentire a questi fornitori di disporre di strumenti diagnostici, raccomandazioni di trattamento e funzionalità di monitoraggio dei pazienti, anche in assenza di una connessione Internet stabile.
Ad esempio, gli algoritmi di riconoscimento delle immagini basati sull’AI possono essere distribuiti su dispositivi portatili per assistere gli operatori sanitari nell’identificazione di malattie da immagini mediche, come radiografie o TAC. Allo stesso modo, i sistemi di supporto decisionale basati sull’AI possono fornire indicazioni sui protocolli di trattamento in base ai sintomi del paziente e all’anamnesi, anche in aree in cui l’accesso alla competenza specialistica è limitato.
2. Agricoltura nei paesi in via di sviluppo
Gli agricoltori nei paesi in via di sviluppo spesso non hanno accesso alle più recenti informazioni e tecnologie agricole. Le soluzioni AI offline possono colmare questa lacuna fornendo agli agricoltori raccomandazioni personalizzate sulla selezione delle colture, sulle tecniche di irrigazione e sulle strategie di controllo dei parassiti, anche senza accesso a Internet.
Gli strumenti di analisi delle immagini basati sull’AI possono essere utilizzati per valutare la salute delle colture, identificare le malattie delle piante e rilevare le infestazioni di parassiti, consentendo agli agricoltori di intervenire tempestivamente per proteggere le proprie rese. Inoltre, i modelli di previsioni meteorologiche basati sull’AI possono fornire agli agricoltori previsioni meteorologiche accurate e localizzate, aiutandoli a prendere decisioni informate sulla semina, il raccolto e l’irrigazione.
3. Soccorso in caso di calamità e risposta alle emergenze
In seguito a catastrofi naturali, come terremoti, inondazioni o uragani, l’infrastruttura di comunicazione viene spesso interrotta, rendendo difficile per i soccorritori coordinare i propri sforzi e fornire assistenza a coloro che ne hanno bisogno. Le soluzioni AI offline possono svolgere un ruolo cruciale in queste situazioni fornendo ai soccorritori strumenti per la consapevolezza della situazione, la valutazione dei danni e l’allocazione delle risorse.
Gli algoritmi di riconoscimento delle immagini basati sull’AI possono essere utilizzati per analizzare immagini satellitari o filmati di droni per valutare l’entità dei danni e identificare le aree in cui l’assistenza è più urgentemente necessaria. Allo stesso modo, le piattaforme di comunicazione basate sull’AI possono consentire ai soccorritori di comunicare tra loro e con le comunità colpite, anche in assenza di connettività cellulare o Internet.
4. Produzione e automazione industriale
Negli impianti di produzione e nelle strutture industriali, la connettività Internet affidabile non è sempre garantita, in particolare in aree remote o in ambienti con interferenze elettromagnetiche. Le soluzioni AI offline possono consentire ai produttori di automatizzare vari processi, come il controllo qualità, la manutenzione predittiva e la gestione dell’inventario, anche senza una connessione Internet stabile.
I sistemi di visione basati sull’AI possono essere utilizzati per ispezionare i prodotti alla ricerca di difetti, garantendo che solo articoli di alta qualità vengano spediti ai clienti. Allo stesso modo, i modelli di manutenzione predittiva basati sull’AI possono analizzare i dati dei sensori delle apparecchiature per prevedere quando è necessaria la manutenzione, riducendo i tempi di inattività e migliorando la produttività.
Il progetto Fujitsu-Headwaters per JAL funge da dimostrazione convincente della potenza e della versatilità delle soluzioni AI offline. Man mano che la tecnologia AI continua ad avanzare, possiamo aspettarci di vedere applicazioni ancora più innovative dell’AI offline in una vasta gamma di settori e settori, consentendo alle organizzazioni di risolvere problemi del mondo reale e migliorare la vita delle persone, indipendentemente dal loro accesso alla connettività Internet.