Fujitsu Limited en Headwaters Co., Ltd., een toonaangevende leverancier van AI-oplossingen, hebben met succes veldproeven afgerond waarbij generatieve AI wordt ingezet om de creatie van overdrachtsrapporten voor het cabinepersoneel van Japan Airlines Co., Ltd. (JAL) te revolutioneren. Deze proeven, die liepen van 27 januari tot 26 maart 2025, hebben onomstotelijk aangetoond dat er potentieel is voor aanzienlijke tijdsbesparingen en verbeterde efficiëntie.
De Uitdaging van Overdrachtsrapporten
JAL-cabinepersoneel besteedt traditioneel veel tijd en moeite aan het samenstellen van uitgebreide overdrachtsrapporten. Deze rapporten dienen als een cruciale schakel voor de informatieoverdracht tussen opeenvolgende cabinebemanningen en grondpersoneel, waardoor een naadloze operationele stroom wordt gewaarborgd. Fujitsu en Headwaters zagen een kans om dit proces te stroomlijnen en begonnen een gezamenlijke inspanning om de kracht van generatieve AI te benutten.
Een Nieuwe Oplossing: Offline Generatieve AI
Om de beperkingen van het vertrouwen op constante cloudconnectiviteit te overwinnen, kozen Fujitsu en Headwaters voor Microsoft’s Phi-4, een compact taalmodel (SLM) dat zorgvuldig is geoptimaliseerd voor offline omgevingen. Deze strategische keuze maakte de ontwikkeling mogelijk van een chat-gebaseerd systeem dat toegankelijk is op tablets, waardoor efficiënte rapportgeneratie zowel tijdens als na vluchten mogelijk is.
De proeven hebben overtuigend bewijs geleverd dat deze innovatieve oplossing cabinepersoneel in staat stelt om hoogwaardige rapporten te genereren en tegelijkertijd de tijd die in het maken van rapporten wordt geïnvesteerd aanzienlijk te verminderen. Dit vertaalt zich in een verbeterde efficiëntie voor het cabinepersoneel van JAL, wat uiteindelijk bijdraagt aan een verbeterde dienstverlening aan passagiers.
Rollen en Verantwoordelijkheden
Het succes van dit gezamenlijke initiatief was afhankelijk van de afzonderlijke expertise en bijdragen van elke partner:
Fujitsu: Het bedrijf speelde een cruciale rol bij het afstemmen van Microsoft Phi-4 op de specifieke eisen van cabinepersoneeltaken. Door gebruik te maken van zijn Fujitsu Kozuchi AI-service, verfijnde Fujitsu het taalmodel zorgvuldig met behulp van JAL’s historische rapportgegevens, waardoor optimale prestaties en relevantie werden gewaarborgd.
Headwaters: Headwaters leidde de ontwikkeling van een bedrijfsspecifieke generatieve AI-applicatie aangedreven door Phi-4. Door gebruik te maken van kwantiseringstechnologie maakte Headwaters een naadloze rapportcreatie op tablets mogelijk, zelfs in offline omgevingen. Bovendien boden hun AI-consultants waardevolle ondersteuning tijdens het hele project, waaronder workflowanalyse voor AI-implementatie, proefimplementatie en -evaluatie, en agile ontwikkelingsvoortgangsbeheer. De AI-engineers van het bedrijf hebben ook een fine-tuning omgeving gebouwd voor Fujitsu Kozuchi en technische assistentie geleverd voor optimalisatie die is afgestemd op de unieke gebruiksomgeving van de klant.
Inzichten in de Industrie
Shinichi Miyata, Head of Cross-Industry Solutions Business Unit, Global Solutions Business Group, Fujitsu Limited, benadrukte het belang van deze prestatie en verklaarde: ‘We zijn verheugd om dit voorbeeld van het gebruik van generatieve AI in de cabineactiviteiten van Japan Airlines aan te kondigen. Dit gezamenlijke proof-of-concept draagt bij aan de vooruitgang van generatieve AI in offline omgevingen en heeft het potentieel om de activiteiten te transformeren in verschillende industrieën en functies waar de netwerktoegang beperkt is. Het succes van deze zinvolle samenwerking is het resultaat van de uitzonderlijke voorstelcapaciteiten van Headwaters in combinatie met de technologische expertise van Fujitsu. Vooruitkijkend blijven we toegewijd aan het versterken van ons partnerschap om de bedrijfsuitbreiding van onze klanten te ondersteunen en maatschappelijke uitdagingen aan te pakken.’
Toekomstig Traject
Voortbouwend op de veelbelovende resultaten van de veldproeven, zijn Fujitsu en Headwaters toegewijd aan het uitvoeren van verdere tests om de weg vrij te maken voor productiedeployment voor JAL. Hun uiteindelijke doel is om de oplossing naadloos te integreren in JAL’s bestaande generatieve AI-platform.
Daarnaast is Fujitsu van plan om SLM’s op te nemen die specifiek zijn afgestemd op verschillende soorten werk binnen Fujitsu Kozuchi, waardoor de veelzijdigheid en toepasbaarheid van de AI-service verder worden vergroot.
Samen zullen Fujitsu en Headwaters de operationele transformatie van JAL blijven ondersteunen door de strategische toepassing van AI, het aanpakken van kritieke uitdagingen, het verbeteren van de klantenservice en het aanpakken van problemen in de hele industrie.
Dieper Inzicht: Het Onthullen van de Nuances van AI-Implementatie
De samenwerking tussen Fujitsu en Headwaters om de operationele efficiëntie van JAL te verbeteren door middel van AI biedt een overtuigende case study over hoe geavanceerde technologie kan worden ingezet om real-world uitdagingen aan te pakken. Laten we de belangrijkste elementen ontleden die het succes van dit project ondersteunden en de bredere implicaties voor de luchtvaartindustrie en daarbuiten onderzoeken.
De Strategische Keuze van een Small Language Model (SLM)
De beslissing om Microsoft’s Phi-4, een small language model (SLM), te gebruiken in plaats van een large language model (LLM), was een strategische meesterzet. LLM’s, hoewel ze indrukwekkende mogelijkheden hebben, vereisen doorgaans aanzienlijke computerbronnen en constante connectiviteit met cloudservers. Dit vormt een aanzienlijke uitdaging in omgevingen waar de netwerktoegang onbetrouwbaar of niet-existent is, zoals tijdens vluchten.
SLM’s daarentegen zijn ontworpen om efficiënt te werken op apparaten met beperkte verwerkingskracht en opslagcapaciteit. Phi-4 is in het bijzonder zorgvuldig geoptimaliseerd voor offline omgevingen, waardoor het een ideale keuze is voor het JAL-project. Deze aanpak zorgt er niet alleen voor dat cabinepersoneel toegang heeft tot het AI-aangedreven rapportgeneratiesysteem, ongeacht de netwerkbeschikbaarheid, maar vermindert ook de afhankelijkheid van dure cloudinfrastructuur.
Fine-Tuning voor Domeinspecificiteit
Hoewel SLM’s het voordeel bieden van offline werking, missen ze vaak de breedte van kennis en contextueel begrip van hun grotere tegenhangers. Om deze beperking aan te pakken, gebruikte Fujitsu zijn Kozuchi AI-service om Phi-4 te finetunen met behulp van JAL’s historische rapportgegevens.
Fine-tuning omvat het trainen van een vooraf getraind taalmodel op een specifieke dataset om de prestaties ervan te verbeteren op een bepaalde taak of binnen een specifiek domein. In dit geval, door Phi-4 bloot te stellen aan een schat aan JAL’s eerdere rapporten, stelde Fujitsu het model in staat om de nuances van cabinepersoneelrapportage te leren, inclusief de specifieke terminologie, formatteringconventies en veelvoorkomende problemen die zich tijdens vluchten voordoen.
Deze domeinspecifieke fine-tuning verbeterde de nauwkeurigheid en relevantie van de AI-gegenereerde rapporten aanzienlijk, waardoor werd gewaarborgd dat ze voldeden aan de strenge eisen van JAL’s operationele procedures.
Kwantiseringstechnologie voor Verbeterde Efficiëntie
De bijdrage van Headwaters aan het project reikte verder dan de ontwikkeling van de chat-gebaseerde applicatie. Het bedrijf maakte ook gebruik van kwantiseringstechnologie om de prestaties van Phi-4 op tablets verder te optimaliseren.
Kwantisering is een techniek die de geheugenvoetafdruk en de computervereisten van een neuraal netwerk vermindert door de parameters ervan weer te geven met behulp van minder bits. In plaats van bijvoorbeeld 32-bits floating-point getallen te gebruiken, kunnen de parameters van het model worden weergegeven met behulp van 8-bits integers.
Deze vermindering van de precisie gaat ten koste van een lichte nauwkeurigheid, maar de afweging is vaak de moeite waard in termen van verbeterde snelheid en verminderd geheugengebruik. Door Phi-4 te kwantiseren, zorgde Headwaters ervoor dat het AI-model soepel en efficiënt kon draaien op de beperkte middelen van tablets, wat een naadloze gebruikerservaring opleverde voor cabinepersoneel.
Agile Ontwikkeling en Gezamenlijke Expertise
Het succes van het JAL-project was ook te danken aan de agile ontwikkelingsmethodologie die door Headwaters werd toegepast en de gezamenlijke geest van het Fujitsu-Headwaters-partnerschap.
Agile ontwikkeling benadrukt iteratieve ontwikkeling, frequente feedback en nauwe samenwerking tussen belanghebbenden. Deze aanpak stelde het projectteam in staat om zich snel aan te passen aan veranderende eisen en onvoorziene uitdagingen aan te pakken.
De complementaire expertise van Fujitsu en Headwaters was ook cruciaal voor het succes van het project. Fujitsu bracht zijn diepgaande kennis van AI-technologie en zijn Kozuchi AI-service mee, terwijl Headwaters zijn expertise in AI-applicatieontwikkeling, workflowanalyse en agile projectmanagement bijdroeg. Deze synergie van vaardigheden en kennis stelde het team in staat om een werkelijk innovatieve en effectieve oplossing te ontwikkelen.
De Bredere Implicaties voor de Luchtvaartindustrie
Het JAL-project biedt een glimp van de toekomst van AI in de luchtvaartindustrie. Door routinetaken, zoals rapportgeneratie, te automatiseren, kan AI cabinepersoneel vrijmaken om zich te concentreren op belangrijkere verantwoordelijkheden, zoals passagiersveiligheid en klantenservice.
Daarnaast kan AI worden gebruikt om de operationele efficiëntie te verbeteren op verschillende andere gebieden, waaronder:
- Predictive maintenance: AI kan sensorgegevens van vliegtuigen analyseren om te voorspellen wanneer onderhoud nodig is, waardoor de downtime wordt verminderd en de veiligheid wordt verbeterd.
- Route optimalisatie: AI kan weerpatronen, verkeersomstandigheden en andere factoren analyseren om vliegroutes te optimaliseren, waardoor brandstof wordt bespaard en de reistijd wordt verkort.
- Klantenservice: AI-aangedreven chatbots kunnen direct ondersteuning bieden aan passagiers, vragen beantwoorden, problemen oplossen en gepersonaliseerde aanbevelingen geven.
Naarmate de AI-technologie zich blijft ontwikkelen, is het potentieel ervan om de luchtvaartindustrie te transformeren immens. Het JAL-project dient als een waardevol voorbeeld van hoe AI kan worden gebruikt om de efficiëntie te verbeteren, de veiligheid te verbeteren en de passagierservaring te verbeteren.
Voorbij de Luchtvaart: De Veelzijdigheid van Offline AI
Het succes van het Fujitsu-Headwaters-project voor JAL onderstreept de bredere toepasbaarheid van offline AI-oplossingen in verschillende industrieën en sectoren. De mogelijkheid om AI-modellen te implementeren in omgevingen met beperkte of geen netwerkconnectiviteit opent een wereld van mogelijkheden voor organisaties die de kracht van AI willen benutten in afgelegen of uitdagende omgevingen.
Gezondheidszorg in Afgelegen Gebieden
In plattelands- of achtergestelde gemeenschappen worden zorgverleners vaak geconfronteerd met uitdagingen met betrekking tot beperkte toegang tot betrouwbare internetconnectiviteit. Offline AI-oplossingen kunnen deze zorgverleners in staat stellen met diagnostische hulpmiddelen, behandelingsaanbevelingen en mogelijkheden voor patiëntbewaking, zelfs in de afwezigheid van een stabiele internetverbinding.
AI-aangedreven beeldherkenningsalgoritmen kunnen bijvoorbeeld worden ingezet op draagbare apparaten om gezondheidswerkers te helpen bij het identificeren van ziekten aan de hand van medische beelden, zoals röntgenfoto’s of CT-scans. Op dezelfde manier kunnen AI-gestuurde beslissingsondersteuningssystemen begeleiding bieden bij behandelingsprotocollen op basis van patiëntsymptomen en medische geschiedenis, zelfs in gebieden waar de toegang tot specialistische expertise beperkt is.
Landbouw in Ontwikkelingslanden
Boeren in ontwikkelingslanden hebben vaak geen toegang tot de nieuwste landbouwinformatie en -technologieën. Offline AI-oplossingen kunnen deze kloof overbruggen door boeren gepersonaliseerde aanbevelingen te geven over gewasselectie, irrigatietechnieken en strategieën voor ongediertebestrijding, zelfs zonder internettoegang.
AI-aangedreven beeldanalysetools kunnen worden gebruikt om de gezondheid van gewassen te beoordelen, plantenziekten te identificeren en plagen te detecteren, waardoor boeren tijdig actie kunnen ondernemen om hun opbrengsten te beschermen. Bovendien kunnen AI-gestuurde weersvoorspellingsmodellen boeren voorzien van nauwkeurige en gelokaliseerde weersvoorspellingen, waardoor ze weloverwogen beslissingen kunnen nemen over planten, oogsten en irrigatie.
Rampenbestrijding en Noodhulp
In de nasleep van natuurrampen, zoals aardbevingen, overstromingen of orkanen, wordt de communicatie-infrastructuur vaak verstoord, waardoor het voor reddingswerkers moeilijk wordt om hun inspanningen te coördineren en hulp te bieden aan degenen die het nodig hebben. Offline AI-oplossingen kunnen in deze situaties een cruciale rol spelen door reddingswerkers te voorzien van hulpmiddelen voor situationeel bewustzijn, schadebeoordeling en toewijzing van middelen.
AI-aangedreven beeldherkenningsalgoritmen kunnen worden gebruikt om satellietbeelden of dronebeelden te analyseren om de omvang van de schade te beoordelen en gebieden te identificeren waar hulp het dringendst nodig is. Op dezelfde manier kunnen AI-gestuurde communicatieplatforms reddingswerkers in staat stellen om met elkaar en met getroffen gemeenschappen te communiceren, zelfs in de afwezigheid van mobiele of internetconnectiviteit.
Productie en Industriële Automatisering
In fabrieken en industriële faciliteiten is betrouwbare internetconnectiviteit niet altijd gegarandeerd, met name in afgelegen gebieden of in omgevingen met elektromagnetische interferentie. Offline AI-oplossingen kunnen fabrikanten in staat stellen om verschillende processen te automatiseren, zoals kwaliteitscontrole, predictive maintenance en voorraadbeheer, zelfs zonder een stabiele internetverbinding.
AI-aangedreven vision systemen kunnen worden gebruikt om producten te inspecteren op defecten, zodat alleen hoogwaardige artikelen naar klanten worden verzonden. Op dezelfde manier kunnen AI-gestuurde predictive maintenance modellen sensorgegevens van apparatuur analyseren om te voorspellen wanneer onderhoud nodig is, waardoor de downtime wordt verminderd en de productiviteit wordt verbeterd.
Het Fujitsu-Headwaters-project voor JAL dient als een overtuigende demonstratie van de kracht en veelzijdigheid van offline AI-oplossingen. Naarmate de AI-technologie zich blijft ontwikkelen, kunnen we nog meer innovatieve toepassingen van offline AI verwachten in een breed scala van industrieën en sectoren, waardoor organisaties in staat worden gesteld om real-world problemen op te lossen en het leven van mensen te verbeteren, ongeacht hun toegang tot internetconnectiviteit.