Usprawnianie procesów pracy w JAL: Innowacje AI od Fujitsu i Headwaters
W przełomowej współpracy, Fujitsu Limited i Headwaters Co., Ltd., wiodący dostawca rozwiązań AI, pomyślnie zakończyły testy terenowe z wykorzystaniem generatywnej sztucznej inteligencji, aby zrewolucjonizować tworzenie raportów przekazywania dla personelu pokładowego Japan Airlines Co., Ltd. (JAL). Te próby, które trwały od 27 stycznia do 26 marca 2025 r., jednoznacznie wykazały potencjał znacznych oszczędności czasu i zwiększonej efektywności.
Wyzwanie związane z raportami przekazywania
Członkowie personelu pokładowego JAL tradycyjnie poświęcają dużo czasu i wysiłku na tworzenie obszernych raportów przekazywania. Raporty te służą jako kluczowy kanał transferu informacji między kolejnymi załogami pokładowymi a personelem naziemnym, zapewniając płynny przepływ operacyjny. Dostrzegając możliwość usprawnienia tego procesu, Fujitsu i Headwaters rozpoczęły wspólne przedsięwzięcie, aby wykorzystać moc generatywnej sztucznej inteligencji.
Nowatorskie rozwiązanie: Generatywna sztuczna inteligencja offline
Aby przezwyciężyć ograniczenia związane z poleganiem na stałej łączności z chmurą, Fujitsu i Headwaters wybrały Phi-4 firmy Microsoft, kompaktowy model językowy (SLM) starannie zoptymalizowany do środowisk offline. Ten strategiczny wybór umożliwił rozwój systemu opartego na czacie, dostępnego na tabletach, ułatwiającego efektywne generowanie raportów zarówno w trakcie, jak i po locie.
Próby dostarczyły przekonujących dowodów na to, że to innowacyjne rozwiązanie umożliwia załodze pokładowej generowanie wysokiej jakości raportów, jednocześnie znacznie skracając czas poświęcony na ich tworzenie. Przekłada się to na zwiększoną efektywność dla personelu pokładowego JAL, co ostatecznie przyczynia się do lepszej obsługi pasażerów.
Role i obowiązki
Sukces tej wspólnej inicjatywy zależał od odrębnej wiedzy specjalistycznej i wkładu każdego z partnerów:
Fujitsu: Firma odegrała kluczową rolę w dostosowaniu Microsoft Phi-4 do specyficznych wymagań zadań załogi pokładowej. Wykorzystując swoją usługę Fujitsu Kozuchi AI, Fujitsu starannie dostroiło model językowy, wykorzystując historyczne dane raportów JAL, zapewniając optymalną wydajność i trafność.
Headwaters: Headwaters przewodziło rozwojowi generatywnej aplikacji AI specyficznej dla biznesu, opartej na Phi-4. Dzięki zastosowaniu technologii kwantyzacji Headwaters umożliwiło bezproblemowe tworzenieraportów na tabletach, nawet w środowiskach offline. Ponadto ich konsultanci AI zapewnili nieocenione wsparcie przez cały czas trwania projektu, obejmujące analizę przepływu pracy dla wdrożenia AI, implementację próbną i ocenę oraz zwinne zarządzanie postępem rozwoju. Inżynierowie AI firmy zbudowali również środowisko precyzyjnego strojenia dla Fujitsu Kozuchi i zapewnili pomoc techniczną w zakresie optymalizacji dostosowanej do unikalnego środowiska użytkowania klienta.
Spostrzeżenia branżowe
Shinichi Miyata, szef działu Cross-Industry Solutions Business Unit, Global Solutions Business Group, Fujitsu Limited, podkreślił znaczenie tego osiągnięcia, stwierdzając: ‘Z przyjemnością ogłaszamy ten przykład wykorzystania generatywnej sztucznej inteligencji w operacjach pokładowych Japan Airlines. Ten wspólny dowód słuszności przyczynia się do rozwoju generatywnej sztucznej inteligencji w środowiskach offline i ma potencjał przekształcenia operacji w różnych branżach i rolach, w których dostęp do sieci jest ograniczony. Sukces tej znaczącej współpracy jest wynikiem wyjątkowych możliwości propozycji Headwaters w połączeniu z wiedzą technologiczną Fujitsu. Idąc naprzód, pozostajemy zaangażowani we wzmacnianie naszego partnerstwa, aby wspierać ekspansję biznesową naszych klientów i radzić sobie z wyzwaniami społecznymi.’
Przyszła trajektoria
Opierając się na obiecujących wynikach prób terenowych, Fujitsu i Headwaters są zaangażowane w dalsze testy, aby utorować drogę do wdrożenia produkcyjnego dla JAL. Ich ostatecznym celem jest bezproblemowa integracja rozwiązania z istniejącą platformą generatywnej sztucznej inteligencji JAL.
Ponadto Fujitsu przewiduje włączenie SLM specjalnie dostosowanych do różnych rodzajów pracy w ramach Fujitsu Kozuchi, co jeszcze bardziej zwiększy wszechstronność i przydatność usługi AI.
Wspólnie Fujitsu i Headwaters będą nadal wspierać transformację operacyjną JAL poprzez strategiczne zastosowanie sztucznej inteligencji, rozwiązując krytyczne wyzwania, podnosząc poziom obsługi klienta i radząc sobie z problemami w całej branży.
Dogłębne badanie: Ujawnianie niuansów wdrażania AI
Współpraca między Fujitsu i Headwaters w celu zwiększenia efektywności operacyjnej JAL poprzez AI oferuje przekonujące studium przypadku, w jaki sposób najnowocześniejsza technologia może być wykorzystywana do rozwiązywania rzeczywistych wyzwań. Przeanalizujmy kluczowe elementy, które legły u podstaw sukcesu tego projektu, i zbadajmy szersze implikacje dla branży lotniczej i nie tylko.
1. Strategiczny wybór małego modelu językowego (SLM)
Decyzja o zastosowaniu Phi-4 firmy Microsoft, małego modelu językowego (SLM), zamiast dużego modelu językowego (LLM), była strategicznym majstersztykiem. LLM, choć charakteryzują się imponującymi możliwościami, zazwyczaj wymagają znacznych zasobów obliczeniowych i stałej łączności z serwerami w chmurze. Stanowi to poważne wyzwanie w środowiskach, w których dostęp do sieci jest zawodny lub nie istnieje, na przykład podczas lotów.
SLM z drugiej strony są zaprojektowane do wydajnego działania na urządzeniach o ograniczonej mocy obliczeniowej i pojemności pamięci. Phi-4 w szczególności został starannie zoptymalizowany do środowisk offline, co czyni go idealnym wyborem dla projektu JAL. Takie podejście nie tylko zapewnia załodze pokładowej dostęp do systemu generowania raportów opartego na sztucznej inteligencji niezależnie od dostępności sieci, ale także zmniejsza zależność od drogiej infrastruktury chmurowej.
2. Precyzyjne dostrajanie dla specyfiki domeny
Chociaż SLM oferują zaletę działania w trybie offline, często brakuje im szerokiego zakresu wiedzy i zrozumienia kontekstowego ich większych odpowiedników. Aby rozwiązać to ograniczenie, Fujitsu wykorzystało swoją usługę Kozuchi AI do precyzyjnego dostrojenia Phi-4, wykorzystując historyczne dane raportów JAL.
Precyzyjne dostrajanie polega na trenowaniu wstępnie wytrenowanego modelu językowego na określonym zestawie danych, aby poprawić jego wydajność w konkretnym zadaniu lub w określonej domenie. W tym przypadku, wystawiając Phi-4 na bogactwo przeszłych raportów JAL, Fujitsu umożliwiło modelowi nauczenie się niuansów raportowania przez załogę pokładową, w tym specyficznej terminologii, konwencji formatowania i typowych problemów napotykanych podczas lotów.
To specyficzne dla domeny precyzyjne dostrajanie znacznie poprawiło dokładność i trafność raportów generowanych przez sztuczną inteligencję, zapewniając, że spełniają one rygorystyczne wymagania procedur operacyjnych JAL.
3. Technologia kwantyzacji dla zwiększenia wydajności
Wkład Headwaters w projekt wykraczał poza rozwój aplikacji opartej na czacie. Firma zastosowała również technologię kwantyzacji, aby jeszcze bardziej zoptymalizować wydajność Phi-4 na tabletach.
Kwantyzacja to technika, która zmniejsza zapotrzebowanie na pamięć i moc obliczeniową sieci neuronowej, reprezentując jej parametry za pomocą mniejszej liczby bitów. Na przykład, zamiast używać 32-bitowych liczb zmiennoprzecinkowych, parametry modelu mogą być reprezentowane za pomocą 8-bitowych liczb całkowitych.
To zmniejszenie precyzji wiąże się z niewielkim kosztem dokładności, ale ten kompromis jest często wart zachodu pod względem poprawy szybkości i zmniejszenia zużycia pamięci. Kwantyzując Phi-4, Headwaters zapewniło, że model AI może działać płynnie i wydajnie na ograniczonych zasobach tabletów, zapewniając załodze pokładowej bezproblemową obsługę.
4. Zwinne tworzenie i wspólna wiedza specjalistyczna
Sukces projektu JAL można również przypisać zwinnej metodologii tworzenia, zastosowanej przez Headwaters, oraz duchowi współpracy w partnerstwie Fujitsu-Headwaters.
Zwinne tworzenie kładzie nacisk na iteracyjne tworzenie, częste informacje zwrotne i ścisłą współpracę między interesariuszami. Takie podejście pozwoliło zespołowi projektowemu szybko dostosowywać się do zmieniających się wymagań i radzić sobie z nieprzewidzianymi wyzwaniami.
Uzupełniająca się wiedza specjalistyczna Fujitsu i Headwaters również miała kluczowe znaczenie dla sukcesu projektu. Fujitsu wniosło swoje głębokie zrozumienie technologii AI i swojej usługi Kozuchi AI, podczas gdy Headwaters wniosło swoją wiedzę specjalistyczną w zakresie tworzenia aplikacji AI, analizy przepływu pracy i zwinnego zarządzania projektami. Ta synergia umiejętności i wiedzy umożliwiła zespołowi opracowanie prawdziwie innowacyjnego i skutecznego rozwiązania.
Szersze implikacje dla branży lotniczej
Projekt JAL oferuje wgląd w przyszłość AI w branży lotniczej. Automatyzując rutynowe zadania, takie jak generowanie raportów, AI może zwolnić załogę pokładową, aby skupiła się na ważniejszych obowiązkach, takich jak bezpieczeństwo pasażerów i obsługa klienta.
Ponadto AI może być wykorzystywana do poprawy efektywności operacyjnej w wielu innych obszarach, w tym:
- Predykcyjne konserwacje: AI może analizować dane z czujników z samolotu, aby przewidzieć, kiedy wymagana jest konserwacja, skracając czas przestoju i poprawiając bezpieczeństwo.
- Optymalizacja trasy: AI może analizować wzorce pogodowe, warunki drogowe i inne czynniki, aby optymalizować trasy lotów, oszczędzając paliwo i skracając czas podróży.
- Obsługa klienta: Chatboty oparte na sztucznej inteligencji mogą zapewnić natychmiastowe wsparcie pasażerom, odpowiadając na pytania, rozwiązując problemy i zapewniając spersonalizowane rekomendacje.
W miarę jak technologia AI będzie się rozwijać, jej potencjał do przekształcenia branży lotniczej jest ogromny. Projekt JAL służy jako cenny przykład tego, jak AI może być wykorzystywana do poprawy efektywności, zwiększenia bezpieczeństwa i podniesienia poziomu obsługi pasażerów.
Poza lotnictwem: Wszechstronność AI offline
Sukces projektu Fujitsu-Headwaters dla JAL podkreśla szersze zastosowanie rozwiązań AI offline w różnych branżach i sektorach. Możliwość wdrażania modeli AI w środowiskach o ograniczonej lub zerowej łączności sieciowej otwiera świat możliwości dla organizacji, które chcą wykorzystać moc AI w odległych lub trudnych warunkach.
1. Opieka zdrowotna na obszarach oddalonych
Na obszarach wiejskich lub niedoinwestowanych usług medycznych często występuje ograniczony dostęp do niezawodnego łącza internetowego. Rozwiązania AI offline mogą wspomóc personel medyczny w zakresie narzędzi diagnostycznych, zaleceń dotyczących leczenia i możliwości monitorowania pacjentów, nawet w przypadku braku stabilnego połączenia internetowego.
Na przykład, algorytmy rozpoznawania obrazów oparte na AI mogą być wdrażane na urządzeniach przenośnych, aby pomóc pracownikom służby zdrowia w identyfikowaniu chorób na podstawie obrazów medycznych, takich jak zdjęcia rentgenowskie lub tomografii komputerowej. Podobnie, systemy wspomagania decyzji oparte na AI mogą zapewniać wskazówki dotyczące protokołów leczenia na podstawie objawów pacjenta i historii medycznej, nawet na obszarach, gdzie dostęp do wiedzy specjalistycznej jest ograniczony.
2. Rolnictwo w krajach rozwijających się
Rolnicy w krajach rozwijających się często nie mają dostępu do najnowszych informacji i technologii rolniczych. Rozwiązania AI offline mogą wypełnić tę lukę, zapewniając rolnikom spersonalizowane zalecenia dotyczące doboru upraw, technik nawadniania i strategii zwalczania szkodników, nawet bez dostępu do Internetu.
Narzędzia do analizy obrazów oparte na AI mogą być wykorzystywane do oceny stanu upraw, identyfikowania chorób roślin i wykrywania inwazji szkodników, umożliwiając rolnikom podejmowanie terminowych działań w celu ochrony swoich plonów. Ponadto, modele prognozowania pogody oparte na AI mogą dostarczać rolnikom dokładnych i zlokalizowanych prognoz pogody, pomagając im w podejmowaniu świadomych decyzji dotyczących sadzenia, zbioru i nawadniania.
3. Pomoc w przypadku katastrof i reagowanie w sytuacjach kryzysowych
W następstwie klęsk żywiołowych, takich jak trzęsienia ziemi, powodzie lub huragany, infrastruktura komunikacyjna jest często zakłócona, co utrudnia pracownikom ratowniczym koordynację działań i udzielanie pomocy potrzebującym. Rozwiązania AI offline mogą odgrywać kluczową rolę w takich sytuacjach, zapewniając pracownikom ratowniczym narzędzia do orientacji w sytuacji, oceny szkód i alokacji zasobów.
Algorytmy rozpoznawania obrazów oparte na AI mogą być wykorzystywane do analizy zdjęć satelitarnych lub nagrań z dronów w celu oceny zakresu szkód i identyfikacji obszarów, w których pomoc jest najbardziej pilnie potrzebna. Podobnie, platformy komunikacyjne oparte na AI mogą umożliwiać pracownikom ratowniczym komunikację ze sobą i z dotkniętymi społecznościami, nawet w przypadku braku łączności komórkowej lub internetowej.
4. Produkcja i automatyzacja przemysłowa
W zakładach produkcyjnych i obiektach przemysłowych niezawodne połączenie internetowe nie zawsze jest gwarantowane, szczególnie na obszarach oddalonych lub w środowiskach z zakłóceniami elektromagnetycznymi. Rozwiązania AI offline mogą umożliwić producentom automatyzację różnych procesów, takich jak kontrola jakości, konserwacja predykcyjna i zarządzanie zapasami, nawet bez stabilnego połączenia internetowego.
Systemy wizyjne oparte na AI mogą być wykorzystywane do sprawdzania produktów pod kątem wad, zapewniając, że tylko przedmioty wysokiej jakości są wysyłane do klientów. Podobnie, modele konserwacji predykcyjnej oparte na AI mogą analizować dane z czujników z urządzeń, aby przewidzieć, kiedy wymagana jest konserwacja, skracając czas przestoju i poprawiając produktywność.
Projekt Fujitsu-Headwaters dla JAL służy jako przekonująca demonstracja mocy i wszechstronności rozwiązań AI offline. W miarę jak technologia AI będzie się rozwijać, możemy spodziewać się jeszcze bardziej innowacyjnych zastosowań AI offline w szerokim zakresie branż i sektorów, umożliwiając organizacjom rozwiązywanie rzeczywistych problemów i poprawę życia ludzi, niezależnie od dostępu do połączenia internetowego.