简化日航工作流程：富士通与Headwaters的AI创新
富士通有限公司和领先的AI解决方案提供商 Headwaters Co., Ltd. 成功完成了实地试验，该试验采用生成式 AI 来彻底改变日本航空公司 (JAL) 客舱机组人员的交接班报告的创建。这些试验于 2025 年 1 月 27 日至 3 月 26 日进行，明确证明了大幅节省时间和提高效率的潜力。
交接班报告的挑战
传统上，JAL 客舱机组人员会花费大量时间和精力来编写全面的交接班报告。这些报告是后续客舱机组人员和地面工作人员之间信息传递的关键渠道，可确保无缝的运营流程。富士通和 Headwaters 认识到简化此流程的机会，于是共同努力利用生成式 AI 的力量。
一种新颖的解决方案：离线生成式 AI
为了克服依赖持续云连接的局限性，富士通和 Headwaters 选择了微软的 Phi-4，这是一种为离线环境精心优化的小型语言模型 (SLM)。这种战略选择实现了在平板设备上访问的基于聊天的系统的开发，从而有助于在飞行期间和之后高效生成报告。
试验已经提供了令人信服的证据，证明这种创新解决方案使客舱机组人员能够生成高质量的报告，同时显着减少报告创建所花费的时间。这转化为 JAL 客舱机组人员效率的提高，最终有助于改善乘客的服务交付。
角色和责任
这项合作倡议的成功取决于每个合作伙伴独特的专业知识和贡献：
**富士通：**该公司在根据客舱机组人员任务的特定要求定制 Microsoft Phi-4 方面发挥了关键作用。富士通利用其 Fujitsu Kozuchi AI 服务，使用 JAL 的历史报告数据仔细地微调了语言模型，从而确保了最佳的性能和相关性。
Headwaters： Headwaters 率先开发了一种由 Phi-4 驱动的特定于业务的生成式 AI 应用程序。通过采用量化技术，Headwaters 即使在离线环境中也能在平板设备上无缝创建报告。此外，他们的 AI 顾问在整个项目中提供了宝贵的支持，包括 AI 实施的工作流程分析、试验实施和评估以及敏捷的开发进度管理。该公司的 AI 工程师还为 Fujitsu Kozuchi 构建了一个微调环境，并为针对客户独特使用环境量身定制的优化提供了技术帮助。
行业洞察
富士通有限公司全球解决方案业务集团跨行业解决方案业务部门负责人 Shinichi Miyata 强调了这一成就的重要性，他说：“我们很高兴宣布这个在日本航空公司客舱运营中利用生成式 AI 的例子。这种联合概念验证有助于推进离线环境中的生成式 AI，并有可能改变网络访问受限的各个行业和角色中的运营。这项有意义的合作的成功是 Headwaters 出色的提案能力与富士通的技术专长相结合的结果。展望未来，我们仍然致力于加强我们的合作伙伴关系，以支持我们客户的业务扩展并应对社会挑战。”
未来轨迹
在实地试验的有希望的结果的基础上，富士通和 Headwaters 致力于进行进一步的测试，为 JAL 的生产部署铺平道路。他们的最终目标是将该解决方案无缝集成到 JAL 现有的生成式 AI 平台中。
此外，富士通设想将专门为 Fujitsu Kozuchi 内的各种类型的工作量身定制的 SLM 合并在一起，从而进一步增强 AI 服务的通用性和适用性。
富士通和 Headwaters 将共同继续通过战略性应用 AI 来支持 JAL 的运营转型，从而应对关键挑战、提升客户服务并解决行业范围的问题。
深入研究：揭示 AI 实施的细微差别
富士通和 Headwaters 之间通过 AI 提高 JAL 运营效率的合作提供了一个引人注目的案例研究，说明如何利用尖端技术来应对现实世界的挑战。让我们剖析支撑该项目成功的关键要素，并探讨其对航空业及其他领域的更广泛影响。
1. 小型语言模型 (SLM) 的战略选择
采用微软的 Phi-4（一种小型语言模型 (SLM)）而不是大型语言模型 (LLM) 的决定是一项战略性的杰作。LLM 虽然具有令人印象深刻的功能，但通常需要大量的计算资源和与云服务器的持续连接。这在网络访问不可靠或不存在的环境中（例如在飞行期间）构成了重大挑战。
另一方面，SLM 旨在在处理能力和存储容量有限的设备上高效运行。特别是 Phi-4 经过精心优化，可在离线环境中运行，使其成为 JAL 项目的理想选择。这种方法不仅确保客舱机组人员可以访问 AI 驱动的报告生成系统，而不管网络可用性如何，而且还减少了对昂贵云基础架构的依赖。
2. 针对领域特定性的微调
虽然 SLM 具有离线操作的优势，但它们通常缺乏其大型同行的知识广度和上下文理解。为了解决此限制，富士通利用其 Kozuchi AI 服务，使用 JAL 的历史报告数据来微调 Phi-4。
微调涉及在特定数据集上训练预训练的语言模型，以提高其在特定任务或特定领域中的性能。在这种情况下，通过将 Phi-4 暴露于大量的 JAL 过去报告，富士通 使该模型能够学习客舱机组人员报告的细微差别，包括特定的术语、格式约定和飞行期间遇到的常见问题。
这种特定于领域的微调显着提高了 AI 生成报告的准确性和相关性，从而确保它们满足 JAL 运营程序的严格要求。
3. 用于提高效率的量化技术
Headwaters 对该项目的贡献不仅限于开发基于聊天的应用程序。该公司还采用了量化技术来进一步优化 Phi-4 在平板设备上的性能。
量化是一种通过使用更少的位来表示其参数来减少神经网络的内存占用和计算要求的技术。例如，与其使用 32 位浮点数，不如使用 8 位整数来表示模型的参数。
这种精度降低会略微降低准确性，但在改进速度和减少内存消耗方面，这种权衡通常是值得的。通过量化 Phi-4，Headwaters 确保了 AI 模型可以在平板电脑设备的有限资源上平稳高效地运行，从而为客舱机组人员提供了无缝的用户体验。
4. 敏捷开发和协作专业知识
JAL 项目的成功还归功于 Headwaters 采用的敏捷开发方法以及富士通-Headwaters 合作伙伴关系的协作精神。
敏捷开发强调迭代开发、频繁反馈以及利益相关者之间的密切协作。这种方法使项目团队能够快速适应不断变化的需求并解决意外的挑战。
富士通和 Headwaters 的互补专业知识对于项目的成功也至关重要。富士通带来了其对 AI 技术及其 Kozuchi AI 服务的深刻理解，而 Headwaters 则贡献了其在 AI 应用程序开发、工作流程分析和敏捷项目管理方面的专业知识。这种技能和知识的协同作用使团队能够开发出真正创新和有效的解决方案。
对航空业的更广泛影响
JAL 项目让人们得以一窥 AI 在航空业的未来。通过自动化报告生成等例行任务，AI 可以腾出客舱机组人员的时间，让他们专注于更重要的职责，例如乘客安全和客户服务。
此外，AI 还可以用于提高许多其他领域的运营效率，包括：
- 预测性维护： AI 可以分析来自飞机的传感器数据，以预测何时需要进行维护，从而减少停机时间并提高安全性。
- 航线优化： AI 可以分析天气模式、交通状况和其他因素来优化飞行航线，从而节省燃料并减少旅行时间。
- 客户服务： AI 驱动的聊天机器人可以为乘客提供即时支持，回答问题、解决问题并提供个性化建议。
随着 AI 技术的不断发展，它在改变航空业方面的潜力是巨大的。JAL 项目是一个有价值的例子，说明如何使用 AI 来提高效率、增强安全性和提升乘客体验。
超越航空：离线 AI 的多功能性
富士通-Headwaters 为 JAL 开展的项目突显了离线 AI 解决方案在各个行业和部门中的广泛适用性。在网络连接有限或没有网络连接的环境中部署 AI 模型的能力为寻求在远程或具有挑战性的环境中利用 AI 力量的组织开辟了无限可能。
1. 偏远地区的医疗保健
在农村或服务欠佳的社区中，医疗保健提供者通常面临与可靠的互联网连接受限有关的挑战。即使在没有稳定互联网连接的情况下，离线 AI 解决方案也可以通过诊断工具、治疗建议和患者监测功能来增强这些提供者的能力。
例如，可以将 AI 驱动的图像识别算法部署在便携式设备上，以帮助医疗保健工作者从医学图像（例如 X 射线或 CT 扫描）中识别疾病。同样，即使在获得专家知识的机会有限的地区，AI 驱动的决策支持系统也可以根据患者的症状和病史提供有关治疗方案的指导。
2. 发展中国家的农业
发展中国家的农民通常无法获得最新的农业信息和技术。即使没有互联网访问，离线 AI 解决方案也可以通过向农民提供有关作物选择、灌溉技术和害虫防治策略的个性化建议来弥合这一差距。
AI 驱动的图像分析工具可用于评估作物健康状况、识别植物病害和检测害虫侵扰，从而使农民能够及时采取行动来保护其产量。此外，AI 驱动的天气预报模型可以为农民提供准确且本地化的天气预报，从而帮助他们就种植、收获和灌溉做出明智的决策。
3. 救灾和应急响应
在发生地震、洪水或飓风等自然灾害之后，通信基础设施通常会中断，从而使救援人员难以协调工作并向有需要的人提供帮助。离线 AI 解决方案可以在这些情况下发挥关键作用，从而为救援人员提供用于态势感知、损害评估和资源分配的工具。
AI 驱动的图像识别算法可用于分析卫星图像或无人机镜头，以评估损害程度并确定最需要紧急援助的区域。同样，即使在没有蜂窝或互联网连接的情况下，AI 驱动的通信平台也可以使救援人员能够彼此以及与受影响的社区进行通信。
4. 制造和工业自动化
在制造工厂和工业设施中，可靠的互联网连接并不总是能够得到保证，尤其是在偏远地区或存在电磁干扰的环境中。即使没有稳定的互联网连接，离线 AI 解决方案也可以使制造商能够自动执行各种流程，例如质量控制、预测性维护和库存管理。
AI 驱动的视觉系统可用于检查产品是否存在缺陷，从而确保仅将高质量的物品运送给客户。同样，AI 驱动的预测性维护模型可以分析来自设备的传感器数据，以预测何时需要进行维护，从而减少停机时间并提高生产率。
富士通-Headwaters 为 JAL 开展的项目有力地证明了离线 AI 解决方案的力量和多功能性。随着 AI 技术的不断进步，我们可以期望在各个行业和部门中看到更多离线 AI 的创新应用，从而使组织能够解决现实世界的问题并改善人们的生活，而无论他们是否可以访问互联网连接。