تعتبر نظم إدارة الحركة الجوية غير المأهولة (UTM) جزءاً أساسياً من التطور التكنولوجي الحديث، إذ تهدف إلى تنسيق وإدارة مجموعة من الطائرات بدون طيار عن بُعد. ولأن هذه النظم حيوية، فإنها تحتاج إلى درجة عالية من الأمان والأداء، حيث لا يمكنها التعامل مع الأخطاء مثل التصادمات أو الفشل في تنفيذ المهام.

تسلط الدراسة الجديدة الضوء على التحديات التي تواجه نظم UTM، حيث لا توجد حالياً طرق نموذجية لكشف نقاط الضعف. تمثل قدرة هذه النظم على استشفاف الأعطال الطويلة الأجل مشكلة كبيرة تُعرف بـ"تأثير الذيل الطويل" (long-tail effect).

لحل هذه التحديات، اقترح الباحثون استخدام نماذج المحولات (Transformers) في إطار المعالجة التسلسلية لكشف نقاط الضعف. يعتمد هذا الاقتراح على آليات الانتباه التي تساعد في نمذجة العلاقة بين حالات النظام والتنبؤ بالأفعال المثلى. ويتضمن النموذج الذي ابتكره الباحثون "نموذج السياسة" (Policy Model) الذي يولد سيناريوهات اختبار مستهدفة.

علاوة على ذلك، تستخدم المنهجية وظيفة مكافأة قائمة على المخاطر لإعادة توجيه الاستكشاف وتحسين الفعالية. أظهرت الدراسات التي أجريت على نموذج محاكاة استمرت 700 ساعة تحسناً مذهلاً بمقدار 8 مرات في فعالية اكتشاف نقاط الضعف مقارنة بالاختبارات التقليدية.

هذا البحث يفتح آفاق جديدة لفهم كيف يمكن استخدام تقنيات الذكاء الاصطناعي لتعزيز أمان نظم إدارة الطيران من خلال كشف الأخطاء الحرجة التي قد لا يتم ملاحظتها بالطرق التقليدية. هل تعتقد أن هذه التقنية قادرة على تغيير وجه صناعة الطيران غير المأهولة؟ شاركونا آراءكم في التعليقات!