Identificación de factores causales incidentales para mejorar la seguridad en el transporte aéreo: Propuesta de un enfoque de aprendizaje profundo

La aviación es un sistema de transporte complicado, y la seguridad es de suma importancia porque las fallas en las aeronaves a menudo implican bajas. La prevención es claramente la mejor estrategia para la seguridad en el transporte aéreo. Aprender de los datos de incidentes pasados para prevenir accidentes potenciales ha demostrado ser un enfoque exitoso. Para prevenir peligros de seguridad potenciales y elaborar planes de prevención efectivos, los expertos en seguridad aérea identifican factores primarios y contribuyentes a partir de informes de incidentes. Sin embargo, los procesos de revisión de los expertos en seguridad se han vuelto prohibitivamente costosos en la actualidad. El número de informes de incidentes está aumentando rápidamente debido a la aceleración de los avances en tecnologías de la información y el crecimiento de las industrias de transporte aéreo comercial y privado. En consecuencia, se deben aplicar algoritmos avanzados de minería de texto para ayudar a los expertos en seguridad aérea a facilitar el proceso de extracción de datos de incidentes. Este artículo se centra en la construcción de modelos basados en aprendizaje profundo para identificar factores causales a partir de informes de incidentes. Primero, preparamos los conjuntos de datos utilizados para el entrenamiento, la validación y la prueba con aproximadamente 200,000 informes de incidentes cualificados del Sistema de Informe de Seguridad de la Aviación (ASRS). Luego, tomamos un modelo de lenguaje natural de código abierto, que está bien entrenado con un gran corpus de textos de Wikipedia, como base y lo ajustamos con los textos en informes de incidentes para hacerlo más adecuado a nuestra tarea de investigación específica. Finalmente, construimos y entrenamos un modelo de memoria a largo y corto plazo (LSTM) basado en atención para identificar factores primarios y contribuyentes en cada informe de incidente. La solución que proponemos tiene capacidad multilabel y es automatizada y personalizable, y es más precisa y adaptable que los métodos tradicionales de aprendizaje automático en la investigación existente. Esta aplicación novedosa de algoritmos de aprendizaje profundo al sistema de informes de incidentes puede mejorar de manera eficiente la seguridad en la aviación.