Identificación de parámetros críticos para eventos de seguridad en la aviación comercial mediante aprendizaje automático

En los últimos años, se ha producido un rápido crecimiento en la aplicación de técnicas de ciencia de datos que aprovechan los datos de aviación recopilados de las operaciones de aerolíneas comerciales para mejorar la seguridad. Este artículo presenta la aplicación del aprendizaje automático para mejorar la comprensión de los factores de riesgo durante el vuelo y sus cadenas causales. Con la creciente complejidad y el volumen de las operaciones, la rápida acumulación y el análisis de estos datos relacionados con la seguridad tienen el potencial de mantener e incluso reducir las bajas tasas globales de accidentes en la aviación. Este artículo presenta el desarrollo de una metodología analítica denominada Safety Analysis of Flight Events (SAFE) que sintetiza la limpieza de datos, el análisis de correlación, el aprendizaje supervisado basado en clasificación y un esquema de visualización de datos para agilizar el aislamiento de parámetros críticos y la eliminación de factores tangenciales en los eventos de seguridad en la aviación. La metodología SAFE describe un marco robusto y reproducible que es aplicable a conjuntos de datos heterogéneos que contienen múltiples aeronaves, aeropuertos de operaciones y fases de vuelo. Se demuestra en datos de Flight Operations Quality Assurance (FOQA) de una aerolínea comercial a través de casos de uso relacionados con tres eventos de seguridad, a saber, Tire Speed Event, Roll Event y Landing Distance Event. La aplicación de la metodología SAFE genera una lista clasificada de parámetros críticos en consonancia con las concepciones de los expertos en la materia sobre estos eventos para los tres casos de uso. El trabajo concluye planteando cuestiones importantes sobre los niveles de compatibilidad entre el aprendizaje automático y la conceptualización humana de los incidentes y sus precursores, y proporciona una orientación inicial para su conciliación.