Pourquoi expliquer les incidents aéronautiques ?
La sécurité des vols dépend directement de la précision avec laquelle nous comprenons les causes des situations anormales. Il ne suffit pas de détecter un événement dangereux comme un atterrissage brutal — il faut comprendre quelles actions de l'équipage et quels paramètres de vol ont conduit à ce résultat. Sans cela, il est difficile d'élaborer des recommandations et de prévenir la répétition des erreurs.
Les méthodes traditionnelles d'IA explicable, comme les cartes d'importance des caractéristiques, montrent quels facteurs ont influencé la décision, mais exigent de sérieuses connaissances du domaine de la part de l'analyste. Les modèles de langage savent construire des descriptions textuelles cohérentes, mais des difficultés apparaissent avec les données aéronautiques : les indicateurs numériques des capteurs et les rapports textuels s'articulent mal, les modèles sont faibles en classification, et les données annotées pour le fine-tuning sont rares.
Qu'est-ce que FlightLLM ?
Les auteurs de l'étude proposent l'approche FlightLLM, qui combine les points forts des algorithmes statistiques et des grands modèles de langage. L'objectif est non seulement de déterminer ce qui s'est passé, mais aussi d'expliquer pourquoi. Un « expert » numérique analyse les paramètres, tandis que le modèle de langage génère une explication compréhensible pour l'humain.
La solution se compose de plusieurs blocs. D'abord, l'ingénierie des caractéristiques : aux données des capteurs s'ajoutent des caractéristiques statistiques et des indicateurs physiquement significatifs, afin de combler l'écart entre la représentation numérique et textuelle. Ensuite, un module de discrétisation sémantique transforme les schémas numériques en descriptions qualitatives comme « diminution brutale de la vitesse verticale ». En complément, CatBoost est utilisé comme expert statistique — sa prédiction entre dans le prompt et sert de repère au modèle de langage.
Comment fonctionne le processus d'explication ?
Le système reçoit en entrée les enregistrements de vol. Après l'extraction des caractéristiques et la discrétisation sémantique, les données numériques prennent un aspect plus « humain ». Ensuite, CatBoost fournit une évaluation préliminaire de l'événement, qui, avec un prompt structuré et des connaissances aéronautiques, est transmise au grand modèle de langage. Les prompts sont conçus pour que le modèle voie à la fois des exemples corrects et erronés — c'est une stratégie few-shot contrastive. En résultat, le modèle produit une explication qui pointe directement vers les causes probables, plutôt que de simplement énumérer des caractéristiques corrélées.
Sur quoi FlightLLM a-t-il été testé ?
Les expériences ont été menées sur des données réelles : 704 échantillons de vols A320. L'atterrissage brutal a été choisi comme événement cible.
Les résultats ont montré que FlightLLM atteint une précision de classification compétitive tout en fournissant des explications directes et logiques des causes des incidents. Autrement dit, la méthode ne perd pas face aux classificateurs spécialisés, mais ajoute en plus une interprétation précieuse pour l'analyse des vols.
Pourquoi c'est important
L'explicabilité en aviation n'est pas un luxe, mais une nécessité. Les pilotes et les analystes disposent d'un outil qui aide à transformer les données brutes en scénarios compréhensibles du déroulement des événements. À l'avenir, de tels systèmes pourraient faire partie des procédures standard d'enquête sur les incidents et d'entraînement des équipages.
