Por que explicar incidentes de aviação?
A segurança de voo depende diretamente de quão precisamente entendemos as causas de situações anormais. Não basta detectar um evento perigoso como um pouso brusco — é preciso entender quais ações da tripulação e parâmetros de voo levaram a esse desfecho. Sem isso, é difícil desenvolver recomendações e prevenir a repetição de erros.
Métodos tradicionais de IA explicável, como mapas de importância de características, mostram quais fatores influenciaram a decisão, mas exigem conhecimento técnico profundo do analista. Modelos de linguagem conseguem construir descrições textuais coerentes, mas ao trabalhar com dados de aviação surgem dificuldades: indicadores numéricos de sensores e relatórios textuais não se integram bem, os modelos são fracos em classificação, e há poucos dados rotulados para ajuste fino.
O que é o FlightLLM?
Os autores da pesquisa propõem a abordagem FlightLLM, que combina os pontos fortes de algoritmos estatísticos e grandes modelos de linguagem. O objetivo não é apenas determinar o que aconteceu, mas explicar por quê. O "especialista" numérico é responsável pela análise de parâmetros, e o modelo de linguagem gera uma explicação compreensível para humanos.
A solução consiste em vários blocos. Primeiro, a engenharia de características: aos dados dos sensores são adicionadas características estatísticas e indicadores fisicamente significativos, para reduzir a lacuna entre a representação numérica e a textual. Em seguida, o módulo de discretização semântica transforma padrões numéricos em descrições qualitativas como "redução brusca da velocidade vertical". Adicionalmente, o CatBoost é usado como especialista estatístico — sua previsão entra no prompt e serve como referência para o modelo de linguagem.
Como funciona o processo de explicação?
O sistema recebe registros de voo como entrada. Após a extração de características e a discretização semântica, os dados numéricos ganham uma aparência mais "humana". Em seguida, o CatBoost fornece uma avaliação preliminar do evento, que, junto com um prompt estruturado e conhecimentos de aviação, é transmitida ao grande modelo de linguagem. Os prompts são construídos para que o modelo veja exemplos corretos e incorretos — essa é uma estratégia few-shot contrastiva. Como resultado, o modelo gera uma explicação que aponta diretamente para as causas prováveis, em vez de apenas listar características correlacionadas.
Em que o FlightLLM foi testado?
Os experimentos foram realizados com dados reais: 704 amostras de voos A320. O evento-alvo escolhido foi o pouso brusco.
Os resultados mostraram que o FlightLLM alcança precisão de classificação competitiva e, ao mesmo tempo, fornece explicações diretas e lógicas das causas dos incidentes. Ou seja, o método não apenas não perde para classificadores especializados, mas também adiciona uma interpretação importante para a análise de voos.
Por que isso é importante
A explicabilidade na aviação não é um luxo, mas uma necessidade. Pilotos e analistas recebem uma ferramenta que ajuda a transformar dados brutos em cenários compreensíveis de desenvolvimento de eventos. No futuro, esses sistemas podem se tornar parte dos procedimentos padrão de investigação de incidentes e treinamento de tripulações.
