La aviación es un sistema de transporte complicado, y la seguridad reviste una importancia primordial porque los fallos de las aeronaves suelen conllevar víctimas. La prevención es claramente la mejor estrategia para la seguridad del transporte aéreo. Aprender de los datos de incidentes pasados para evitar que se produzcan accidentes potenciales ha demostrado ser un enfoque acertado. Para prevenir posibles riesgos para la seguridad y elaborar planes de prevención eficaces, los expertos en seguridad aérea identifican los factores primarios y contribuyentes a partir de los informes de incidentes. Sin embargo, los procesos de revisión de los expertos en seguridad se han vuelto prohibitivamente caros en la actualidad. El número de informes de incidentes aumenta rápidamente debido a la aceleración de los avances en las tecnologías de la información y al crecimiento de las industrias del transporte aéreo comercial y privado. En consecuencia, deben aplicarse algoritmos avanzados de minería de textos para ayudar a los expertos en seguridad aérea a facilitar el proceso de extracción de datos sobre incidentes. Este artículo se centra en la construcción de modelos basados en aprendizaje profundo para identificar factores causales a partir de informes de incidentes. En primer lugar, preparamos los conjuntos de datos utilizados para el entrenamiento, la validación y las pruebas con aproximadamente 200.000 informes de incidentes calificados del Sistema de Informes de Seguridad Aérea (ASRS). A continuación, tomamos como referencia un modelo de lenguaje natural de código abierto, bien entrenado con un gran corpus de textos de Wikipedia, y lo perfeccionamos con los textos de los informes de incidentes para adaptarlo mejor a nuestra tarea de investigación específica. Por último, construimos y entrenamos un modelo de memoria a corto plazo basado en la atención (LSTM) para identificar los factores primarios y contribuyentes en cada informe de incidente. La solución que proponemos tiene capacidad multietiqueta y es automatizable y personalizable, y es más precisa y adaptable que los métodos tradicionales de aprendizaje automático en la investigación existente. Esta novedosa aplicación de algoritmos de aprendizaje profundo al sistema de notificación de incidentes puede mejorar eficazmente la seguridad de la aviación.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Estrategias de límite de velocidad variable basadas en el modelo de flujo de tráfico de control macrojerárquico
Artículo:
El efecto de los estilos parentales en la familiaridad de los niños con las señales de tráfico
Video:
Florian Wahl - Aplicaciones logísticas de la industria de la construcción 4.0 con MCU MicroPython y ESP32
Artículo:
Efectos de la Variación en la Demanda y Políticas de Inventario en la Cadena de Suministro: Un Análisis desde la Óptica de la Dinámica de Sistemas
Artículo:
ShipYOLO: un modelo mejorado para la detección de buques
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.