Η Αξιοποίηση ‘Δεδομένων Μεγάλου Όγκου’ (Big Data) στην Διαχείριση της Αξιοπλοϊμότητας Αεροσκαφών

Πως φθάσαμε στα Δεδομένα Μεγάλου Όγκου (Big Data)

Σε όλες τις φάσεις του κύκλου ζωής ενός αεροσκάφους παράγεται μια πληθώρα δεδομένων (data). Tα δεδομένα αυτά επιτρέπουν στους μηχανικούς, και γενικότερα σε όσους εμπλέκονται με την επιχειρησιακή εκμετάλλευση και συντήρηση αεροσκαφών, να λαμβάνουν τεκμηριωμένες αποφάσεις για την αποτελεσματική και αποδοτική διαχείριση της αξιοπλοϊμότητας (airworthiness) ενός στόλου αεροσκαφών. Επίσης, μια συνήθης χρήση των δεδομένων αυτών αφορά στην επίδειξη συμμόρφωσης με τους κανονισμούς (regulatory compliance) που διέπουν την αρχική και εν συνεχεία αξιοπλοϊμότητα αεροσκαφών (initial and continuing airworthiness). Αυτό αποτελεί πάγια πρακτική από την εποχή των πρώτων κανονισμών έως και σήμερα.

Ωστόσο, κατά την τελευταία δεκαετία έχει αυξηθεί δραστικά ο όγκος των δεδομένων που έχουμε δυνατότητα να συλλέξουμε και να αποθηκεύσουμε. Αυτό οφείλεται στην αύξηση του αριθμού των αισθητήρων που διαθέτουν τα συστήματα αεροσκαφών, όπως επίσης και στη βελτίωση της ποιότητας των δεδομένων που παράγονται, καθώς η τεχνολογία των αισθητήρων έχει και αυτή βελτιωθεί δραστικά. Τα δεδομένα αυτά συλλέγεται με σχολαστικότητα από τους κατασκευαστές και τους χρήστες των αεροσκαφών. Πως, όμως, αυτός ο τεράστιος όγκος δεδομένων μπορεί να αξιοποιηθεί με τον καλύτερο δυνατό τρόπο; Αυτή τη στιγμή διαθέτουμε ένα τεράστιο πλήθος από δεδομένα που θα μπορούσαμε να αναλύουμε για πολλά χρόνια, αλλά το πόσο χρήσιμα θα ήταν αυτά τα δεδομένα για τις πραγματικές (καθημερινές) ανάγκες των αερομεταφορών παραμένει ένα ερώτημα που δεν έχει ακόμη απαντηθεί επαρκώς.

Η Υπάρχουσα Κατάσταση

Η αεροπορική βιομηχανία βρίσκεται λοιπόν σε μια κατάσταση ‘συμφόρησης’ (bottleneck) ως προς την ικανότητα που διαθέτει να αναλύσει με ουσιώδη τρόπο τον όγκο αυτών των δεδομένων, καθόσον οι υπάρχουσες μέθοδοι και εργαλεία δεν είναι κατάλληλες για τον σκοπό αυτό. Όπως συμβαίνει με κάθε περίπλοκο πρόβλημα, μια ‘μονοδιάστατη’ προσέγγιση δεν θα βοηθήσει ώστε για να βρεθεί λύση στο υπόψη πρόβλημα. Η διαχείριση και η ανάλυση «δεδομένων μεγάλου όγκου» ή big data κατά τη διεθνή ορολογία, μπορεί να είναι μια νέα έννοια για την πλειοψηφία των επαγγελματιών του αεροπορικού χώρου, αλλά όχι και για τους επαγγελματίες που αναλύουν εδώ και δεκαετίες δεδομένα σε άλλους κλάδους βιομηχανικής και μη παραγωγής, όπως για παράδειγμα στο εμπόριο, στις τραπεζικές συναλλαγές, κλπ. Η δημιουργία συνεργειών μεταξύ αυτών των κατηγοριών επαγγελματιών είναι ίσως μια καλή ιδέα. Ωστόσο, γι’ αυτό απαιτείται να αναπτυχθεί μια λογική συναντίληψης μεταξύ των επίδοξων συνεργατών, κάτι το οποίο δεν είναι πάντα εύκολο.

Το οικονομικό όφελος που μπορεί να επιτευχθεί από την καλύτερη αξιοποίηση των δεδομένων αυτών για την επιχειρησιακή εκμετάλλευση των αεροσκαφών είναι σημαντικό. Το ίδιο ισχύει για τη σχεδίαση, την πιστοποίηση και την παραγωγή των αεροσκαφών, ωστόσο το έναυσμα για αλλαγές στο αεροπορικό χώρο συνήθως δίνεται από τους αερομεταφορείς, για τους οποίους η μείωση του λειτουργικού κόστους αποτελεί πάντα ένα ζήτημα υψηλής προτεραιότητας. Πέρα από την εξοικονόμηση πόρων, η ανάλυση big data μπορεί να συμβάλλει θετικά στην βελτίωση των επιδόσεων στον τομέα της ασφαλής λειτουργίας αεροσκαφών (safety), όπου επικίνδυνες τάσεις μπορούν να ανιχνευθούν έγκαιρα πριν οποιαδήποτε κλιμάκωση (π.χ. παρ’ ολίγον συμβάντα, συμβάντα πριν την γένεση συνθηκών για ατυχήματα).

Η Διαχείριση των Big Data

Για οποιαδήποτε αλλαγή συνήθως βρισκόμαστε αντιμέτωποι με τεχνολογικές και μη προκλήσεις που καλούμαστε λύσουμε, σε συνδυασμό με τις όποιες απαιτήσεις προκύπτουν από τους κανονισμούς του ρυθμιστικού πλαισίου (regulatory framework) που πρέπει να ικανοποιούνται για να μπορέσουμε να χρησιμοποιήσουμε νέες διαδικασίες, τεχνολογίες, προϊόντα κ.λπ. Στην περίπτωση της συλλογής δεδομένων μεγάλου όγκου (big data) που σχετίζονται με την αξιοπλοϊμότητα αεροσκαφών (airworthiness), η αποθήκευση και η ανάλυση τους είναι μία από τις κύριες προκλήσεις που καλείται να αντιμετωπίσει κανείς. Πώς διαχειριζόμαστε αυτά τα δεδομένα με ασφαλή τρόπο (safe and secure); Η ευκολία με την οποία μπορούμε να συλλέξουμε και να διαμοιρασθούμε για χρήση ηλεκτρονικά δεδομένα είναι σίγουρα πλεονέκτημα έναντι των δεδομένων που αποθηκεύονται σε έντυπη μορφή, όμως η ίδια αυτή η ευκολία μπορεί να αποτελέσει και πηγή διαφόρων προβλημάτων, όπως η μη συμμόρφωση (non-compliance) με τους υπάρχοντες κανονισμούς, πιθανή απώλεια/καταστροφή δεδομένων κ.ο.κ..

Επομένως, η ακεραιότητα και η ασφάλεια των δεδομένων πρέπει να διασφαλίζεται σε όλο το ‘μήκος της αλυσίδας’ διαχείρισης της αξιοπλοϊμότητας αεροσκαφών, με το ίδιο να ισχύει και για τα εργαλεία διαχείρισης δεδομένων (hardware and software) και τις διεργασίες ανάλυσης (protocols and codes). Για παράδειγμα, ο τρόπος με τον οποίο επεξεργαζόμαστε και ερμηνεύουμε τα δεδομένα στις αναλύσεις που αφορούν την αξιοπιστία των συστημάτων αεροσκαφών πρέπει να είναι καθορισμένος με σαφήνεια. Χωρίς αυτή την αυστηρή περιγραφή δεν θα καταστεί δυνατόν να λάβουμε τις απαραίτητες εγκρίσεις από τις ρυθμιστικές αρχές (π.χ. EASA) ώστε να μπορέσουμε να χρησιμοποιήσουμε οποιαδήποτε μη παγιωμένη μεθόδο στην διαχείριση της αξιοπλοϊμότητας ενός στόλου αεροσκαφών. Ωστόσο, η ενδεχόμενη απλούστευση μιας μεθόδου ανάλυσης δεδομένων, ούτως ώστε αυτή να γίνει ‘εύπεπτη’ για τις ρυθμιστικές αρχές (και να τύχει μιας εύκολης και γρήγορης έγκρισης), δεν θα μας επιτρέψει να εκμεταλλευθούμε τα οφέλη που προκύπτουν από μη-συμβατικές, και εν γένει πιο περίπλοκες, μεθόδους.

Τα Οφέλη

Τι οφέλη θα λάβω από την χρήση των big data στην διαχείριση της αξιοπλοϊμότητας αεροσκαφών; Η απάντηση στο ερώτημα θα έρθει με την μέτρηση των οφελών, αφού αυτά κατόπιν θα μας καθοδηγήσουν ώστε να εντοπίσουμε τις πηγές και τον τύπο των δεδομένων που θα πρέπει να αναλύσουμε. Εάν, για παράδειγμα, επιχειρήσουμε να αναλύσουμε το σύνολο των μετρήσεων που συλλέγονται από ένα σύστημα παρακολούθησης ενός αεροκινητήρα, με σκοπό να εντοπίσουμε λειτουργικές τάσεις για να βελτιώσουμε την αξιοπιστία του συστήματος, θα είναι εξαιρετικά δύσκολο να καταλήξουμε σε οποιαδήποτε λύση (λόγω της περιπλοκότητας του προβλήματος). Ο προσδιορισμός της πηγής και της πιστότητας των συλλεγόμενων δεδομένων, των στόχων μας και των όποιων περιορισμών διαθέτουμε, αποτελεί μια καλή στρατηγική για να κινηθούμε στοχευμένα προς μια εφικτή λύση. Ένας από αυτούς τους περιορισμούς αποτελεί η επίτευξη των απαιτήσεων που προκύπτουν από τους κανονισμούς ασφαλείας και πιστοποίησης (safety and certification regulations). Θέτοντας όμως πάρα πολλούς περιορισμούς στο πρόβλημα που επιθυμούμε να επιλύσουμε μπορεί να έχει ως αποτέλεσμα είτε στο να μην καταλήξουμε σε κάποια λύση, είτε στο να λάβουμε μια απλοϊκή λύση. Τα δύο αυτά αποτελέσματα είναι μη επιθυμητά. Συμπερασματικά, η στρατηγική που θα ακολουθήσουμε για την διαχείριση δεδομένων μεγάλου όγκου (big data) μπορεί, ή ίσως θα πρέπει, να βασισθεί στις βασικές αρχές επίλυσης προβλημάτων engineering εν γένει.

Υποστήριξη από την Διοίκηση της Εταιρίας/Οργανισμού

Όπως προαναφέρθηκε, η διαχείριση των big data για αεροπορικές εφαρμογές διαθέτει έναν πολυδιάστατο χαρακτήρα, ως εκ τούτου τα εργαλεία που θα χρησιμοποιηθούν θα πρέπει να επιλεγούν με προσοχή. Η ποσοτικοποίηση του θετικού οικονομικού αντίκτυπου που μπορούν να έχουν τα big data στην ‘καθημερινότητα’ των αερομεταφορέων είναι αποτελεσματικός τρόπος ώστε να προσελκύσει κανείς την προσοχή της διοίκησης οποιασδήποτε εταιρίας/οργανισμού. Ωστόσο, το μη-τεχνικό προσωπικό που λαμβάνει τις τελικές αποφάσεις για τη διαχείριση ενός στόλου αεροσκαφών (managers) θα πρέπει να έχει ενημερωθεί/εκπαιδευθεί επί του θέματος (τι είναι big data – τι περιλαμβάνει η διαχείριση τους – τι υποδομή απαιτείται γι’ αυτό). Τις περισσότερες φορές όμως αυτό δεν μπορεί να γίνει με ίδιες δυνάμεις, επομένως θα πρέπει να προσφύγει κανείς στις γνώσεις και την εμπειρία που διαθέτουν άλλοι κλάδοι στην επιτυχή εκμετάλλευση big data. Μόνο με την υποστήριξη της διοίκηση της εταιρίας/οργανισμού οι μηχανικοί διαχείρισης αξιοπλοϊμότητας (airworthiness engineers) θα αποκτήσουν πρόσβαση στα απαραίτητα γνωστικά και υλικά μέσα για να αναπτυχθεί η υποδομή για την διαχείριση των big data. Για παράδειγμα, αυτό μπορεί να περιλαμβάνει την προσαρμογή υφιστάμενου λογισμικού (software) ή την απόκτηση εντελώς νέων πακέτων λογισμικού.

Πηγή: Kourousis, K.I., 2017. Big Data in the Context of Airworthiness Management Airworthiness Matters, International Federation of Airworthiness, UK