航空公司维修中的生成 AI 机会

航空航天与国防实践 航空公司维修中的生成AI机会 对于从维修副驾驶到文书助理的每个人来说，生成AI可以提高生产率并缓解劳动力短缺。航空公司和相关公司如何掌握基础知识？ 本文是Christian Langer，Daniel Leblanc，Dave Marcontell，Joe Nutter，Eric Porter和Joel Thibert的合作成果，代表了麦肯锡航空航天与国防实践的观点。 幕后操作，飞机维护、修理和大修(MRO)是航空业最重要的功能之一。 工业将需要保持现有飞机的可用性，可靠性和使用寿命更长。 没有它，航空公司就无法实现每天安全地将近一千万人运送到世界各地130亿英里的非凡壮举。1 与此同时，该行业的劳动力受到挤压，成本飙升。在通货膨胀以及工人需求旺盛和供应不足的推动下，飞机技术人员的小时工资 如今，这个不可或缺的行业正面临前所未有的逆风。最近商业航空旅行的两位数增长，全球飞机短缺以及COVID- 19大流行导致的延迟维护积压，将对MRO服务的需求推至新高。航空公司看起来 和维护工程师自2019年以来增加了20%以上。一波退休也导致了更初级(因而生产力更低)的劳动力。在未来,这些劳动力短缺预计将持续甚至加剧。到2033年,五分之一的航空维护技术员工作预计将空缺(图表1)。此外, 为了在新飞机供应受限的情况下满足日益增长的乘客需求，MRO 在过去的一年中，生成型人工智能取得了迅速的发展，这是解决其中一些挑战的一个有希望的机会。 附件1 由于预计航空维修技术人员短缺，航空公司必须更新其人才和劳动力策略。 预计到2033年需要的航空维修技术人员数量 麦肯锡公司 航空公司和MRO参与者正在与供应链中断和材料成本通胀作斗争。 正在重塑工作的未来2并在其他行业转变生产力。3 Gen AI工具特别适合基于知识和数据密集型业务，例如航空MRO。飞机MRO行业的许多角色都依赖于对各种不同格式和来源的信息的分析和解释，包括制造商和操作员服务手册，维护工作单，详细 生成的AI机会 在过去的一年里发展迅速的生成人工智能(generativeAI)代表了一种有希望的解决这些挑战的机会。这项技术-可以根据人类提示从大量数据中生成相关内容- 维护任务的描述（工作卡），技术人员笔记和飞行员的记录，以及大量的飞机传感器和仪器数据。 “压缩机正在泄漏。可能是什么问题？”或“从我的最后一班中提取笔记。” 识别最有可能的初始解决方案，并由具有技术素养的助手提供有关解决问题和后续步骤的建议。Gen AI可以通过相对简单的“阅读”非结构化和未充分利用的信息源来生成此内容，包括维护手册和以前的数据例如，一家领先的地区航空公司目前正在建立一个试点项目，该项目允许工人在聊天框中键入问题或问题，该聊天框使用gen AI来识别并提供手册的相关部分。 为了组织和解释所有这些数据，航空公司和MRO提供商已经在利用各种广泛的AI技术，例如预测分析和机器学习。该行业的大型语言实验然而，模型和Gene AI还处于早期阶段，迄今为止，主要集中在寻求增加收入、乘客参与度和客户忠诚度的应用程序上。 去年，随着董事会对geer AI的承诺嗡嗡作响，航空公司开始将脚趾浸入水中。他们为面向消费者的应用程序（如呼叫中心和旅行计划）创建了试点项目，并使用Geeral AI工具来帮助自动化和降低软件开发成本。然而，航空公司运营的用例很少。大多数航空公司高管还没有相信商业案例来证明投资新一代人工智能技术的合理性。 —AI增强可靠性工程工具。为了确保飞机设备在服务期间能够正常运行而不会出现故障，可靠性工程师团队会筛选大量非结构化维护记录。工程师会寻找故障模式并评估是否正在执行正确的飞机维护任务。GenAI工具可以改变 The productivity of this process by do the sifting, patternrecognition, and analysis almost instanteally. Thisinformation could then响应工程师的提示。例如，美国领先的航空公司MRO运营的可靠性团队是尝试使用此类工具从维护日志中提取故障模式，并自动设置计划的维护任务。这种AI增强功能减少了工程师的日常工作，腾出了时间，使他们可以利用自己的专业知识来解决最棘手的可靠性问题。最终，这可能会导致主动识别可靠性挑战的解决方案，从而减少飞机的非服务时间。 今天，前景更加吉祥。许多航空公司和MRO公司将Geeral AI工具和解决方案视为帮助维护和后台员工更轻松，更高效地完成工作的一种手段。鉴于MRO行业严重的劳动力短缺，这些能力可能会成为实质性的生产力杠杆。我们也有理由相信，Gee AI平台可以提高维护工作的质量、一致性和准确性，最终让更多的飞机在天空中飞行，并最大限度地减少飞机的非服务期。 我们认为航空公司和MRO提供商有可能以多种方式使用Gene AI，例如： 在这种情况下和上述情况下，都取决于工程师或技术人员来决定如何对Gen AI模型产生的信息采取行动。人类总是坐在驾驶座上。 —虚拟AI维护和维修专家（“副驾驶”）。在车间，机库和生产线维护站，飞机技术人员花费大量时间研究和解决问题。GenAI可以通过允许工人与他们的数据进行“对话”来显着简化这一点。想象一下一个机械师与数字助理互动： —负责忙碌工作的助手。一旦Gen AI “副驾驶员”协助进行故障排除或维修，就可以要求他们填写记录的报告 对潜在问题创建有针对性的反馈。这个概念类似于航空公司非常成功的飞行运营质量保证(FOQA)计划。而不是视频，FOQA计划使用详细的定位数据来做飞机的实际位置相对于飞行计划和方法指示的飞行后比较。分析偏差和趋势以改善飞行员的训练和表现。 这项活动为工人节省了大量时间。他们还可以接受培训，自动生成和提交所需更换零件或额外服务的工作和采购订单。技术人员可以花费更多的时间来研究、故障排除和手动报告准备，而不是花费大约60%的时间 他们在“扳手时间”上的时间-做实际的技术工作。 —供应链经理。许多公司都在运营某种类型的供应链控制塔——一个数据、关键业务指标和整个供应链事件的互联仪表板。基于AI的预测分析工具可以通过分析不同的通信和交付模式来增强这个指挥中心，以自动识别供应和交付问题的预警迹象。供应链分析师可以使用一代AI聊天机器人。深入挖掘这些问题或获得建议的行动来减轻它们。 在后台，Ge AI可以产生类似的效率。额外的记录保存自动化和审计将有助于采购、人力资源、财务和行政人员识别数据中的差距或不一致，并标记潜在的不合规问题。一些航空公司正在研究Gee AI工具，这些工具可以被提示将新购置的飞机的记录集成到他们的企业资源规划(ERP)系统中。目前，。这项工作涉及数周的人工审查和飞机维修历史的迁移。 通过帮助员工更有效地完成工作，这些用例有望帮助航空公司和MRO参与者缓解一些劳动力挑战。其他行业的证据表明，生产率有显著提高的潜力。例如，一家矿业公司预计技术人员解决设备问题所需的时间至少减少35%。一旦其用于gener AI根本原因分析和测试的支持工具完全扩展，则可以将进行计划外修复所需的时间减少25％（图表2）。 —常设质量控制主管。Inrecentyears,someairlinesthathaveless-experiencedtechnicalworkforceworkforcehaveseenincreasedrateofmiskormissingitemsduringmaintaining,oftenleadingtocoverlyrepairsorrework. 或跳过的步骤。在这种情况下，将部署和调整AI学习模型以分析连续视频馈送，然后标记事件以供经理评估。然后，经理可以与启用AI的“主管”进行交互 麦肯锡公司 将Geeral AI虚拟专家与现有维护系统配对需要数字化流程、集成的IT架构和可用的数字数据。在不影响运营或更重要的安全或适航性的情况下实施这一点将意味着众多跨职能利益相关者之间的合作。在部署之前，还必须对解决方案进行彻底测试和重新测试，因为失败和重复迭代不是可行的选择。 人工智能工具和学习模型也代表了技能培训的有用途径-加速新员工的入职，支持现有员工的持续技能提升，并帮助确保机构知识和专业知识不会在每次员工退休时走出大门。 这不仅仅是技术：正确掌握基础知识 虽然Gene AI是更高效运营的推动者，但它并不是万能的。该技术必须在有效的、仔细考虑的管理策略和工作方式之上分层，以避免路障。 最近的经验表明，获取Gen AI的潜在价值比预期的要难。4 开发技术本身虽然不是一件小事，但只是硬币的一面。大约二十年前，当诸如预测性维护之类的AI用例首次出现时，许多航空公司在弄清楚这些解决方案如何真正推动价值方面面临挑战。例如，公司在着陆之前经历了长时间的反复试验 保持严格的安全和法规遵从性。商用飞机的维护是一项高风险的操作。安全是不可协商的。如果准确性 不是无可挑剔的，或者质量不能达到高标准，可能会导致严重后果。在 关于预测性维护解决方案，可以成功识别飞机的潜在问题并减少停机时间。今天，挑战是类似的。航空公司和MRO提供商正在努力解决如何将gen AI超越挑衅性和盈利能力。为了走上这条道路，航空公司和MRO参与者将需要解决几个挑战。 短期内，Gee AI平台不会完美无瑕，因此航空公司和MRO提供商不应该在关键场景中盲目依赖它们。为了管理安全风险，最好的AI用例是那些加速和增强人类判断力的AI副驾驶。然而，这些应用仍然需要在严格和严格的质量保证和质量控制过程中进行大量投资。为了解决监管机构的担忧，人类需要接受培训，以捕捉和消除潜在的人工智能“幻觉” — —或者产生虚假或误导性信息。 在谨慎和敏捷之间取得适当的平衡。在一个受监管、依赖安全和资本密集型、利润率历史较低的行业中，航空公司和MRO提供商没有奢侈品 找到合适的人才。开发和集成Gee AI解决方案所需的技能超出了技术敏锐度。除了构建和调整大型语言模型的经验之外，数据科学家和软件开发人员还需要一系列其他能力，例如设计技能，以了解Gee AI解决方案应该集中在哪里以及如何集中，以及强大的取证技能，以找出故障的原因。此外，了解类型。 能够部署“快速失败”方法— —立即在许多实验中投入资源，看看什么会奏效。因此，从历史上看，该行业在接受变革和实施尖端技术方面比其他人慢，尤其是在非面向客户的领域。许多航空公司和MRO参与者仍在这个过程中 从遗留系统迁移并在与第三方供应商的交互中使用纸质或基于PDF的维护记录。解决此技术缺陷和“脏指纹”记录保存是释放Gene AI潜力的重要障碍。 新一代AI平台将需要高质量的答案 Gene AI用例的精确优先级因公司而异，许多航空公司和MRO参与者可能会在访问数字记录，排查聊天机器人副程序，自动化合规性审核以及用于库存计划的虚拟助手方面找到短期机会。 要生产，其中一些技术人才将需要航空公司维护专业知识-不容易找到的技能组合。作为替代方案，航空公司和MRO参与者可以聘请翻译来帮助促进技术人才和前线维护人员之间的沟通和协作。 拥有正确的数据。航空业会产生大量的运营和性能数据，但要将其用于通用AI平台，航空公司和MRO提供商将需要拥有或访问这些丰富的数据。这可能需要航空公司，MRO供应商和制造商之间的合作。 决定如何和在哪里玩 这听起来很明显，但如果没有明确的战略愿景，公司很容易转向太多方向。Ge AI的最佳用例可能在MRO提供商和飞机运营商之间有所不同。MRO参与者可能会发现，早期采用将有助于为他们提供竞争优势，降低成本，并为他们提供通过向航空公司出售解决方案来创收的选择。另一方面，航空公司可能会优先考虑提高飞机性能（例如，减少停运时间），并专注于自己的运营，而不是第三方货币化。所有类型的玩家都需要决定是否建造，购买或合作。例如，一家大型支线航空公司决定，如果人工智