Chiến lược nâng cao an toàn hàng không và giảm thiểu tai nạn có ý nghĩa quan trọng trong việc giảm thiểu sự cố trong hệ thống hàng không và xây dựng các biện pháp an toàn hiệu quả và có tính kỷ luật.

Để đạt được mục đích này, nghiên cứu này đề xuất một Phương pháp nhận dạng mối nguy an toàn hàng không thông minh kết hợp các công nghệ khai thác văn bản (Text Mining) và học sâu (Deep Learning – DL), được áp dụng trên dữ liệu sự cố và kiến ​​thức về mối nguy hiểm.

Cụ thể, phương pháp này bao gồm nhận dạng thực thể có tên (NER) và trực quan hóa đồ thị kiến ​​thức. Đầu tiên, mô hình Bidirectional Encoder Representations from Transformers (BERT) được sử dụng để xử lý các văn bản sự cố gây mất an toàn hàng không và tạo ra các vectơ hóa văn bản dựa trên thông tin theo ngữ cảnh. Các vectơ hóa văn bản đã được đào tạo, sau đó được đưa vào mô hình Bi-directional Long-Short Term Memory và Conditional Random Field (Bi-LSTM-CRF) để đưa ra các thực thể có nguy cơ gây mất an toàn cấp độ cao.

Tiếp theo, các thực thể có nguy cơ mất an toàn được trích xuất, lưu trữ và trực quan hóa bằng cơ sở dữ liệu Neo4j – để xây dựng biểu đồ kiến ​​thức mà từ đó các nhà phân tích có thể đánh giá trực tiếp tình hình. Hiệu quả của phương pháp này được xác thực bằng cách sử dụng hồ sơ sự cố của một công ty bảo dưỡng hàng không.

Phương pháp được đề xuất có thể xác định hiệu quả các thực thể có nguy cơ mất an toàn hàng không và khám phá mối liên hệ nội tại giữa các sự cố và nguy cơ mất an toàn, cho phép nhân viên có liên quan hiểu được bản chất và cơ chế của sự cố một cách nhanh chóng, chủ động áp dụng các biện pháp phòng ngừa, do đó chủ động hỗ trợ để tăng cường quản lý nguy cơ mất an toàn hàng không.