Badacze z Airbusa opracowali model uczenia maszynowego do szacowania wagi helikoptera w czasie rzeczywistym bezpośrednio na pokładzie. System wykorzystuje sieć neuronową LSTM (Long Short-Term Memory) i został wyuczony na ogromnych zbiorach danych z istniejącej floty helikopterów eksploatowanych na całym świecie. Implementacja opiera się na wymaganiach ML Requirements oraz formalnym opisie modelu, a następnie została zweryfikowana na rzeczywistych komputerach awioniki.
Projekt wyróżnia się podejściem do compliance i bezpieczeństwa - badacze dokumentują cały proces zgodnie z wytycznymi EASA (Europejska Agencja Bezpieczeństwa Lotniczego) oraz międzynarodowym standardem Eurocae ED-324, który określa wytyczne dla stosowania ML w systemach lotniczych. To jest kluczowe, ponieważ wdrażanie modeli ML na pokładzie dla funkcji krytycznych wymaga rygorystycznych procesów walidacji, aby zagwarantować niezawodność i bezpieczeństwo.
Praktyczne znaczenie tej pracy jest duże - dokładne szacowanie wagi helikoptera w locie ma bezpośredni wpływ na uruchamianie odpowiednich systemów ostrzegawczych i zarządzanie ograniczeniami operacyjnymi. Demonstracja na starszych systemach awioniki pokazuje, że rozwiązanie jest kompatybilne z rzeczywistym sprzętem lotniczym. To stanowi szablon dla podobnych aplikacji ML w systemach krytycznych lotniczych, gdzie przepisy zdecydowanie wymuszają takie formalne podejścia do walidacji, a nie jedynie metodami empirycznymi.