I dagens flygverksamhet tillhandahålls flyginformationstjänst (FIS) för trafik i okontrollerat luftrum (klass G) av flygledare ansvariga för det kontrollerade luftrummet ovanför (klass C). FIS-tjänsten bidrar till flygledarens uppgiftsbelastning och riskerar serviceluckor av otillgänglighet vid hög arbetsbelastning hos flygledaren. Genom digitalisering och automation kan konceptet ”digital flyginformationstjänst” (DFIS) avlasta flygledaren och öka tillgängligheten av flyginformationstjänst för dagens och morgondagens luftrumsbrukare, men även inspirera andra delar av transportsektorn. Detta projekt introduceras i linje med koncept inom SWIM (System-Wide Information Management) och möjliggörs av framsteg inom artificiell intelligens, mer specifikt subdomänerna automatisk taligenkänning, språkförståelse och talgenerering.   

Vi bedömer att röstinteraktion kommer att förbli relevant för flygtrafik i okontrollerad luft under flygnivå 100 (10000ft), där luftrumsbrukaren ofta navigerar under visuellflygregler (VFR) i goda siktförhållanden. Den föreslagna DFIS-tjänsten är tänkt att operera på en dedikerad VHF-frekvens (”very high frequency”), likt ordinära frekvenser för flygledning. Piloter kan på denna frekvens göra anrop för att begära information, som systemet sedan svarar mot. DFIS genomför kortfattat följande tekniska steg: 

• Taligenkänning, så kallat ”tal till text”. Här ingår att detektera huvudspråk (svenska/engelska i Sverige), men det är även vanligt med blandat språk samt dialektala variationer som systemet måste hantera. 
• Språkförståelse inklusive avsikts- och begreppsklassificering. Här ingår att detektera pilotens avsikt, samt relevanta namn och begrepp (flygplats, anropssignal, restriktionsområde etc.)  
• Talgenerering av information till piloten.  

En initial, begränsad prototyp med preliminära ovanstående förmågor har utvecklats och integrerats mot valideringsplattformen NARSIM för flygledningssimulering, i syfte att utgöra en enkel demonstration. Prototypen är baserad på så kallade ”förtränade” artificiella neurala nätverk-modeller för ovanstående tre förmågor, där språkmodellerna i grunden har tränats på större, generella dataset inom allmänt mänskligt språk. Sedan har modellerna anpassats till domänspecifika fraser och begrepp genom modellanpassning och specifik träning (”fine-tuning”). Denna process underlättas av att standardfraseologi tillämpas i radiotelefoni inom flyget, vilket är ett antagande som tillämpats i generering av träningsdata.