ANAが乱気流予測にAI、パイロットの報告数万件を学習して正答率86%

乱気流は風速や風向きの変化から生じますが、気象条件と地形が複雑に影響し合うため、どこで起きるのかをあらかじめ言い当てるのが難しい現象です。従来の予測は定型的な指標をもとに組み立てられており、予測した位置と実際に揺れが報告された位置が一致しないケースもありました。

編集部の見立てでは、ここでの本質的な困りごとは計算の細かさが足りないことではなく、「実際にどこで揺れたのか」という答え合わせの材料が予測の側に戻っていなかったことにあります。パイロットは飛行のたびに揺れを報告しており、現場には答えにあたる記録が積み上がっていました。それでも、定型の指標で構成された予測手法には、その答えを取り込む口が用意されていなかったのではないでしょうか。

この取り組みの軸になったのは、一般的な気象情報に、パイロットが残してきた揺れの報告を重ねて学習させた設計です。報告は10年以上にわたって数万件が蓄積されており、いつ、どのあたりで、どの程度の揺れが起きたのかという実際の記録がそろっています。気象データだけを眺めていては指標に落としきれなかった乱気流の特徴を、深層学習が実測の記録と突き合わせながら捉えられるようになった点に、方式そのものの転換があります。

精度を現場の納得へ接続したのは、2,500名を超えるパイロットを対象に4年をかけた評価プロセスです。当たり外れを数値で測るだけなら、開発側だけでも短い期間で回せます。それでも実際に操縦する人たちの反応を継続的に取り込む進め方を選んだのは、乱気流予測が「合っているか」だけでなく「頼りにして操縦の判断を変えられるか」まで問われる用途だからでしょう。使う人が評価者を兼ねる開発の組み方は、安全に関わる予測AIでとりわけ効いてきます。

大学発のベンチャーであるBlueWXが予測システムそのものを開発し、航空会社側が現場のデータと評価の場を担うという役割分担も、この進め方を支えています。さらに世界中の航空会社から追加で取得した乱気流情報でモデルを鍛え直し、日本上空から対象を広げていく順序がとられました。データの厚い領域で先に形にしてから適用範囲を伸ばす手順は、信頼性を落とさずに使える場面を増やすための現実的な選択です。

AIが乱気流の発生に関わる特徴を的確に捉えられるようになり、日本上空の予測モデルでは正答率86%に到達しました。従来は乱気流の報告情報と予測位置が食い違うことがありましたが、新しいシステムでは両者が正確に一致することが確認されています。ANAはこれを正式に導入し、運航の安全性と快適性の向上、そして搭乗する人が安心できる環境の強化につなげました。予測の正しさが位置の単位で検証されていることは、成果の確かさを支える材料と言えます。