Namen tega diplomskega dela je bil raziskati, kako umetna inteligenca izboljša potniške tokove in pospeši vkrcavanje, s poudarkom na potrebah manjših letališč.
Implementacija umetne inteligence za napovedovanje čakalnih vrst in razdalj na manjših letališčih zmanjšuje obremenitev zaposlenih, saj potnikom omogoča boljšo presojo o potrebi po asistenci.
Končno, uporaba umetne inteligence prispeva k povečanju zmogljivosti letališča za obdelavo potnikov, k razbremenitvi osebja in točnejšemu vkrcanju, kar posledično poveča zadovoljstvo potnikov.
Sodobna letališča se srečujejo z izzivi pri upravljanju potniških tokov in zagotavljanju učinkovitih procesov vkrcavanja, kar vpliva na zadovoljstvo potnikov, delovno obremenitev osebja in stroške. Zamude so pogosto posledica slabih informacij in težav z ročno prtljago – večja letališča za optimizacijo teh procesov uvajajo napredne tehnologije, kot so umetna inteligenca, računalniški vid in pametni navigacijski sistemi. Implementacija umetne inteligence za napovedovanje čakalnih vrst in razdalj na manjših letališčih zmanjšuje obremenitev zaposlenih, saj potnikom omogoča boljšo presojo o potrebi po asistenci. Končno, uporaba umetne inteligence prispeva k povečanju zmogljivosti letališča za obdelavo potnikov, k razbremenitvi osebja in točnejšemu vkrcanju, kar posledično poveča zadovoljstvo potnikov. Metodologija je vključevala kvantitativno in eksperimentalno-prototipno analizo z uporabo simuliranih podatkov iz sistemov AODB in DCS.
Zakaj je problem resničen
Sodobna letališča se srečujejo z izzivi pri upravljanju potniških tokov in zagotavljanju učinkovitih procesov vkrcavanja, kar vpliva na zadovoljstvo potnikov, delovno obremenitev osebja in stroške. Zamude so pogosto posledica slabih informacij in težav z ročno prtljago – večja letališča za optimizacijo teh procesov uvajajo napredne tehnologije, kot so umetna inteligenca, računalniški vid in pametni navigacijski sistemi. Namen tega diplomskega dela je bil raziskati, kako umetna inteligenca izboljša potniške tokove in pospeši vkrcavanje, s poudarkom na potrebah manjših letališč.
Metodološki cilj je bil tudi preučiti vlogo umetne inteligence pri podpori raziskovalnega projekta. Raziskava je preverjala štiri ključne hipoteze, ki so bile vse potrjene. Kombinacija umetne inteligence in beaconov z navigacijo in s pametnimi obvestili izboljšuje pravočasnost potnikov pri vkrcanju.
Umetna inteligenca in računalniški vid pred varnostno kontrolo učinkovito preprečujeta težave zaradi prevelike ročne prtljage, zmanjšujeta zamude in konflikte.
Metoda
Implementacija umetne inteligence za napovedovanje čakalnih vrst in razdalj na manjših letališčih zmanjšuje obremenitev zaposlenih, saj potnikom omogoča boljšo presojo o potrebi po asistenci.
Kaj je nastalo
Končno, uporaba umetne inteligence prispeva k povečanju zmogljivosti letališča za obdelavo potnikov, k razbremenitvi osebja in točnejšemu vkrcanju, kar posledično poveča zadovoljstvo potnikov. Metodologija je vključevala kvantitativno in eksperimentalno-prototipno analizo z uporabo simuliranih podatkov iz sistemov AODB in DCS. Razvit je bil prototip simulatorja, ki vizualizira potniške tokove in preverja prtljago.
Kvalitativni del je temeljil na opazovanju z udeležbo in dialogu z orodji umetne inteligence. Umetna inteligenca na letališču transformira reaktivno odpravljanje težav v proaktivno, saj omogoča prediktivne vpoglede in avtomatizirane odločitve. Čeprav ustrezna integracija sistemov na manjših letališčih ostaja izziv, simulacijski prototip dokazuje, da je mogoče z omejenimi integracijami doseči merljive izboljšave.
Raziskava prispeva k razumevanju digitalne preobrazbe v letalstvu in nudi usmeritve za implementacijo rešitev umetne inteligence za večjo učinkovitost in zadovoljstvo potnikov.
Objavljeno 3. 8. 2025 · licenca CC BY-NC 4.0 (besedilo in PDF diplomskega dela; fotografije in videi © Academia) · izvirna objava: academia.si.
Slike, sheme in zaslon
Še iz modula Programsko inženirstvo
Varnostna analiza lokalnega in oblačnega shranjevanja podatkov pri celičnih terapijah
Avtomatizacija backend procesov z uporabo umetne inteligence
Primerjava dveh orodij za statično analizo kode (SAST) za začetnike: SonarQube CE proti Semgrep
Želite v dveh letih narediti tak projekt?
Pustite e-pošto. V enem delovnem dnevu dobite osebni odgovor karierne svetovalke: ali je modul pravi za vas, kako se prizna vaša služba kot praksa in koliko stane – plus predmetnik, urnik in cenik.
Go Higher.