數據飛輪驅動機場AI落地 從感知到行動構建閉環

2026年07月16日

人工智能在機場落地的關鍵，在於以數據飛輪串聯採集、分析、行動與反饋，推動旅客服務、預測性維護和運營決策形成閉環，並在治理約束下實現持續增值。

從技術實施的角度看，人工智能在機場真正落地的關鍵並非依賴單一模型，而是一套能夠持續自我強化的「數據飛輪」。多倫多皮爾遜機場數據分析與新興技術負責人Amir Sayegh指出，機場是一個極其獨特的數據環境。飛機、行李系統、電梯與扶梯等設備不斷生成機器數據，旅客行為、消費偏好與流線變化則構成人類數據。機場幾乎可被視為一座由數據驅動的智慧城市。問題的核心不在於數據是否存在，而在於能否將海量信息轉化為可衡量、可執行、可回收的價值。

「數據飛輪」本質上是一套從感知、分析到行動、反饋的閉環機制。先通過傳感器和系統持續採集運行與旅客行為信息，再借助機器學習、統計模型甚至線性回歸提煉模式，隨後將洞見轉化為具體行動，例如優化維護時點、調整客流動線或重新分配資源，最後將執行結果反哺模型，推動系統不斷校準。Sayegh提醒，許多場景並不需要復雜AI；結合Excel、小數據與業務直覺，往往比盲目追逐新技術更有效。

統一聯絡渠道與預測性維護 AI在旅客服務與運營中的關鍵應用

在旅客服務層面，他提出「統一聯絡渠道」的設想，即將呼叫中心與網站聊天機器人整合為一個多語言、多模態接口，讓旅客通過聊天軟件等熟悉工具即可語音溝通、文字咨詢、設置提醒並接收通知，從而在一個入口中與機場的整體能力和數據互動。這一願景成立的前提，是機場流程與設施先完成更徹底的數字化，形成可供AI調用的「數字孿生」。

預測性維護是數據飛輪最具代表性的應用之一。在這一模式下，設備數據先被用於訓練模型，以預測剩餘壽命與故障概率；隨後將預測結果接入工單系統，自動觸發優先級排序與任務指派；維修完成後，實際結果再回流模型，形成持續叠代。當行李系統故障風險與熱門航線客流數據結合分析時，管理者便能看清「現在不修」與「明天大故障」之間的代價差異，從而做出更精準的決策。

AI的分類與治理 從副駕視角實現人機協同

圍繞AI概念，Sayegh也做了清晰區分：傳統機器學習擅長基於標注樣本做預測與分類；生成式AI更像是建立在大規模語料上的「自動補全」系統，逐步具備推理與多模態能力；代理型AI則進一步擁有自主執行能力，可自動完成通知或流程觸發，因此伴隨更高治理要求；物理AI則與機器人和自動駕駛相關，在機場場景中仍具潛力。

不過，數據安全、隱私保護與模型幻覺也成為不可回避的問題。Sayegh主張「紮根」與「分級使用」：面向旅客的AI必須嚴格依附權威資料，只能陳述事實；內部系統可適度開放創意空間，但須配套培訓和人工把關，讓員工始終保有判斷力。在他看來，AI最合適的角色不是替代人，而是成為副駕，幫助運營從被動響應走向主動預判，從局部優化走向整體協同。（鍾韻/ 採訪報道）

 

新聞來源 ：TTG China

本文轉載自TTG China，文章觀點不代表本站立場