Để đạt được mục tiêu này, nghiên cứu này đề xuất một phương pháp nhận dạng mối nguy cơ mất an toàn hàng không thông minh, kết hợp các công nghệ khai thác văn bản (Text Mining) và học sâu (Deep Learning – DL), áp dụng trên dữ liệu về sự cố và kiến thức liên quan đến mối nguy hiểm. Cụ thể, phương pháp này bao gồm việc nhận dạng thực thể có tên (NER) và trực quan hóa đồ thị kiến thức.
Đầu tiên, mô hình Bidirectional Encoder Representations from Transformers (BERT) được sử dụng để xử lý văn bản về các sự cố hàng không, tạo ra các vectơ hóa văn bản dựa trên thông tin theo ngữ cảnh. Những vectơ này sau đó được đưa vào mô hình Bi-directional Long-Short Term Memory và Conditional Random Field (Bi-LSTM-CRF) để xác định các thực thể có nguy cơ mất an toàn ở cấp độ cao.
Sau khi trích xuất các thực thể này, chúng được lưu trữ và trực quan hóa thông qua cơ sở dữ liệu Neo4j, nhằm xây dựng một biểu đồ kiến thức, từ đó các nhà phân tích có thể dễ dàng đánh giá và theo dõi tình hình. Hiệu quả của phương pháp đã được xác thực thông qua hồ sơ sự cố của một công ty bảo dưỡng hàng không.
Phương pháp được đề xuất đã chứng minh khả năng nhận dạng hiệu quả các thực thể có nguy cơ mất an toàn hàng không, cũng như khám phá mối liên hệ nội tại giữa các sự cố và nguy cơ. Điều này giúp nhân viên liên quan nhanh chóng hiểu rõ bản chất và cơ chế của các sự cố, từ đó chủ động áp dụng các biện pháp phòng ngừa, góp phần tăng cường quản lý nguy cơ mất an toàn hàng không một cách hiệu quả.
