دانلود ترجمه مقاله کاربرد فناوری پایدار در بهبود بهره وری

نتیجه‌گیری:
در این مطالعه، ما به بررسی چگونگی عملکرد هوش مصنوعی به عنوان یک واسط اطلاعاتی برای تقویت اشتراک‌گذاری اطلاعات و تصمیم‌گیری مشارکتی در عملیات خطوط هوایی پرداختیم. برای انجام این کار، ما 22 مصاحبه نیمه‌ساختاریافته با مدیران ارشد خطوط هوایی انجام دادیم. ما دریافتیم که در حالی که دیجیتالی‌سازی پیشرفت کرده است، بسیاری از خطوط هوایی همچنان در زیرساخت‌های اطلاعاتی پراکنده فعالیت می‌کنند که به شدت به ورودی‌های دستی، به‌روزرسانی‌های تأخیریافته داده‌ها و قابلیت همکاری محدود متکی هستند. این شرایط به عنوان مانعی برای آگاهی موقعیتی آنی و تصمیم‌گیری مشارکتی، به ویژه در طول اختلالات، در نظر گرفته می‌شود. علی‌رغم این چالش‌ها، مدیران خطوط هوایی اعتماد قوی خود را به پتانسیل هوش مصنوعی برای پر کردن این شکاف‌های سیستمی ابراز کردند اما بر نیاز به پیاده‌سازی هوش مصنوعی آگاه از زمینه، همسو با سازمان و با دقت یکپارچه‌شده در رویه‌های عملیاتی تأکید کردند. به طور خاص، یافته‌ها نشان داد که در حالی که سیستم‌های مبتنی بر عامل سازگاری بیشتری را برای مدیریت اختلالات ارائه می‌دهند، پیاده‌سازی آن‌ها نیازمند مجموعه داده‌های غنی است و نمی‌تواند بلافاصله جایگزین سیستم‌های دستی یا مبتنی بر فرآیند فعلی شود. در عوض، یک رویکرد مرحله‌ای توصیه شد، که در آن مدل‌های مبتنی بر فرآیند و مبتنی بر عامل با هم وجود دارند - هر کدام نیازهای عملیاتی متفاوتی را بسته به پیش‌بینی‌پذیری وظیفه و پیچیدگی سیستم برطرف می‌کنند. با تکیه بر این بینش‌ها، این مطالعه چهار توصیه عملی برای پیاده‌سازی هوش مصنوعی در عملیات خطوط هوایی ارائه می‌دهد: اول، ایجاد یک لایه داده یکپارچه در تمام واحدهای عملیاتی باید در اولویت قرار گیرد، به ویژه با یکپارچه‌سازی سیستم‌های پرواز، خدمه، خدمات زمینی و نگهداری در یک پلتفرم مشترک. این نه تنها نیازمند توسعه API فنی و فرمت‌های داده استاندارد است، بلکه نیازمند توافقات رسمی با ذینفعان شخص ثالث برای امکان تبادل داده در زمان واقعی است. دوم، توسعه داشبوردهای مبتنی بر هوش مصنوعی که می‌توانند بینش‌های خاص نقش، حساس به زمان و مرتبط با اقدام را ارائه دهند. به عنوان مثال، مسئولان خدمات زمینی باید بینش‌های پیش‌بینی‌کننده‌ای در مورد تأخیر چمدان‌ها یا تداخل گیت‌ها دریافت کنند، در حالی که تیم‌های کنترل خدمه به هشدارهایی در مورد نقض زمان استراحت یا تداخل در جفت‌شدن نیاز دارند. سوم، استقرار پایلوت‌های هوش مصنوعی در موارد استفاده محدود، مانند تحلیل علت ریشه‌ای تأخیر، پیش‌بینی آماده‌سازی هواپیما یا مدل‌سازی انتشار اختلال. این موارد استفاده ارزش عملیاتی بالا، پیچیدگی قابل مدیریت و نتایج قابل اندازه‌گیری را ارائه می‌دهند، بنابراین آن‌ها را برای یادگیری سازمانی و ایجاد اعتماد ایده‌آل می‌سازد. چهارم، تعبیه ابزارهای هوش مصنوعی به عنوان واسط اطلاعاتی در رویه‌های تصمیم‌گیری موجود مرکز کنترل عملیات یکپارچه (IOCC) و چارچوب‌های تصمیم‌گیری مشترک (CDM)، در نتیجه اطمینان از اینکه خروجی‌های هوش مصنوعی مستقیماً در گردش کار و کانال‌های ارتباطی فعلی قابل اجرا هستند. این همچنین ممکن است شامل ایجاد حلقه‌های تصمیم‌گیری ترکیبی انسان و هوش مصنوعی باشد، که در آن مکانیسم‌های پاسخگویی و لغو به وضوح تعریف شده‌اند و هوش مصنوعی به جای یک مکانیسم موازی، به یک بخش مشارکتی تبدیل می‌شود.

Conclusion:
In this study, we set out to examine how AI can act as an information broker to enhance information sharing and collaborative decision- making in airline operations. To do so, we conducted 22 semi- structured interviews with senior airline managers. We found that while digitalization has progressed, many airlines still operate within fragmented information infrastructures that rely heavily on manual inputs, delayed data updates, and limited interoperability. These conditions are considered a barrier for real-time situational awareness and collaborative decision-making, particularly during disruptions. Despite these challenges, airline managers expressed strong confidence in the potential of AI to fill these systemic gaps but highlighted the need for implementation of context-aware, organizationally aligned, and carefully integrated AI into operational routines. More specifically, the findings revealed that while agent-based systems offer greater adaptability for managing disruptions, their implementation requires rich datasets and cannot replace the current manual or process-based systems immediately. Instead, a phased approach was recommended, where process-based and agent-based models coexist—each addressing different operational needs depending on task predictability and system complexity. Drawing on these insights, this study offers four actionable recommendations for the implementation of AI in airline operations: First, the creation of a unified data layer across all operational units should be prioritised, particularly by integrating flight, crew, ground handling, and maintenance systems into a shared platform. This requires not only technical API development and standardized data formats, but also formal agreements with third-party stakeholders to enable data exchange in real time. Second, the development of AI-driven dashboards that can provide role-specific, time-sensitive, and action-relevant insights. For example, ground handlers should receive predictive insights on baggage delays or gate conflicts, while crew control teams require alerts on rest time violations or pairing conflicts. Third, the deployment of AI pilots in narrow use cases, such as delay root cause analysis, turnaround prediction, or disruption propagation modelling. These use cases offer high operational value, manageable complexity, and measurable outcomes, thus making them ideal for organizational learning and confidence-building. Fourth, embedding AI tools as information broker within existing IOCC decision routines and CDM frameworks, thereby ensuring that AI outputs are directly actionable within current workflows and communication channels. This may also involve creating mixed human-AI decision loops, where accountability and override mechanisms are clearly defined, and AI becomes part collaborative part rather than a parallel mechanism.