Travel Tomorrow AI MeetUp: de use cases van Schiphol (2)

In de reisbranche wordt flink geëxperimenteerd met artificial intelligence. Zo denkt Schiphol na over een model waarmee wachttijden bij de security kunnen worden voorspeld zodat de capaciteit daarop kan worden afgestemd en passagiersstromen beter gemanaged. Maar er is meer.

Tijdens de Travel Tomorrow AI MeetUp die begin september werd gehouden door ANVR, Vakantiebeurs en Emerce, gaf Julio Peironcely, Lead Data Science Schiphol een toelichting op waar de luchthaven mee bezig is. “De reden waarom het gebruik van data voor Schiphol interessant is, is omdat we met de huidige capaciteit qua ruimte, vliegbewegingen en medewerkers een groei in het aantal passagiers in goede banen moeten leiden. Dat is een flinke uitdaging voor onze operatie,” aldus Peironcely.

API’s voor intern en extern gebruik

Schiphol heeft informatie over een deel van de customer journey van de reiziger, maar vooral over processen in de terminal. Door delen van dat proces met behulp van deep learning of simpelere data-analysetechnieken in kaart te brengen, heeft Schiphol een aantal API’s ontwikkeld die voor intern en/of extern gebruik beschikbaar zijn. “Als wij weten en delen hoe druk het is op Schiphol, dan kan NS daar bijvoorbeeld rekening mee houden bij het geven van een reisadvies. Of als er een gate change is geweest, dan kan KLM of easyJet een seintje geven aan de passagier. We stellen de data van stukjes van de reis beschikbaar zodat de reisbranche meer contactmomenten met klanten kunnen hebben en een betere experience bieden. Dat doen we in de vorm van API’s: kleine functies die developers kunnen aanroepen om informatie te krijgen. Met Flight API weet je bijvoorbeeld welk vluchtnummer op welk moment arriveert bij welke gate en daar kun je business logica op bouwen en zo een nieuwe dienst bieden. We hebben bijvoorbeeld ook een Waiting Time API waarmee we de actuele wachttijden bij security kunnen delen.”

Optimale volgorde van de turnaround

Ook interessant is de proof of concept die momenteel wordt ontwikkeld met deep learning voor de turnaround. Het toestel komt bij de gate, de passagiers gaan naar buiten, de bagage en vracht worden afgeladen, er wordt getankt, de catering en de schoonmaak komen erbij, enzovoorts tot het moment dat de pushback truck er is en het toestel weer weg kan. “Deze operatie moet snel en efficiënt zijn, anders ontstaat er vertraging. De afhandeling wordt echter niet door Schiphol zelf, maar door ground handling gedaan. Wij hebben daardoor geen data of inzicht wanneer de cateringtruck arriveert of de bagage van boord wordt gehaald. Het wordt niet gemeten en als dat niet gebeurt, weet je niet wat er gaande is. Met behulp van deep learning kunnen we via videobeelden de stappen uit het proces identificeren. ‘Dit is een vliegtuig, dit is een pushback truck, dit is een container.’  Het doel is dat het model uiteindelijk in een nieuwe video zelf die boxes kan plaatsen zodat je de operatie precies in kaart hebt.”

De eerste versie van het model was niet heel goed, bekent Peironcely. “We hadden niet genoeg data en daardoor maakte het model fouten. KLM is de grootste klant op Schiphol, dus het algoritme identificeerde grote blauwe dingen als vliegtuig en liet bijvoorbeeld een wit toestel van Delta ongelabeld. Het systeem leert niet hoe een vliegtuig eruitziet maar dat een groot blauw ding een vliegtuig is. De oplossing hiervoor is om het meer data te geven met grote witte en zwarte dingen en het leren dat dat ook vliegtuigen kunnen zijn. Voor dit soort fouten hebben we een kleine tool ontwikkeld waarop je fouten kunt aanklikken zodat het model ervan leert. Zo proberen we fouten te minimaliseren. Voordeel hiervan is dat we nog meer data krijgen met juiste labels.”

Met de inzichten die op deze manier worden verkregen uit deep learning kan in samenwerking met de luchtvaartmaatschappijen en de grondafhandelaars  de operatie op de luchthaven worden verbeterd. “Niemand weet nu wat de optimale volgorde is van evenementen voor een turnaround. Maar hiermee zijn we iets dichterbij gekomen. Dat is de kracht van data-analyse.”