Enfouissez un plan de vol sous des NOTAMs sans intérêt et les pilotes cessent de le lire.
La fonction flight operations d'un transporteur mondial croulait sous les NOTAMs, nous avons construit le filtre AI qui a rendu son signal au cockpit.
3 avril 2026
Chaque vol reçoit un Operational Flight Plan : route, fuel, météo, NOTAMs. Le système de flight-planning retourne chaque NOTAM associé à chaque espace aérien et aéroport le long de la route, ce qui est exhaustif, et épuisant. Les pilotes finissent par parcourir des dizaines de pages de notices à faible pertinence pour trouver les quelques-unes qui comptent vraiment pour le secteur qu'ils survolent. En coulisses, l'équipe de revue NOTAM, déjà réduite après la restructuration pandémique, passait des jours par route à filtrer à la main. La question : l'AI pouvait-elle compresser la revue sans compresser la marge de safety ?
- 01
Parser la source, ne pas faire confiance au format.
Les operational flight plans sont PDF-natifs, structurés pour la lecture humaine plutôt que pour l'ingestion programmatique. Nous avons construit un pipeline de parsing custom pour extraire proprement chaque NOTAM, la fondation peu glamour qui a rendu tout le downstream possible.
- 02
Mettre des business rules sous l'AI.
Une approche purement ML aurait été plus rapide à livrer et plus dure à faire confiance. Nous avons choisi une architecture deux-couches : filtrage rule-driven pour les catégories où la compliance est explicite (company NOTAMs, performance NOTAMs, catégories mandatory), et un classifier entraîné pour le milieu ambigu. Le choix éditorial : en flight operations, les règles sont auditables ; les modèles sont opaques. Utilisez chacun où il a sa place.
- 03
Boucler avec le système source.
La sortie du filtre est revue par un agent flight-operations et renvoyée dans le système upstream, pour que les NOTAMs non désirés cessent d'apparaître dans les futurs plans de vol. Le système devient plus silencieux à chaque tour.
La revue NOTAM par route est passée de plusieurs jours à une demi-journée. L'équipe flight-planning a récupéré de la capacité à un moment où la capacité était la contrainte. Les pilotes reçoivent des plans de vol plus propres et plus pertinents, et la cohérence rules-aligned du filtre fait que deux pilotes sur la même route lisent désormais la même vue filtrée. La safety s'est améliorée non par plus d'information, mais par moins de la mauvaise information. Le déclic : une boucle de feedback qui compose, chaque vol rend le plan du suivant plus propre.
“Dans les workflows régulés et à enjeu, la bonne architecture n'est pas ML ou règles, c'est les deux. Construisez la couche règles pour l'auditabilité, la couche ML pour l'ambiguïté, et la boucle de feedback pour le compounding.
Enfouis sous un volume documentaire que personne ne peut revoir à la vitesse exigée par l'opération ? Nous aidons les fonctions safety-critical à réduire le temps de revue sans réduire la marge de safety.
Discutons
