毫無疑問，人工智能（AI）是空運業數碼化發展的熱門話題，但要成就未來，首先仍需克服許多困難。以下國泰貨運站及國泰的地勤服務代理商─香港機場地勤服務有限公司（HAS）的實例，正可證明人工智能技術的價值。然而這亦正是重點所在，要知道人工智能未必能解決所有問題，它必須先證明自己的作用。

或許你是使用國泰貨運網站的搜尋功能找到這篇文章。若是如此，你應該是經由「AI語意搜尋」演算法，而非標準的關鍵字搜尋而連結到本文。貨運數碼主管林沛怡表示：「那是一個更聰明的搜尋工具，由於它是採用小數據的語意分析方式，因此可以迅速啟動。」

在國泰貨運目前會採用人工智能的工作當中，許多均具備與上述搜尋演算法類似的特徵。林沛怡指出：「我們一直在後台研究如何運用人工智能進行數據分析，例如改良定價策略，或完善操作檢查程序。因此，相較於安檢篩查等營運方面的功能，人工智能所帶來的影響並非即時可見。」

國泰貨運在使用人工智能的多個概念驗證（POC）項目上，部分已做得十分成功，有些則仍未盡如人意。許多AI項目都採用「機器學習」來分析結構化資料，藉此學習及識別資料內的模式。這技術在許多潛在的人工智能空運方案背後起著非常重要的作用，因為電腦在傳遞及分類數據上的速度比人類快得多。

雖然空運業正逐步邁向無紙化運作，但每件貨物仍會產生大量數據需要處理，而運送每件貨物時，亦必須根據各種規例及海關申報程序等要求互相參照。貨運服務總經理王守廉解釋：「貨運服務團隊的工作檯上都放著厚厚的書冊，內容關乎運送危險品、活體動物和新鮮貨物的規例，約有3,000頁之多。我們正在探究如何使用人工智能及其大型語言模型，協助理解並更容易運用這些資訊。」

我們的數碼團隊目前正利用大型語言模型進行一項概念驗證，利用智能檢查處理進出口管控，確保特定類型商品已由相關機構提供牌照。林沛怡說：「我們正為此創建一個相關的商業案例，準備在年底前完成。」

至於未來的重點，將投放在進一步發展數據分析技術以提升預測準確度。林沛怡指出：「從許多方面來看，數據都是重要資產，因此我們希望透過機器學習來改進運力管理和定價，同時能夠掌握更多有關市場和訂艙行為模式的資訊。」

運用人工智能的實例

AI支援安全分析

隨著成功完成概念驗證測試，國泰貨運站現已成為全港首個引進最新型安全監控系統的航空貨運站，將AI技術與現有的閉路電視系統無縫結合，提供實時偵測及報告，關注貨場內潛在的安全和保安風險，例如工作場地內的職員未有佩戴正確的安全設備或偏離行人通道，以及車輛和場地設備彼此距離太近，或太過接近附近的工作人員。

國泰貨運站與業內領先的人工智能工作場所安全解決方案供應商Intenseye合作，該安全監控系統著重私隱，其設計旨在識別危險情況而非留意個別人士，正好與貨運站承諾執行的「公正文化」不謀而合。

常務總裁華馬克說：「安全是國泰貨運的成功基石，也一直是我們的首要任務。人工智能不會取代我們現有的安全管理系統或規則，但可有效提升和改善現有系統。這個系統的優點在於能夠與我們現有的閉路電視攝錄機互相配合。我們的系統已連接至監控高風險區的攝錄機，待明年實施機器學習，我們將陸續拓展至更多區域。」

由於初步成效表現理想，項目現已延伸至保安應用層面，例如偵測系統會指出錯誤人員出現在錯誤地點，或貨物在貨車裝卸停泊位置內出現無人看管情況，這是Intenseye專門為國泰貨運站開發的功能。

以人工智能篩查鋰電池

除了將人工智能結合影像分析，國泰貨運站亦採用AI技術提升鋰電池篩查，這是進行安檢時另一重要程序。為加強對運送鋰電池進行安全篩查，國泰貨運站在去年夏天推出此項提升計劃，當時已率先採用專有的圖像資料庫，以降低錯誤申報鋰電池的情況。

華馬克表示：「業界在辨識未經申報鋰電池方面已取得長足進展，但在錯誤申報鋰電池上仍存有潛在風險。例如，某些申報為供小型裝置使用的低功率電池，結果原來是可供電動單車使用的高功率電池。」

AI鋰電池篩查會利用先進的演算法，準確偵測和辨識貨物中的鋰電池，能減低鋰電池因易燃性而引致火災的潛在風險。

華馬克說：「一年多前，我們已在國泰貨運站加強鋰電池的篩檢工作。」自此，在國泰貨運的支援下，此安檢程序已成為香港業界的標準。他續道：「我們正在為所有貨物安檢機增添AI技術，當遇有任何散貨或預先包裝貨件未有在上游經過預先篩檢，均可利用此AI功能加快處理程序，並防止錯誤申報或未經申報的鋰電池進入貨運站。」

已開始進行的下一階段工作是引入熱成像監測技術來強化安檢設備，以求鋰電池出現潛在溫度異常時能及時辨識，並即時採取行動。

HAS的安全駕駛措施

國泰集團全資擁有的地勤服務代理商香港機場地勤服務有限公司，推出了一項先進的人工智能監測系統概念驗證，有助監控在機場範圍內及四周行駛車輛的駕駛者行為。初步試驗計劃在接載國泰員工往返機場各處的巴士上安裝兩組攝錄機，一組用來監察司機，另一組則用以監測路面情況。這系統會利用4G網絡實時遙測及發送數據，然後透過機器學習辨識和記錄司機不當的駕駛行為，包括明顯的疲勞狀態、注意力不集中、禁區範圍內超速、急煞或加速等。

數據會用以建立熱圖，辨識需要改善行為或特別留意的具體地點，同時亦可監測駕駛者的警覺性。找出潛在問題後，管理階層便可加強培訓司機，透過提高安全意識，進而顯著減少因駕駛行為不當造成事故的比率。自推行此系統以來，試驗計劃每月記錄的里數一直增長，而與駕駛行為不當有關的情況卻減少了一半，顯示在安全駕駛訓練計劃相輔相成下，該計劃已取得應有成效。