Svaki put kada zemaljska ekipa otkrije kvar na izlazu za ukrcaj, primjerice pogrešno očitanje hidrauličkog tlaka ili vibracije motora izvan dopuštenih granica, počinje odbrojavanje. Zrakoplov dobiva status AOG, odnosno ostaje prizemljen zbog tehničkog problema. Susjedni izlazi moraju prilagoditi raspored. Putnici se preusmjeravaju na druge letove. Zrakoplovna kompanija gubi od $10,000 do $150,000 po satu zbog izgubljenih prihoda, premještanja posada i hitne logistike, prema IATA pokazateljima koje OxMaint navodi u svojoj MRO analizi iz ožujka 2026.
Više od 60% takvih AOG slučajeva povezano je s kvarovima koje sustavi temeljeni na prediktivnoj umjetnoj inteligenciji mogu otkriti 15 do 30 dana prije stvarnog otkaza. Tehnologija koja može spriječiti većinu takvih situacija već postoji. Ključno pitanje više nije postoji li rješenje, nego kako se ono uvodi i uvodi li se uopće.
Tržište zrakoplovnog IoT-a poraslo je na $11.03 milijarde u 2026. godini, u odnosu na $9.13 milijardi godinu ranije. To je rast od 20.8%, potaknut uglavnom uvođenjem prediktivnog održavanja i praćenjem stanja zrakoplova u stvarnom vremenu. I to više nisu samo pilot-projekti. Riječ je o sustavima koji već rade u stvarnim operacijama.
Problem održavanja prema kalendaru
Zrakoplovstvo je desetljećima funkcioniralo prema jednoj osnovnoj logici: komponente se mijenjaju prema fiksnom rasporedu, na temelju broja sati leta ili kalendarskih rokova. Takav pristup je siguran jer sprječava korištenje dijelova nakon isteka njihova projektiranog vijeka trajanja. No istodobno stvara troškove koje je industrija dugo prihvaćala kao normalan dio poslovanja.
30 do 40% komponenti koje se mijenjaju prema fiksnim intervalima još uvijek ima preostali uporabni vijek u trenutku demontaže. Istodobno, značajan dio neplaniranih kvarova događa se između zakazanih provjera, kada pojedine komponente degradiraju brže nego što je predviđeno rasporedom. Interval je osmišljen za prosječan slučaj. Problem je u tome što se stvarni kvarovi rijetko ponašaju kao prosjek.
Globalno MRO tržište procjenjuje se na $85 milijardi, a oko 40% tih troškova odnosi se na reaktivne, neplanirane popravke. Samo hitni popravak stoji 4.8 puta više od planiranog održavanja, prema ATA MSG-3 analizi troškova u industriji.
Prediktivno održavanje postavlja drukčije pitanje. Ne “kada smo zadnji put zamijenili ovu komponentu?”, nego “što podaci senzora sada govore o stanju te komponente?”. Na prvo pitanje može se odgovoriti tablicom. Drugo zahtijeva ugrađene senzore i analitiku u stvarnom vremenu.
Što senzorski sloj zapravo radi
Suvremeni komercijalni zrakoplov generira više od 1 TB senzorskih podataka po letu. Motori, APU, stajni trap, hidraulika, avionika — svaki ključni sustav može imati senzore koji prate frekvenciju vibracija, temperaturne profile, tlak i sate rada.
Sirova telemetrija sama po sebi nije dovoljna. Vrijednost nastaje kada ML modeli, trenirani na osnovnim profilima OEM-a i povijesnim bazama kvarova, otkrivaju mikroanomalije tjednima prije nego što se pojave na pokazivačima u pilotskoj kabini.
Prema podacima Boeingove AnalytX platforme za flotu, prosječno vrijeme ranog upozorenja iznosi 21 dan. To je dovoljno da se popravak planira u bazi, da se dijelovi naruče po standardnim uvjetima i da se pošalje ekipa koja već zna što treba popravljati, umjesto da u dva sata ujutro u udaljenoj zračnoj luci dijagnosticira nepoznat kvar.
No arhitekture koje u potpunosti ovise o oblaku imaju ozbiljno ograničenje u takvom okruženju. Satelitska veza na krstarećoj visini i dalje može biti nestabilna. Još je važnije to što neke zadaće nadzora zahtijevaju reakciju kraću od jedne milisekunde. Slanje podataka u oblak i natrag to ne može pouzdano osigurati. Zato Edge AI nije samo poželjna opcija, nego praktična potreba.
Što Edge AI znači u zrakoplovu
Edge AI znači da se obrada i analiza izvode na samom uređaju, a ne u udaljenom podatkovnom centru. Neural processing unit, odnosno NPU, ugrađen u system-on-chip, lokalno provodi otkrivanje anomalija, označava odstupanja u stvarnom vremenu i šalje dalje samo relevantne podatke o događajima. Cijeli tok senzorskih podataka ne mora se stalno slati u oblak.
Hardverski ekosustav već je sustigao te potrebe. Novi SoC-ovi tvrtki NXP, MediaTek i STM32 sada dolaze s namjenskim NPU jezgrama za Edge AI zadatke. Zephyr RTOS sve se češće koristi za sigurne, energetski učinkovite povezane uređaje. Embedded World 2026 jasno je pokazao da je Zephyr postao jedan od važnih izbora za embedded razvoj u kojem su sigurnost, stabilnost i kontrola resursa posebno važni. U zrakoplovnim okruženjima, gdje je potrošnja energije ograničena, a načini otkaza imaju veliku težinu, izbor hardvera vrlo brzo počinje oblikovati cijelu arhitekturu.
Arhitektura koja funkcionira u proizvodnom okruženju svjesno raspodjeljuje odgovornosti. Senzori prikupljaju telemetriju na razini komponente. Obrada na uređaju otkriva anomalije i bilježi odstupanja od osnovnih OEM profila. Edge gateway agregira događaje iz različitih sustava. Oblak služi za ponovno treniranje modela i analitiku na razini cijele flote. Edge donosi brzinu i otpornost. Oblak donosi učenje i skaliranje. Granica između njih arhitektonska je odluka, a ne zadana postavka.
Certifikacijski problem koji se rijetko objašnjava jednostavno
DO-178C regulira softver u zrakoplovnim sustavima. DO-254 odnosi se na hardver. Nijedan od tih standarda nije pisan s prilagodljivim strojnim učenjem na umu. EASA razvija smjernice posebno za umjetnu inteligenciju. Njezin okvir za Level 1 i Level 2 AI sustave trebao je napredovati prema finalizaciji tijekom 2026. godine. No certifikacija konkretnog proizvoda i dalje zahtijeva opsežnu dokumentaciju, dokaze sljedivosti i vrijeme.
Praktičan put kroz taj problem počinje pravilnim određivanjem opsega. Sustavi za prediktivno održavanje koji djeluju u sloju nadzora i analitike, odnosno otkrivaju anomalije, stvaraju upozorenja i automatiziraju radne naloge, ali ne ulaze izravno u kritične sustave upravljanja letom, imaju znatno jednostavniju regulatornu situaciju. Oni rade izvan certificiranog aviončkog okruženja. Ako se ta granica pogrešno postavi na početku, rokovi uvođenja mogu se produžiti za godine.
Timovi koji ispravno definiraju opseg vide konkretne rezultate. Operatori sa zrelim programima prediktivne umjetne inteligencije prijavljuju 35% manje neplaniranih AOG slučajeva unutar 12 mjeseci i 18 do 25% niže ukupne MRO troškove u usporedbi s preventivnim održavanjem prema kalendaru. Takvi rezultati pomažu interno opravdati inicijativu i postupno širiti opseg, uključujući dublju integraciju s certificiranim sustavima.
Kada Embedded AI ulazi u pilotsku kabinu
Rasprava o prediktivnom održavanju uglavnom ostaje u MRO svijetu: zemaljske ekipe, podatkovne platforme, automatizacija radnih naloga. No paralelno postoji i drugi smjer, u kojem Embedded AI počinje preuzimati zadatke neposredno uz pilote.
Projekt ReadU6 dobro pokazuje kako takav inženjering izgleda u praksi. Rješenje je razvijeno za britanskog klijenta iz zrakoplovne industrije. Riječ je o komunikacijskom uređaju pogonjenom umjetnom inteligencijom koji u stvarnom vremenu obrađuje ATC upute, filtrira buku u pilotskoj kabini i pilotima prikazuje strukturirani tekst naredbi. Sve radi na prilagođenom embedded sustavu temeljenom na visokoučinkovitom single-board računalu, fizički projektiranom za ograničenja pilotske kabine: kompaktnost, nisku potrošnju energije i zaslon bez odsjaja.
AI dio koristio je modele za prepoznavanje govora i prevođenje temeljene na obradi prirodnog jezika, trenirane osam mjeseci na stvarnim podacima ATC komunikacije. Da bi sustav pouzdano radio u buci, uz stroge zahtjeve za nisku latenciju i sigurnosna ograničenja, ključni inženjerski problem nije bila sama arhitektura modela. Pravi izazov bila je granica između hardvera i softvera.
Ista dinamika sve češće vrijedi i za prediktivno održavanje. Kada se inteligencija pomiče bliže zrakoplovu, mijenja se priroda posla. Pitanje više nije samo koji algoritam pokrenuti. Važnije je što se izvodi lokalno, gdje je granica između Edgea i oblaka, kako se sustav ponaša u slučaju otkaza i koji certifikacijski opseg zahvaća.
Gdje se uvođenje najčešće zaustavlja
Praznine u senzorskom pokrivanju najčešći su tihi uzrok neuspjeha. Model treniran na nepotpunim senzorskim podacima daje nepotpune prognoze. Nepotpune prognoze stvaraju lažan osjećaj pokrivenosti, što može biti gore nego da prediktivnog sustava uopće nema. Prije nego što se tvrdi da sustav ima prediktivnu sposobnost, potrebno je pošteno mapirati stvarnu površinu pokrivenu instrumentacijom. To je nezahvalan i neatraktivan posao, ali mnogi ga timovi preskaču.
Granica između Edgea i oblaka također mora biti jasno arhitektonsko rješenje. Što se izvodi na uređaju, što na zemaljskom gatewayu, a što odlazi u oblak, mora se odlučiti svjesno. Ako se to mijenja usred projekta, potrebno je redizajnirati podatkovne ugovore i ponovno validirati cijeli proces obrade.
Integracija s procesima održavanja mjesto je na kojem se stvarno pojavljuje povrat ulaganja. Prediktivno upozorenje koje samo pošalje push obavijest, ali ne pokrene radni nalog, često se izgubi prije nego što ga zemaljska ekipa uopće provjeri. Puni krug od otkrivanja anomalije do prethodne narudžbe dijelova i dodjele ekipe upravo je mjesto gdje se pojavljuje smanjenje vremena popravka do 40%. Analitički sloj je lakši dio. Integracija s radnim procesima mjesto je gdje nastaje stvarna poslovna vrijednost.
Ako razmatrate odakle početi, Allmatics surađuje s timovima iz aerospace i zrakoplovne industrije na razvoju embedded IoT rješenja i integraciji AI sustava — od product discovery faze do uvođenja u rad. Upravo se tijekom definiranja opsega najčešće najjasnije vidi što treba izgraditi prvo, a što je bolje ostaviti za kasnije.