RL spiegabile per il controllo del traffico aereo

Un nuovo preprint arXiv (2607.22525) esplora l'apprendimento per rinforzo (RL) spiegabile per il controllo del traffico aereo (ATC). Lo studio addestra un agente RL a reindirizzare i voli intorno a zone interdette in un ambiente ATC semplificato, con l'obiettivo di creare fiducia attraverso la spiegabilità. Il lavoro affronta la sfida di integrare l'IA in domini ad alto rischio come l'aviazione, dove la trasparenza è fondamentale per la collaborazione uomo-IA. Le decisioni dell'agente vengono analizzate utilizzando tecniche di spiegabilità per chiarire il suo ragionamento. Questa ricerca contribuisce allo sforzo più ampio di rendere i sistemi di deep learning più interpretabili in applicazioni critiche per la sicurezza.