liu.seSearch for publications in DiVA
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Digital Assistant in the Aviation Industry – Leveraging Generative AI to Enhance Access to Open Data
Linköping University, Department of Science and Technology.
Linköping University, Department of Science and Technology.
2025 (English)Independent thesis Advanced level (degree of Master (One Year)), 20 credits / 30 HE creditsStudent thesisAlternative title
Smart digital assistent inom flygindustrin: Generativ AI för att förbättra åtkomsten till öppen data (Swedish)
Abstract [en]

The growth of generative artificial intelligence (GenAI) has rapidly transformed the field of information retrieval over the past few years, particularly through the emergence of large language models (LLMs) and their integration into multimodal systems. This thesis project presents the development of a smart digital assistant that processes flight data from a public API. The aim is to explore how GenAI can be utilized to support operational airport staff by enabling real-time data access and generating responses to user queries related to arrival and departure data. By combining a retrieval-augmented generation (RAG) architecture with dynamic textual and visual outputs, the system delivers real-time information in a format optimized for information retrieval and decision-making within an operational environment. To support visualization generation, two complementary approaches are integrated: automated visualization selection and visualization code generation. These approaches allow the assistant to dynamically render charts in response to natural language (NL) queries. The system is developed and refined through a series of user-centered studies, including a formative study and a task-based evaluation involving operational staff. Results indicate that bar charts and line graphs are the most effective visualization formats for operational tasks.The final evaluation includes a usability study using the System Usability Scale (SUS), the XAI Trust Scale (which assesses trust in explainable artificial intelligence systems), and expert reviews involving both operational staff and stakeholders. Overall, the assistant receives high usability ratings, with stakeholders reporting slightly higher satisfaction and trust levels. Differences in perception reflect distinct focus areas: operational staff emphasize practical effectiveness and interface design, while stakeholders focus on long-term strategic value. Future work should explore combining RAG with fine-tuning to incorporate domain-specific terminology, refining visualization methods, and supporting multi-turn conversations.

Abstract [sv]

Framväxten av generativ artificiell intelligens (GenAI) har snabbt transformerat området för informationssökning under de senaste åren. I synnerhet genom utvecklingen av stora språkmodeller (LLMs) och deras integration i multimodala system. Det här examensarbetet presenterar utvecklingen av en smart digital assistent som bearbetar flygdata från ett publikt API. Syftet är att undersöka hur GenAI kan utnyttjas för att stödja operativ personal på flygplatser genom att möjliggöra åtkomst till realtidsdata och generera svar till användarfrågor relaterade till ankomst- och avgångsdata. Genom att kombinera en retrieval augmented generation (RAG)-arkitektur med dynamisk text- och visuell utdata, säkerställer studien leveransen av realtidsinformation i ett format som är optimerat för informationssökning och beslutsfattande inom en operativ miljö. För att möjliggöra generering av visualiseringar har två kompletterande angreppssätt integrerats: automatiskt val av visualiseringar och generering av visualiseringskod. Dessa metoder gör det möjligt för assistenten att dynamiskt skapa grafer baserat på frågor ställda i naturligt språk (NL). Systemet har utvecklats och förfinats genom en serie användarcentrerade studier, inklusive en formativ studie och en uppgiftsbaserad utvärdering med operativ personal. Resultaten visar att stapeldiagram och linjediagram är de mest effektiva visualiseringsformaten för operativa uppgifter. Den slutliga utvärderingen omfattar en användbarhetsstudie med hjälp av System Usability Scale (SUS), XAI Trust Scale (mäter graden av förtroende för förklarbara AI-system) samt expertgranskningar med deltagande av både operativ personal och intressenter. Överlag erhåller assistenten höga betyg avseende användbarhet, där intressenter rapporterar något högre nivåer av tillfredsställelse och förtroende. Skillnader i uppfattning speglar olika fokusområden: den operativa personalen betonar praktisk effektivitet och gränssnittsdesign, medan intressenter fokuserar på långsiktigt strategiskt värde. Framtida arbete bör undersöka möjligheten att kombinera RAG med fine-tuning för att integrera domänspecifik terminologi, förbättra visualiseringsmetoder samt stödja flerstegskonversationer.

Place, publisher, year, edition, pages
2025.
Keywords [en]
Generative AI, Natural Language Processing, NLP, Retrieval-Augmented Generation, RAG, Artificial Intelligence, LLM, Data Analysis, Visualization, Digital Assistant, Aviation, Airport
Keywords [sv]
Generativ AI, Naturligt språkbehandling, NLP, Retrieval-Augmented Generation, RAG, Artificiell Intelligens, LLM, Dataanalys, Visualisering, Digital Assistent, Flyg, Flygplats
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:liu:diva-215159ISRN: LiU-ITN-TEK-A--25/006--SEOAI: oai:DiVA.org:liu-215159DiVA, id: diva2:1972856
External cooperation
Swedavia AB, Stockholm-Arlanda
Subject / course
Computer Engineering
Supervisors
Examiners
Available from: 2025-06-19 Created: 2025-06-19 Last updated: 2025-06-19Bibliographically approved

Open Access in DiVA

fulltext(12033 kB)424 downloads
File information
File name FULLTEXT01.pdfFile size 12033 kBChecksum SHA-512
49f99a162566def84fa3b64950ef911c807deb0a9c6e5355aa496080a1001b0a1b71af83355243905ff53a9192e492a6836e59b8f502e8d82b0d64bf4b65eb5d
Type fulltextMimetype application/pdf

Search in DiVA

By author/editor
Gabot, SalmaTollerz Bratteby, Klara
By organisation
Department of Science and Technology
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 428 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 643 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf