Ο Καθηγητής Δημήτρης Δρικάκης παρουσίασε την «Επιστημονική Τεχνητή Νοημοσύνη» στο Συμπόσιο Bauhaus Luftfahrt 2025

Ο Καθηγητής Δημήτρης Δρικάκης, Κοσμήτορας της Σχολής Επιστημών και Μηχανικής στο Πανεπιστήμιο Λευκωσίας, παρουσίασε τις τελευταίες εξελίξεις στον τομέα της Επιστημονικής Τεχνητής Νοημοσύνης (Scientific AI) στο Συμπόσιο Bauhaus Luftfahrt 2025, που πραγματοποιήθηκε στις 18–19 Νοεμβρίου 2025 στο Αεροδρόμιο του Μονάχου.

Το Συμπόσιο Bauhaus Luftfahrt αποτελεί διεθνή πλατφόρμα συνάντησης κορυφαίων ειδικών στην αεροναυτική τεχνολογία και τις επιστήμες, καθώς και στελεχών που διαμορφώνουν στρατηγικές επιλογές στη βιομηχανία, την έρευνα και την πολιτική. Στόχος του είναι να επιταχύνει τη μετάβαση προς την κλιματικά ουδέτερη αεροναυπηγική, αναδεικνύοντας καινοτόμες λύσεις και δρομολογώντας συνεργασίες που μετατρέπουν την έρευνα σε εφαρμόσιμα προγράμματα.

Με αφορμή τη συμπλήρωση 20 ετών από την ίδρυση του Bauhaus Luftfahrt, η φετινή διοργάνωση με τίτλο «Από το 2005 έως το 2070 – Το ταξίδι μας στο μέλλον της αεροναυτικής» ανέλυσε τις οικονομικές, πολιτικές και τεχνολογικές παραμέτρους που διαμορφώνουν τον μετασχηματισμό του κλάδου. Στο θεματικό πεδίο «Ο μετασχηματιστικός ρόλος της Τεχνητής Νοημοσύνης: δυνατότητες και προοπτικές», ο Καθηγητής Δρικάκης συμμετείχε με ομιλία με τίτλο: «Από το πρωτότυπο στην πτητική γραμμή: λειτουργική εφαρμογή της Τεχνητής Νοημοσύνης (ΤΝ) με ασφάλεια και σε κλίμακα».

Κεντρικό μήνυμα της παρέμβασής του ήταν ότι ο ουσιαστικός μετασχηματισμός της αεροναυτικής και αεροναυπηγικής προϋποθέτει Επιστημονική ΤΝ: μοντέλα ενημερωμένα από τη φυσική και ψηφιακούς διδύμους που παράγουν γρήγορες, τεχνικά ελέγξιμες προβλέψεις, ικανές να υποστηρίξουν επιχειρησιακές αποφάσεις. Τόνισε ότι για να μεταβεί η ΤΝ από τις εντυπωσιακές επιδείξεις σε λύσεις «έτοιμες για την πτήση», απαιτείται ένα πειθαρχημένο πλαίσιο Επαλήθευσης και Επικύρωσης (Verification & Validation), ισχυρή διακυβέρνηση δεδομένων, σαφείς δείκτες απόδοσης και ποσοτικοποίηση αβεβαιότητας με επιστημονικά τεκμηριωμένο τρόπο, ώστε να γεφυρωθεί με ασφάλεια το χάσμα από το πρωτότυπο μοντέλο έως τη βελτιστοποιημένη και πιστοποιήσιμη πτητική συμπεριφορά.

Στο πρακτικό επίπεδο, η Scientific AI μπορεί να μειώσει σημαντικά τον χρόνο και το κόστος των κύκλων σχεδιασμού και δοκιμών, βελτιώνοντας παράλληλα την αξιοπιστία των προβλέψεων και περιορίζοντας το ρίσκο κατά τη μετάβαση από την προσομοίωση στην επιχειρησιακή εφαρμογή.