Industry Session
Advancing Forecasting in Aviation: Lessons from IATA’s Machine‑Learning Journey
IATA Data Science Team — IATA
Accurate forecasting is foundational to decision‑making in aviation, influencing everything from budgeting and resource allocation to industry outlooks and strategic planning. At IATA, the Data Science team has been developing a new generation of forecasting capabilities that leverage machine learning, domain expertise, and a rapidly expanding ecosystem of internal and external data. This talk will present an overview of how IATA is modernizing forecasting across several critical domains. One example is the development of AI‑enhanced forecasting for Standard Charging Unit (SCU) volumes, where machine‑learning models have demonstrated strong improvements over traditional manual methods, increased consistency across markets, and the potential to automate previously time‑intensive processes. Another area of innovation is short‑term Revenue Passenger Kilometers (RPK) forecasting, where machine‑learning approaches are being explored to generate monthly outlooks and supplement existing industry forecasting methods. These initiatives support teams preparing the Global Outlook and Monthly Notes, helping them experiment with new horizons and compare model‑driven projections with established economic analyses. Finally, the presentation will touch on broader industry‑level forecasting initiatives, where modular, scalable forecasting frameworks are being prototyped to support long‑term demand modelling, route‑level aggregation, and the integration of emerging drivers. These efforts are laying the groundwork for a more dynamic and explainable forecasting ecosystem across the organization. Together, these examples illustrate how forecasting at IATA is shifting from static, manual processes to intelligent, data‑driven systems. Attendees will gain insight into the methodologies explored, the organizational enablers required, and the role of responsible AI in building forecasting tools that are transparent, scalable, and fit for the needs of a complex global industry, without sharing confidential details or unpublished results.
Classification rapide et personnalisée de documents pour études d’avocats et notaires
Thomas Phung — EyeTeK
Nous développons une application de gestion pour études d’avocats et notaires nommée ForenSys. Ces études d’avocats traitent beaucoup de documents qui pour l’instant sont classés manuellement, ce qui prend du temps. Pour les aider dans ce processus de classement, nous développons un moteur de classification automatisé qui n’a besoin que de peu de documents pour commencer à fonctionner. Ce moteur classifie chacun des documents sur l’affaire associée, ainsi qu’une classe générale (lettre, email, etc.). Dû au fait que chaque étude a ses propres classes de documents ainsi que des affaires différentes, il n’est pas possible d’utiliser qu’un seul modèle de classification pour toutes les études. Une approche permettant un entraînement rapide par étude avec peu de données est utilisée. L’HEIA-FR nous a aidé pour les recherches préliminaires sur la faisabilité d’un tel système, grâce au crédit CSIA-PME. L’HEIA-FR a exploré deux techniques : Une avec un LLM et une autre approche avec les embeddings générés à partir de l’image du PDF. En nous basant sur ces recherches, nous avons décidé d’utiliser une approche utilisant des embeddings sur le texte des documents et de les utiliser pour entraîner deux modèles SVM par étude : un pour déterminer dans quelle affaire un document fait partie et un pour les classes des documents. Pour amorcer le système, quelques documents de base doivent être labellisés manuellement par les utilisateurs. Une fois le système amorcé, chaque nouveau document peut être classifié. À chaque classification, un humain vérifie l’exactitude de la classification pour chacun des nouveaux documents. Ces documents sont ensuite ajoutés au pool de documents pour l’entraînement (human-in-the-loop + active learning). Une telle approche a les avantages suivants : - Très bons résultats avec peu de samples - Entraînement très rapide (maximum quelques secondes) - Poids des modèles très légers (< 1 MB) - Chaque étude a deux modèles qui sont spécialisés pour leurs données - Il est trivial d’ajouter une nouvelle classe car le ré-entraînement est rapide Nous obtenons un système qui est plus rapide avec des performances similaires aux techniques SOTA de classification (LLM, BERT) grâce à une approche utilisant des modèles modernes (embeddinggemma) et des techniques un peu plus classiques (SVM). En conclusion, nous avons un système de classification personnalisé pour chaque étude qui apprend des corrections des humains. Dans le climat actuel où les LLMs sont à la mode, il est intéressant de voir que même des techniques développés il y a 35 ans (SVM) sont encore utiles à ce jour. Pour les travaux futurs, nous sommes en train d’explorer des manières de créer un assistant à l’intérieur de notre application pour, par exemple, poser des questions sur les documents internes des clients (RAG).
Boosting AML Efficiency with Machine Learning at PostFinance
Daniel Coderre — PostFinance
PostFinance is an early mover in applying AI within the compliance space. We present an in-house-developed machine learning system, which we have successfully embedded into our productive anti-money-laundering (AML) pipeline to reduce false positive AML alerts and increase efficiency. The project has been in production for over a year and has delivered significant savings without any negative impact on our AML system performance. It has withstood extensive legal, risk, and methodological scrutiny from both internal governance bodies and external regulators. The solution uses a transparent, multi-model design with a strong emphasis on explainability and predictable behavior. Compliance processes are often viewed as low-hanging fruit for AI-driven efficiency gains. They are typically manual, rigid, and involve tasks well suited to modern AI techniques, such as document analysis and information retrieval. However, this is a trap. Compliance also invariably invokes strict chains of responsibility and nonnegotiable requirements for transparency, which are areas where AI models often struggle. Under these boundary conditions, many promising AI cases never make it beyond the prototype stage. In this talk, we will present our machine-learning–driven AML approach, with a particular focus on the long journey from a working product to a productive, regulator-approved system. This approval process exposed several gaps in current governance norms. Can traditional control methods adequately monitor complex AI systems? Can overseeing bodies reliably assess whether a chosen abstraction, assumption, or modeling approach is justified? And how can decision‑makers assume responsibility for systems that are novel, deeply technical, and draw on new domains of expertise? We will introduce our system and share our answers to these challenges. We will also provide an experience-driven perspective on the methods and mindset data scientists can adopt to build models that meet strict governance requirements. Finally, we will discuss how governance and regulatory frameworks themselves may need to evolve to address the unique risks and complexities of modern AI systems.