Lucht- en ruimtevaart-AI is niet één probleem — het zijn er vijf: voorspellend onderhoud aan motoren en componenten, geautomatiseerde NDT en visuele inspectie, RAG-copilots over duizenden pagina's onderhoudsdocumentatie, UAS-autonomie en missie-intelligentie, en de productiekwaliteit van aerostructuren. Elk heeft een andere certificeringsvoetafdruk, eis aan datasoevereiniteit en infrastructuurarchitectuur. Deze primer behandelt alle vijf, met een nuchtere blik op het certificeringslandschap van DO-178C/ARP4754A en op waarom een soevereine, on-prem implementatie voor de meeste operators de enige architectuur is die regelgevend en wat intellectueel eigendom betreft zinvol is.
Civil-first scope: Deze primer behandelt civiele lucht- en ruimtevaarttoepassingen — MRO in de commerciële en zakenluchtvaart, civiele UAS-operaties, de avionica-toeleveringsketen en de productie van aerostructuren voor civiele programma's. Hyperion heeft geen defensiecontracten, geen defensieklanten en geen veiligheidsmachtigingen. Waar soevereine infrastructuurarchitectuur dual-use-relevantie heeft, vermelden wij dat openlijk — maar onze opdrachten zijn uitsluitend civiel. Wij streven geen werk na waarbij wapensystemen, geclassificeerde systemen of toepassingen die overheidsveiligheidsmachtigingen vereisen, betrokken zijn.
Laatst herzien: mei 2026
Lucht- en ruimtevaart-AI voor MRO en productie verwijst naar de inzet van machine learning-modellen — visiesystemen, taalmodellen en anomaliedetectie-algoritmen — in onderhouds-, reparatie- en revisieactiviteiten (MRO), de productie van vliegtuigcomponenten en de grond- en boordsystemen van UAS. Anders dan cloud-native bedrijfs-AI moet lucht- en ruimtevaart-AI voldoen aan unieke randvoorwaarden: eisen aan certificeringsbewijs van EASA en FAA, verplichtingen inzake datasoevereiniteit voor onderhoudsdossiers en productie-IP, ultralage latentie voor inline-inspectie, en de structurele uitdaging dat traditionele luchtwaardigheidsnormen (DO-178C) niet voor ML-systemen zijn ontworpen.
AI in de civiele luchtvaart rijpt langs twee verschillende tijdlijnen. Grondgebonden toepassingen — MRO-besluitvormingsondersteuning, productiekwaliteit, vlootanalyse — zijn vandaag inzetbaar binnen de bestaande regelgevingskaders, mits de beoogde functie van het systeem duidelijk is afgebakend en de menselijke autoriteit over luchtwaardigheidsbeslissingen behouden blijft. Boord-AI — functies die de vluchtbesturing, navigatie of het gedrag van boordsystemen beïnvloeden — staat voor een certificeringskloof die de regelgevingsgemeenschap actief probeert te dichten, maar die voor de meeste ML-architecturen anno 2026 onopgelost blijft.
Dit onderscheid is van belang voor de vraag waar de AI-investeringen op korte termijn op te richten. De meest waardevolle, minst frictievolle AI-toepassingen in de lucht- en ruimtevaart zijn allemaal grondgebonden: analyse voor voorspellend onderhoud op basis van conditiemonitoringgegevens van motoren en componenten, computervisie ter aanvulling van NDT, natuurlijketaalinterfaces over onderhoudsdocumentatie, en monitoring van productieprocessen. Deze toepassingen verlagen de kosten, verbeteren de percentages ongeplande uitbouw en versnellen de MRO-doorvoer zonder de last van boordcertificering.
UAS (onbemande luchtvaartsystemen) bevinden zich tussen deze twee tijdlijnen in: de intelligentie van de grondbesturing is een grondgebonden toepassing, terwijl de boordfuncties voor waarneming en autonomie voor dezelfde boordcertificeringsuitdagingen staan als bemande luchtvaartuigen, gemoduleerd door de operationele risicocategorie (EASA OPEN/SPECIFIC/CERTIFIED) en de toepasselijke SORA/SAIL-beoordeling.
Turbofanmotoren en hulpaggregaten verzamelen rijke sensortelemetrie — EGT-marges, trillingsspectra, oliedeeltjestellingen, nabijheidsindices voor compressorpomp. ML-modellen die zijn getraind op operationele gegevens op vlootniveau kunnen beginnende storingen 100–500 vlieguren vóór het overschrijden van een harde limiet signaleren, wat conditiegebaseerd onderhoud (CBM) mogelijk maakt in plaats van revisies met vaste intervallen. De belangrijkste randvoorwaarde: de onderhoudsaanbeveling van het model moet traceerbaar en auditeerbaar zijn om aan het toezicht van de luchtwaardigheidsautoriteit te voldoen.
Certificeringsnoot
De richtlijnen DO-178C / ARP4754A over hulpmiddelen voor besluitvormingsondersteuning gelden wanneer de uitvoer een onderhoudshandeling beïnvloedt.
Niet-destructief onderzoek (NDT) in MRO — ultrasoon, wervelstroom, thermografisch en visuele inspectie — omvat repetitieve, risicovolle beoordelingstaken waarbij vermoeidheid en cognitieve belasting bijdragen aan misspercentages. Computervisie-modellen die on-prem op de inspectiepost draaien, kunnen een tweede controle bieden op boroscoopbeelden, scangegevens van composietpanelen en foto's van de oppervlaktetoestand, en indicaties markeren voor beoordeling door een menselijke inspecteur. Het model vult de bevoegde NDT-technicus aan, het vervangt hem niet.
Certificeringsnoot
EASA Part 145 / FAA AC 120-102 vereisen dat AI-ondersteunde inspectiehulpmiddelen over gedocumenteerd validatiebewijs beschikken en de menselijke autoriteit over de vrijgavebeslissing behouden.
Vliegtuigonderhoudsingenieurs werken tegen een muur van documentatie aan: Aircraft Maintenance Manuals (AMM), Component Maintenance Manuals (CMM), Service Bulletins (SB), Airworthiness Directives (AD) en OEM-engineering orders. Een RAG-systeem (Retrieval-Augmented Generation), draaiend op soevereine infrastructuur met een Mistral-basismodel dat is fijngestemd op uw goedgekeurde documentatiecorpus, kan technische vragen in natuurlijke taal beantwoorden, de relevante task card naar voren halen en openstaande SB's kruisverwijzen — wat de opzoektijd drastisch verkort terwijl de bevoegde ingenieur de beslissingsautoriteit blijft.
Certificeringsnoot
Het AI-systeem is een hulpmiddel voor besluitvormingsondersteuning, geen volgsysteem voor onderdelen met beperkte levensduur. De dataherkomst van elk antwoord moet traceerbaar zijn naar een goedgekeurd, versiebeheerd brondocument.
Civiele UAS-operators — luchtkartering, precisielandbouw, infrastructuurinspectie, stedelijke logistiek — integreren ML in boordwaarneming, padplanning en de intelligentie van de grondbesturing. AI-modellen die op edge-hardware draaien (NVIDIA Jetson, AMD Kria of een aangepaste SoC) verzorgen obstakeldetectie, terreinclassificatie en anomalie-identificatie tijdens de vlucht. Een soevereine LLM-laag aan de grondzijde kan missiegegevens verwerken, inspectierapporten genereren en vlootoperaties beheren zonder vlucht-logs of sensorbeelden naar een externe cloud te sturen.
Certificeringsnoot
De kaders EASA SC-RPAS, JARUS SAIL/SORA en de opkomende EUROCAE WG-105-richtlijn definiëren hoe AI-beslissingssystemen in UAS-operaties moeten worden gevalideerd en aan een restrisicobeoordeling onderworpen.
De productie van rompen en aerostructuren — of het nu gaat om CFRP-lay-up, precisie-CNC-bewerking of geautomatiseerd vastzetten — genereert procesgegevens en inspectiedossiers die rechtstreeks doorstromen naar de first article inspection (FAI) en de certificering van productieconformiteit. On-prem ingezette AI-visiesystemen en procesmonitoringmodellen kunnen de percentages non-conformiteit verlagen, de oorzaakanalyse versnellen en gestructureerde dossiers produceren voor AS9100-kwaliteitsbeheer. De gegevens verlaten de faciliteit nooit — cruciaal aangezien productieprocesparameters en gereedschapsconfiguraties aanzienlijk concurrentieel intellectueel eigendom vertegenwoordigen.
Certificeringsnoot
AS9100 Rev D vereist traceerbaarheid van productieprocesgegevens. Door AI gegenereerde inspectiedossiers moeten in het gevestigde kwaliteitsdossiersysteem worden geïntegreerd.
De eerlijke beoordeling: het luchtwaardigheidscertificeringskader voor op ML gebaseerde AI-systemen is onvolledig. Traditionele normen zijn ontworpen voor deterministische software. EASA en RTCA/EUROCAE ontwikkelen actief richtlijnen, maar lucht- en ruimtevaartoperators moeten vandaag implementatiebeslissingen nemen tegen een slechts gedeeltelijk gevormd regelgevingsbeeld. Het volgende is een feitelijke samenvatting van de huidige stand van zaken.
Regelgevingsdisclaimer
Deze primer is een technisch en strategisch overzicht, geen juridisch of certificeringsadvies. De toepasbaarheid van specifieke normen op een gegeven AI-systeem hangt af van de beoogde functie van het systeem, de classificatie van het veiligheidseffect en de operationele context. Schakel voor certificeringsspecifiek advies altijd een gekwalificeerde Designated Engineering Representative (DER), een door EASA goedgekeurde Design Organisation (DO) of een equivalent in.
DO-178C is ontworpen voor deterministische software. ML-modellen — met name diepe neurale netwerken — zijn niet-deterministisch, hun eisen kunnen niet volledig vooraf worden gespecificeerd, en hun gedrag komt voort uit trainingsgegevens in plaats van uit een expliciet ontwerp. Dit maakt het traditionele V&V-proces (eisen → ontwerp → code → test) structureel onverenigbaar met de ontwikkeling van ML-modellen. Toezichthouders en de werkgroep voor het ML-supplement bij DO-178C van RTCA (SC-205) werken aan bijgewerkte richtlijnen, maar anno 2026 bestaat er geen gefinaliseerd supplement.
DO-254 geldt voor programmeerbare logica (FPGA's, ASIC's) die inferentie uitvoert. In avionica-hardware ingebedde ML-versnellers moeten voldoen aan de ontwerplevenscyclus van DO-254, inclusief formele eisenvastlegging en verificatiedekking — wat lastig is voor hardware die geleerde gewichten uitvoert in plaats van deterministische logica.
ARP4754A regelt hoe systeemfuncties worden toegewezen en hoe veiligheidsdoelstellingen op systeemniveau doorsijpelen naar software en hardware. Voor AI-gestuurde systemen is de uitdaging het definiëren van de faaltoestanden en -waarschijnlijkheden van de AI-functie wanneer het gedrag van het model niet volledig deterministisch is gespecificeerd. Veiligheidsanalysemethoden (FHA, PSSA, SSA) moeten worden aangepast voor lerende systemen.
De AI-roadmap 2.0 van EASA introduceert het concept 'learning assurance' — een gestructureerd kader om te waarborgen dat de ontwikkeling, training en validatie van ML-modellen met voldoende rigueur wordt uitgevoerd om certificeringskrediet te ondersteunen. EASA identificeert vijf kernuitdagingen: databeheer, beslissingen over modelarchitectuur, verklaarbaarheid, prestatiemetrieken en distributieverschuiving. De roadmap is duidelijk: de huidige DO-178C-/DO-254-richtlijnen zijn ontoereikend voor ML-systemen en er zullen nieuwe nalevingsmiddelen nodig zijn.
Voor MRO-toepassingen (NDT, documentopzoeking, onderhoudsplanning) is de certificeringslast lager — het AI-systeem is een hulpmiddel voor besluitvormingsondersteuning, geen boordfunctie. EASA Part 145 en de Advisory Circulars van de FAA vereisen echter dat AI-ondersteunde hulpmiddelen over gedocumenteerd validatiebewijs beschikken, dat zij de autoriteit van de bevoegde AME niet overrulen en dat hun uitvoer traceerbaar is naar goedgekeurde gegevensbronnen.
De certificeringskloof betreft boord-AI-functies — software die rechtstreeks de vliegtuigbesturing, navigatie of het gedrag van boordsystemen beïnvloedt. Voor grondgebonden toepassingen (MRO-besluitvormingsondersteuning, productie-inspectie, vlootconditieanalyse) is de certificeringslast lager: deze systemen mogen niet worden voorgesteld als goedgekeurde onderhoudsgegevensbronnen, moeten de menselijke autoriteit over luchtwaardigheidsbeslissingen behouden en moeten de dataherkomst naar goedgekeurde brondocumenten in stand houden — maar zij vereisen geen boordsoftware-assurance van DAL-A tot DAL-D.
De kans op korte termijn ligt precies in deze grondgebonden laag. Een goed ontworpen MRO-AI-implementatie — soevereine infrastructuur, RAG over goedgekeurde documentatie, visie-ondersteunde NDT met menselijke aftekening — levert vandaag aanzienlijke operationele waarde op, zonder te wachten tot het certificeringskader voor boord-ML volwassen wordt.
Cloud-AI is niet ontworpen voor operationele omgevingen in de lucht- en ruimtevaart. De randvoorwaarden van MRO en aerostructuurproductie — latentie, IP-bescherming, regelgevende administratie en in sommige contexten ITAR/EAR- of nationale veiligheidsverplichtingen — wijzen allemaal naar hetzelfde architecturale antwoord: soevereine, on-prem, of ten minste EU-soevereine cloud-inferentie.
Noot over de dual-use-context: Het onderstaande argument voor soevereine infrastructuur geldt evenzeer voor civiele als voor dual-use-productieomgevingen. Wij vermelden dit openlijk. De opdrachten van Hyperion zijn echter uitsluitend civiel. Wij adviseren niet over en implementeren geen AI-systemen voor wapens, geclassificeerde systemen of toepassingen die overheidsveiligheidsmachtigingen vereisen.
AI in de MRO-faciliteit — documentophaling, NDT-visie, onderhoudsplanning — zou op GPU-servers ter plaatse moeten draaien in plaats van op cloud-API's. Vliegtuigonderhoudsgegevens, vlootconditiedossiers en OEM-documentatie vallen onder IP-overeenkomsten en gegevensbeschermingsverplichtingen. Inferentie uitvoeren op een lokaal ingezet Mistral-model betekent dat geen onderhoudsgegevens door externe infrastructuur gaan. Hardware: één enkele NVIDIA A10 (24 GB) kan Mistral 7B INT4 bedienen voor een middelgrote MRO-werkplaats met voldoende doorvoer.
Aerostructuurproductieprocessen — CFRP-lay-upparameters, gereedschapsgeometrieën, NDT-acceptatiedrempels — zijn concurrentieel en in sommige contexten exportgecontroleerd onder ITAR/EAR of gelijkwaardige nationale regelgeving. Air-gapped inferentie zorgt ervoor dat geen procesgegevens de faciliteitsgrens verlaten. De modelgewichten worden eenmalig geladen tijdens de inbedrijfstelling; updates volgen een gecontroleerd wijzigingsproces dat consistent is met uw kwaliteitsbeheersysteem.
Europese lucht- en ruimtevaartoperators (Airbus-toeleveringsketen, Europese MRO's, in de EU gecertificeerde luchtvaartmaatschappijen) moeten rekening houden met de AVG voor alle gegevens die persoonsinformatie bevatten — ploegendossiers, handelingen van technici, kwaliteitsblokkeringsbeslissingen. Een on-prem- of EU-soevereine cloud-implementatie houdt de verwerking binnen de EU-jurisdictie, vereenvoudigt de AVG-naleving en maakt standaardcontractbepalingen voor doorgiften naar derde landen overbodig.
NDT-visie-inspectie aan de productielijn vereist een inferentielatentie ruim onder 100 ms om geen doorvoerknelpunt te worden. Cloud-API-retourritten (typisch 100–500 ms) zijn structureel onverenigbaar met inline-inspectie. Een on-prem GPU-knooppunt dat samen met de inspectiepost is geplaatst, levert inferentie onder 20 ms voor detectiemodellen op de schaal van YOLOv9 — twee ordes van grootte sneller dan welke cloud-architectuur dan ook.
EASA Part 145 en AS9100 vereisen dat onderhouds- en kwaliteitsdossiers worden bewaard en traceerbaar zijn. Wanneer een AI-systeem bijdraagt aan een onderhoudsbeslissing of inspectieresultaat, moet het inferentielog — welke gegevens zijn opgevraagd, wat het model heeft teruggegeven en wat de technicus heeft besloten — deel uitmaken van het kwaliteitsdossier. On-prem implementatie betekent dat deze logs in uw bestaande kwaliteitsbeheerinfrastructuur blijven, en niet in het audittraject van een externe cloud.
ITAR/EAR en exportcontrole
Lucht- en ruimtevaartproductiegegevens — met name voor van militaire toepassingen afgeleide of dual-use-componenten — kunnen onderworpen zijn aan de Amerikaanse ITAR (International Traffic in Arms Regulations), de EAR (Export Administration Regulations) of gelijkwaardige EU-/nationale exportcontrolekaders. Het verzenden van ITAR-gecontroleerde technische gegevens naar een cloud-AI-API (zelfs een nominaal in de EU gehoste) kan een ongeoorloofde uitvoer vormen als de aanbieder US-persons in dienst heeft of gegevenstoegang heeft onder Amerikaanse jurisdictie. On-prem, air-gapped implementatie elimineert dit risico door de gegevens binnen de gecontroleerde faciliteitsgrens te houden. Dit is een juridische aangelegenheid — raadpleeg uw exportcontrole-adviseur.
Niet zeker of uw MRO- of productie-AI-use-case binnen of buiten de boordcertificeringsscope valt? Hyperion voert een 4 weken durende discovery-sprint uit die uw use-cases, certificeringsraakpunten, datastromen en soevereiniteitsvereisten in kaart brengt — en een aanbeveling voor de implementatiearchitectuur voor uw specifieke operationele context oplevert.
Lucht- en ruimtevaart-AI overlapt met defensie-aanverwante contexten op manieren die onvermijdelijk zijn en die het waard zijn rechtstreeks te worden benoemd. Veel lucht- en ruimtevaartleveranciers — aerostructuurfabrikanten, avionica-integrators, UAV-platformontwikkelaars — bedienen zowel civiele als defensieprogramma's vanuit dezelfde faciliteiten en met dezelfde engineeringsteams. De AI-infrastructuur die zinvol is voor een civiele MRO-werkplaats is architecturaal ook zinvol voor een dual-use-productieomgeving: soeverein, on-prem, air-gapped, met volledige dataherkomst. Wij vermelden dit openlijk.
Wat wij doen
Wat wij niet doen
De grondslag voor deze civil-first-grens is geen naïviteit over de dual-use-realiteit van lucht- en ruimtevaarttechnologie. Het is een bewuste positioneringskeuze. Defensiewerk vereist capaciteiten — veiligheidsmachtigingen, infrastructuur van geclassificeerde faciliteiten, ITAR-registratie, hoofdaannemersrelaties — die een klein, wendbaar AI-adviesbureau op de schaal van Hyperion niet heeft en niet wil opbouwen. Proberen die markt te bedienen zonder die capaciteiten zou betekenen dat we te veel beloven aan klanten in contexten waar de gevolgen van een leveringsfout groot zijn.
Wat we eerlijk kunnen zeggen: de soevereine infrastructuurarchitectuur die wij voor civiele klanten implementeren — on-prem inferentie, air-gapped implementatie, EU-dataresidentie, volledig eigendom van het audittraject — is hetzelfde architectuurpatroon dat passend zou zijn voor een dual-use-productieomgeving waar de eisen aan datasoevereiniteit en beveiliging analoog zijn. Als een dual-use-fabrikant deze architectuur op zijn civiele productielijnen wil toepassen, kunnen wij helpen. Wij verzorgen de civiele en technologische laag; de defensiespecifieke naleving, machtigingen en programmamanagement vallen buiten onze scope.
Het volgende is een feitelijk verslag van de achtergrond van Hyperion in verband met lucht- en ruimtevaart-AI. Wij hebben geen lucht- en ruimtevaartspecifieke klantopdrachten geleverd. Wat wij hebben, is een bewezen capaciteit op het gebied van industriële AI-engineering — edge-visie, RAG, soevereine on-prem-infrastructuur — die architecturaal overdraagbaar is naar de lucht- en ruimtevaartcontext. Wij zijn over beide transparant.
Hyperion heeft via zijn 10 AI-ventures edge-AI-visiesystemen voor industriële inspectie gebouwd en ingezet, waaronder computervisie-pijplijnen voor de detectie van oppervlaktedefecten, anomalieclassificatie en sensorfusie. Dit zijn dezelfde onderliggende capaciteiten — in edge ingezette visiemodellen, RAG over technische documentatie, on-prem inferentie-infrastructuur — die lucht- en ruimtevaarttoepassingen voor MRO en productie nodig hebben. Wij hebben niet specifiek voor een luchtvaartmaatschappij of MRO-werkplaats gebouwd; wat wij hebben, is de bewezen capaciteit op het gebied van industriële AI-engineering die overdraagbaar is naar de lucht- en ruimtevaartcontext.
Oprichter Mohammed Cherifi bracht 17+ jaar door in embedded systemen en industriële techniek, waaronder werk bij Renault-Nissan-Mitsubishi Alliance, Cisco en ABB. De lucht- en ruimtevaartproductie deelt haar engineering-DNA met de automobiel- en industriële automatisering: veiligheidskritische softwarepraktijken, OT/IT-integratie, kwaliteitssystemen (IATF 16949 loopt parallel met AS9100) en de culturele kloof tussen de productievloer en IT. Deze achtergrond is direct relevant voor de manier waarop AI wordt ontworpen en ingezet in gereguleerde industriële omgevingen.
Auralink — het vlaggenschip-venture van Hyperion — is een platform met 400+ microservices en circa 20 agents, gebouwd op een soeverein-eerst, in edge inzetbare architectuur (ongeveer 1,7M regels code). Dit is de schaal van engineering die wij op klantopdrachten toepassen: gedistribueerde agentcoördinatie, on-prem modelbediening, gestructureerde datapijplijnen vanuit fysieke sensoren. De architectuurpatronen die Auralink laten werken in edge-beperkte omgevingen zijn direct toepasbaar op lucht- en ruimtevaartonderhouds- en productiesystemen.
Een op arXiv gepubliceerde preprint (arXiv:2603.08736) behandelt autonome, in edge ingezette AI-agents voor fysieke infrastructuur. Dit is een preprint — geen peer-reviewed tijdschriftpublicatie — maar het weerspiegelt de diepgang van het architecturale denken dat Hyperion toepast op soevereine, edge-beperkte AI-implementaties. De beschreven patronen zijn relevant voor lucht- en ruimtevaart-MRO en UAS-grondsystemen.
Mohammed Cherifi heeft de titel van AI-ambassadeur van het Osez l'IA-programma van de Franse overheid en is erkend door FranceNum. Deze titel weerspiegelt betrokkenheid bij het Franse AI-beleid — een relevante context aangezien Airbus, Safran, Thales en het merendeel van de Europese lucht- en ruimtevaarttoeleveringsketen onder Franse en EU-regelgevingskaders opereren.
Nee. Hyperion bezit geen lucht- en ruimtevaartspecifieke certificeringen (DO-178C DAL, EASA Part 145-goedkeuring, AS9100-registratie) en heeft geen opdrachten geleverd aan een luchtvaartmaatschappij, MRO-organisatie of OEM-lucht- en ruimtevaartklant. Wat Hyperion heeft, is een bewezen capaciteit op het gebied van industriële AI-engineering — edge-visiesystemen, RAG over technische documentatie, soevereine on-prem inferentie-infrastructuur — die architecturaal overdraagbaar is naar lucht- en ruimtevaarttoepassingen. Wij zijn transparant over dit onderscheid: de technologiecapaciteit is reëel; de lucht- en ruimtevaartspecifieke klanttrack record is er nog niet.
Civil-first betekent dat onze werkomvang, onze technologie-aanbevelingen en ons klantenbestand zich richten op civiele lucht- en ruimtevaarttoepassingen: MRO in de commerciële luchtvaart, onderhoud in de zakenluchtvaart, civiele UAS-operators, de avionica-toeleveringsketen en de productie van aerostructuren voor civiele programma's. Wij streven geen werk na waarbij wapensystemen, geclassificeerde systemen of toepassingen die overheidsveiligheidsmachtigingen vereisen, betrokken zijn. Als dual-use-infrastructuur — soevereine on-prem AI, air-gapped inferentie, in edge ingezette visie — toepassing vindt in zowel civiele als defensiecontexten, vermelden wij dat openlijk; maar onze opdrachten zijn uitsluitend civiel.
Nee. Hyperion heeft geen defensiecontracten, geen klanten in de rol van defensie-hoofdaannemer of -onderaannemer, en geen veiligheidsmachtigingen. Onze oprichter en ons team beschikken over geen enkele overheidsveiligheidsmachtiging. Wij merken in deze primer op dat soevereine AI-infrastructuur — on-prem, air-gapped, in edge ingezet — relevant is voor dual-use-contexten, maar dit is een architecturale observatie, geen beschrijving van ons klantenbestand of onze capaciteiten in die sector.
De luchtwaardigheidskrediet-eisen van DO-178C gelden voor software die boordfuncties uitvoert of beïnvloedt. Een grondgebonden MRO-hulpmiddel voor besluitvormingsondersteuning — een RAG-systeem voor documentophaling, of een NDT-beeldclassificator die indicaties markeert voor menselijke beoordeling — is op zichzelf geen boordfunctie en vereist geen DO-178C-certificering. Het mag echter niet worden voorgesteld als een goedgekeurde onderhoudsgegevensbron (wat een Part 145-/FAA-goedkeuring zou vereisen), en elke uitvoer die een vrijgavebeslissing beïnvloedt, moet onder de autoriteit van de bevoegde ingenieur blijven. De certificeringslast schaalt met het veiligheidsgevolg van de AI-uitvoer.
De AI-roadmap 2.0 van EASA (gepubliceerd in 2023) introduceert 'learning assurance' als het kader om op de ontwikkeling van ML-modellen een rigueur toe te passen die analoog is aan wat DO-178C biedt voor deterministische software. Het identificeert vijf uitdagingsgebieden: databeheer en traceerbaarheid, beslissingen over modelarchitectuur en verklaarbaarheid, voor ML geschikte prestatiemetrieken, distributieverschuiving en operationele monitoring, en mens-machine-samenwerking. EASA is duidelijk: de huidige richtlijnen (DO-178C/DO-254) zijn ontoereikend voor ML-systemen en er zijn nieuwe nalevingsmiddelen vereist. Anno 2026 bestaan er nog geen gefinaliseerde nalevingsmiddelen voor ML in boordsystemen; EASA werkt aan PART-AI als onderdeel van haar bredere AI-regelgevingskader.
Een op Mistral gebaseerd RAG-systeem kan het opzoeken in documentatie drastisch versnellen en de cognitieve belasting van onderhoudsingenieurs verlagen. Of het een 'goedgekeurde gegevensbron' vormt, hangt af van hoe het wordt geïmplementeerd en gebruikt. Het systeem mag verwijzen naar goedgekeurde gegevensbronnen (AMM's, CMM's, Service Bulletins in hun goedgekeurde revisie) en ingenieurs helpen naar de relevante sectie te navigeren — maar het kan niet zelf goedgekeurde onderhoudsgegevens genereren of wijzigen. Het goedgekeurde document blijft de autoriteit; het RAG-systeem is een hulpmiddel voor ophaling en begrip. Dit onderscheid moet duidelijk worden gedocumenteerd in de verklaring van de beoogde functie van het systeem.
Voor een MRO-documentatiecopilot (RAG + Mistral 7B INT4): één enkele NVIDIA RTX 4090 (24 GB VRAM) of A10 volstaat voor een kleine tot middelgrote MRO-werkplaats. Voor inline NDT-visie-inspectie aan een productielijn: een toegewijde GPU bij de inspectiepost (Jetson AGX Orin voor edge, A10 voor inferentie op stationsniveau). Voor UAS-grondsystemen: NVIDIA Jetson Orin of equivalent voor de boordzijde; A10/L40 voor de intelligentie van de grondbesturing. Air-gapped omgevingen vereisen offline modelladen en een wijzigingsbeheerproces voor modelupdates, consistent met uw kwaliteitsbeheersysteem.
Een gerichte discovery- en architectuur-sprint — het afbakenen van de use-case, het in kaart brengen van datastromen, het identificeren van regelgevende raakpunten en het dimensioneren van de infrastructuur — duurt doorgaans 4–6 weken. Een productie-implementatie van één use-case (bijv. een MRO-documentatie-RAG voor een specifiek vloottype) duurt doorgaans 8–14 weken van architectuurgoedkeuring tot ingebruikname. De tijdlijn wordt sterk beïnvloed door de datagereedheid (kwaliteit van het documentatiecorpus, gelabelde NDT-datasets) en het interne veranderingsmanagementproces van de operator. Wij geven geen projecttijdlijnen op zonder eerst een discovery-sprint.
EASA (2023). "EASA Artificial Intelligence Roadmap 2.0."
Context: Roadmap van het Agentschap van de Europese Unie voor de veiligheid van de luchtvaart voor AI in de luchtvaart, dat het concept 'learning assurance' introduceert en vijf uitdagingsgebieden voor de certificering van ML-systemen identificeert.
RTCA / EUROCAE (2012). "DO-178C: Software Considerations in Airborne Systems and Equipment Certification."
Context: Primaire softwarecertificeringsnorm voor boordsystemen; de basis waartegen de ML-supplementrichtlijn (SC-205) wordt ontwikkeld.
RTCA / EUROCAE (2000). "DO-254: Design Assurance Guidance for Airborne Electronic Hardware."
Context: Norm voor hardware-ontwerpassurance; van toepassing op programmeerbare logica die ML-inferentie uitvoert in avionica-hardware.
SAE International (2010). "ARP4754A: Guidelines for Development of Civil Aircraft and Systems."
Context: Richtlijn voor de ontwikkelingslevenscyclus van systemen voor civiele luchtvaartuigen; het overkoepelende kader waarbinnen de software-/hardware-assurance-activiteiten van DO-178C en DO-254 worden uitgevoerd.
EASA (2014). "Commission Regulation (EU) No 1321/2014 — Part 145: Maintenance Organisation Approvals."
Context: Regelgevingskader EASA Part 145 voor goedgekeurde onderhoudsorganisaties; regelt het gebruik van hulpmiddelen voor besluitvormingsondersteuning en goedgekeurde gegevensbronnen in vliegtuigonderhoud.
JARUS (2022). "JARUS guidelines on SORA — Specific Operations Risk Assessment for UAS."
Context: Risicobeoordelingskader voor civiele UAS-operaties, inclusief eisen voor AI-beslissingssystemen die in operaties van de specifieke categorie worden gebruikt.
SAE International (2016). "AS9100 Rev D: Quality Management Systems — Requirements for Aviation, Space, and Defense Organizations."
Context: Primaire kwaliteitsbeheernorm voor de lucht- en ruimtevaartproductie; relevant voor door AI gegenereerde inspectiedossiers en de traceerbaarheid van procesgegevens.
Hyperion Consulting (2026). "arXiv preprint: Autonomous Edge-Deployed AI Agents for Physical Infrastructure (arXiv:2603.08736)."
Context: Preprint van de oprichter van Hyperion (niet peer-reviewed) over architectuurpatronen voor soevereine, in edge ingezette AI-agents — dezelfde patronen die worden toegepast op lucht- en ruimtevaartcontexten voor MRO en productie.
Of u nu een civiele MRO-werkplaats bent die ongeplande uitbouw wil verminderen, een avionica-leverancier die een documentatiecopilot bouwt voor zijn engineeringteam, of een UAV-fabrikant die een soevereine intelligentie van de grondbesturing ontwerpt — de architectuurbeslissingen die in de eerste opdracht worden genomen, bepalen wat mogelijk is. Hyperion brengt 17+ jaar ervaring in industriële techniek samen met een productie-track record in edge-AI, on-prem inferentie en RAG over technische documentatie. Begin met een gesprek.
Oprichter en hoofd AI-strategie
Mohammed Cherifi is de oprichter van Hyperion Consulting, met 17+ jaar in embedded systemen en industriële techniek, waaronder werk bij Renault-Nissan-Mitsubishi Alliance, Cisco en ABB. Hij is gespecialiseerd in de inzet van soevereine AI voor industriële omgevingen — edge-AI, on-prem inferentie en AI-systemen die voldoen aan de operationele en regelgevende randvoorwaarden van veiligheidskritische productie.
On-prem en air-gapped AI-implementatie voor industriële omgevingen
Soevereine, air-gapped AI-implementatie voor productieomgevingen
Certificeringsoverwegingen ISO 26262 en IEC 62443 voor edge-AI
De 6-laagse Physical AI Stack voor robotica, edge-AI en industriële automatisering