{"id":82,"date":"2026-09-15T21:33:35","date_gmt":"2026-09-15T21:33:35","guid":{"rendered":"https:\/\/flying-tek.com\/wp01\/?p=82"},"modified":"2026-09-15T22:08:32","modified_gmt":"2026-09-15T22:08:32","slug":"maintenance-predictive-mro-de-la-reaction-curative-a-lanticipation-algorithmique","status":"publish","type":"post","link":"https:\/\/flying-tek.com\/wp01\/2026\/09\/15\/maintenance-predictive-mro-de-la-reaction-curative-a-lanticipation-algorithmique\/","title":{"rendered":"Maintenance pr\u00e9dictive &amp; MRO : De la r\u00e9action curative \u00e0 l&rsquo;anticipation algorithmique"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">maintenance-predictive-mro-ia-easa<\/p>\n\n\n\n<figure class=\"wp-block-pullquote\"><blockquote><p><strong>Executive Briefing<\/strong><br><br><br><br><strong>Enjeu critique :<\/strong> La d\u00e9faillance non planifi\u00e9e demeure l&rsquo;un des premiers facteurs d&rsquo;\u00e9rosion des marges op\u00e9rationnelles d&rsquo;une compagnie a\u00e9rienne, avec des co\u00fbts d&rsquo;immobilisation au sol (<em>AOG<\/em>) pouvant exc\u00e9der 100 000 $ par jour d&rsquo;arr\u00eat.<br>&nbsp;<br><strong>Rupture technologique :<\/strong> L&rsquo;intelligence artificielle transforme les t\u00e9raoctets de donn\u00e9es t\u00e9l\u00e9m\u00e9triques de vol en indicateurs avanc\u00e9s d&rsquo;usure, d\u00e9pla\u00e7ant le mod\u00e8le traditionnel calendaire vers un ciblage pr\u00e9dictif en temps r\u00e9el.<br>&nbsp;<br><strong>Cadre de conformit\u00e9 :<\/strong> L&rsquo;adoption op\u00e9rationnelle de ces algorithmes ne peut s&rsquo;affranchir des exigences de navigabilit\u00e9 ; elle doit s&rsquo;int\u00e9grer strictement dans les r\u00e9f\u00e9rentiels CAMO et la doctrine formalis\u00e9e par l&rsquo;EASA \u00e0 travers son AI Roadmap 2.0 et ses guides d&rsquo;application pour le Machine Learning.<\/p><\/blockquote><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>1. L&rsquo;impasse \u00e9conomique du mod\u00e8le pr\u00e9ventif calendaire<\/strong><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La maintenance a\u00e9ronautique commerciale s&rsquo;est historiquement construite sur deux paradigmes : l&rsquo;entretien programm\u00e9 par but\u00e9es strictes de calendrier ou de cycles de vol (<em>flight hours \/ flight cycles<\/em>) et le curatif d&rsquo;urgence face aux pannes survenant en escale. Si ce mod\u00e8le a permis \u00e0 l&rsquo;aviation civile d&rsquo;atteindre des standards de s\u00e9curit\u00e9 in\u00e9gal\u00e9s, il engendre d&rsquo;importantes frictions de rentabilit\u00e9 :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Sur-maintenance syst\u00e9matique :<\/strong> D\u00e9pose pr\u00e9matur\u00e9e d&rsquo;\u00e9quipements (<em>LRU \u2014 Line Replaceable Units<\/em>) encore parfaitement op\u00e9rationnels afin de satisfaire \u00e0 des intervalles d&rsquo;inspection th\u00e9oriques et non contextualis\u00e9s.<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Vuln\u00e9rabilit\u00e9 aux d\u00e9gradations insidieuses :<\/strong> Incapacit\u00e9 des seuils fixes \u00e0 capter les signaux faibles annonciateurs de pannes (micro-d\u00e9rives thermiques, pertes d&rsquo;efficacit\u00e9 hydraulique ou vibrations harmoniques anormales).<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Engorgement des capacit\u00e9s d&rsquo;atelier :<\/strong> Surcharge impr\u00e9vue des lignes d&rsquo;entretien lourd due \u00e0 la d\u00e9couverte fortuite de non-conformit\u00e9s lors des visites de type C ou D.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">L&rsquo;objectif de la maintenance pr\u00e9dictive n&rsquo;est pas d&rsquo;assouplir les marges de s\u00e9curit\u00e9, mais d&rsquo;\u00e9liminer l&rsquo;al\u00e9a op\u00e9rationnel avant qu&rsquo;il ne se transforme en retard en ligne ou en incident technique.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>2. L&rsquo;architecture de la pr\u00e9diction : Du capteur en vol au centre de coordination<\/strong><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">En pratique, les difficult\u00e9s des services techniques ou les blocages qu&rsquo;ils peuvent conna\u00eetre n&rsquo;ont pas pour origine le manque de capteurs, mais plut\u00f4t la capacit\u00e9 des centres de contr\u00f4le de maintenance (MCC) \u00e0 absorber ces flux massifs sans saturer leurs \u00e9quipes d&rsquo;ing\u00e9nierie. Dans ce domaine, l&rsquo;intelligence artificielle apporte une r\u00e9elle valeur ajout\u00e9e.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Son int\u00e9gration industrielle au sein de la maintenance s&rsquo;articule autour d&rsquo;une cha\u00eene continue allant du calcul embarqu\u00e9 jusqu&rsquo;\u00e0 la logistique de piste :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Acquisition t\u00e9l\u00e9m\u00e9trique en vol :<\/strong> Les avions de derni\u00e8re g\u00e9n\u00e9ration g\u00e9n\u00e8rent des flux continus de param\u00e8tres via les calculateurs de bord (FADEC, bo\u00eetiers ACARS \/ FOMAX).<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>D\u00e9tection d&rsquo;anomalies par Machine Learning :<\/strong> Des algorithmes d&rsquo;apprentissage entra\u00een\u00e9s sur les s\u00e9ries temporelles de la flotte identifient des d\u00e9viations infimes par rapport aux profils nominaux de fonctionnement, plusieurs semaines avant le d\u00e9clenchement d&rsquo;une alarme cockpit.<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Int\u00e9gration au MCC (<em>Maintenance Coordination Center<\/em>) :<\/strong> Les alertes algorithmiques sont directement inject\u00e9es dans le centre de coordination technique. Les pi\u00e8ces de rechange n\u00e9cessaires sont pr\u00e9-positionn\u00e9es \u00e0 la bonne escale, l&rsquo;outillage sp\u00e9cialis\u00e9 est r\u00e9serv\u00e9 et les cr\u00e9neaux d&rsquo;intervention sont planifi\u00e9s sans impacter la ponctualit\u00e9 de la flotte.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Toutefois, comme nous le verrons plus tard dans l&rsquo;analyse du cadre r\u00e9glementaire, l&rsquo;expert humain doit imp\u00e9rativement rester au centre de la d\u00e9cision. Un algorithme ne signe pas d&rsquo;APRS (Approbation pour Remise en Service) ; un technicien habilit\u00e9 Part-66, oui.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La d\u00e9marche est comparable \u00e0 l&rsquo;imagerie m\u00e9dicale : si l&rsquo;IA y identifie des signaux faibles avec une acuit\u00e9 statistique remarquable, la responsabilit\u00e9 l\u00e9gale et le diagnostic final reposent toujours exclusivement sur le m\u00e9decin sp\u00e9cialiste.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>3. Cas d&rsquo;usage industriels : Ce que d\u00e9ploient d\u00e9j\u00e0 les constructeurs et motoristes<\/strong><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Loin des d\u00e9monstrateurs de laboratoire, les leaders mondiaux de l&rsquo;a\u00e9rospatiale exploitent d\u00e9j\u00e0 le Machine Learning \u00e0 l&rsquo;\u00e9chelle industrielle pour fiabiliser leurs flottes et optimiser la disponibilit\u00e9 technique :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Airbus (Skywise Predictive Maintenance \u2014 S.P.M.) :<\/strong> En combinant les flux massifs de capteurs transmis par les bo\u00eetiers de bord FOMAX aux algorithmes de Machine Learning de la plateforme Skywise, Airbus mod\u00e9lise la d\u00e9gradation des composants critiques (valves de conditionnement d&rsquo;air, calculateurs de commandes de vol, pompes hydrauliques). Les compagnies partenaires re\u00e7oivent des recommandations de d\u00e9pose pr\u00e9ventive plusieurs jours avant l&rsquo;apparition d&rsquo;un message de panne cockpit.<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Boeing (Airplane Health Management \u2014 AHM &amp; AnalytX) :<\/strong> Boeing s&rsquo;appuie sur le traitement statistique de flux massifs de donn\u00e9es ACARS et de param\u00e8tres enregistr\u00e9s pour identifier les signatures spectrales de d\u00e9faillance. Le syst\u00e8me g\u00e9n\u00e8re des alertes pronostiques d\u00e8s la phase de vol, permettant d&rsquo;affecter automatiquement les pi\u00e8ces et proc\u00e9dures dans le syst\u00e8me d&rsquo;information de l&rsquo;escale avant m\u00eame le toucher des roues.<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>CFM International \/ Safran &amp; GE Aerospace (T\u00e9l\u00e9m\u00e9trie LEAP &amp; GE90) :<\/strong> Les motoristes int\u00e8grent l&rsquo;IA au c\u0153ur du suivi thermique et vibratoire sous forme de jumeaux num\u00e9riques (<em>Digital Twins<\/em>). Les algorithmes comparent en temps r\u00e9el l&rsquo;\u00e9volution de la marge EGT (<em>Exhaust Gas Temperature<\/em>) et les micro-vibrations des paliers par rapport au profil nominal du moteur. Cette anticipation permet de planifier les visites en atelier (<em>shop visits<\/em>) selon l&rsquo;usure effective plut\u00f4t que sur des but\u00e9es calendaires rigides.<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Pratt &amp; Whitney (EngineWise Diagnostics) :<\/strong> Sur la famille des turbofans GTF (<em>Geared Turbofan<\/em>), les algorithmes d&rsquo;apprentissage automatique de la suite EngineWise traitent des millions d&rsquo;heures de param\u00e8tres de vol pour d\u00e9tecter l&rsquo;usure pr\u00e9coce des chambres de combustion et ajuster la logistique des pi\u00e8ces de rechange \u00e0 flux tendu.<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Lufthansa Technik (AVIATAR) :<\/strong> C\u00f4t\u00e9 MRO ind\u00e9pendant, la plateforme AVIATAR applique des mod\u00e8les d&rsquo;analytique pr\u00e9dictive sur des flottes multi-op\u00e9rateurs et multi-constructeurs. Le syst\u00e8me fait le pont entre le diagnostic algorithmique et la cha\u00eene logistique r\u00e9elle en atelier Part-145, r\u00e9duisant directement les annulations techniques.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>4. Le d\u00e9fi de la certification : Naviguer dans le cadre EASA pour l&rsquo;Intelligence Artificielle<\/strong><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Dans l&rsquo;aviation commerciale, la performance d&rsquo;un mod\u00e8le math\u00e9matique ne pr\u00e9sente aucune valeur sans conformit\u00e9 r\u00e9glementaire d\u00e9montrable. Pour \u00e9viter l&rsquo;\u00e9cueil de la \u00ab bo\u00eete noire \u00bb incompatible avec la s\u00e9curit\u00e9 des vols, l&rsquo;utilisation de l&rsquo;apprentissage automatique dans les processus MRO et de suivi de navigabilit\u00e9 continue s&rsquo;appuie d\u00e9sormais sur les directives publi\u00e9es par l&rsquo;Agence Europ\u00e9enne de la S\u00e9curit\u00e9 A\u00e9rienne (EASA).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&rsquo;autorit\u00e9 europ\u00e9enne structure cette int\u00e9gration \u00e0 travers trois textes de r\u00e9f\u00e9rence :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>EASA AI Roadmap 2.0 (mai 2023) :<\/strong> Document strat\u00e9gique d\u00e9finissant la feuille de route d&rsquo;adoption de l&rsquo;IA jusqu&rsquo;\u00e0 l&rsquo;horizon 2028 et au-del\u00e0, formalisant les niveaux d&rsquo;autonomie du Niveau 1 (assistance humaine directe) au Niveau 2 (collaboration homme-machine supervis\u00e9e).<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>EASA Concept Paper \u2014 Issue 01.2 (mai 2022) :<\/strong> Guide d&rsquo;application pour les solutions de Niveau 1 (<em>First usable guidance for Level 1 machine learning applications<\/em>), fixant le cadre de confiance (<em>AI Trustworthiness Framework<\/em>) autour de l&rsquo;assurance d&rsquo;apprentissage (<em>Learning Assurance<\/em>), de l&rsquo;explicabilit\u00e9 et de la gestion des risques de s\u00e9curit\u00e9.<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>EASA Concept Paper \u2014 Issue 02 (2023) :<\/strong> Extension vers le Niveau 2 (<em>Guidance for Level 1 and Level 2 machine learning applications<\/em>), introduisant des protocoles stricts sur la gouvernance des donn\u00e9es (<em>Data Governance<\/em>), l&rsquo;att\u00e9nuation des biais d&rsquo;\u00e9chantillonnage et le suivi des d\u00e9rives de mod\u00e8les (<em>data drift<\/em>) face au vieillissement r\u00e9el des flottes.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Appliqu\u00e9 \u00e0 l&rsquo;environnement de maintenance, ce cadre impose des imp\u00e9ratifs stricts aux exploitants :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Maintien du principe \u00ab Human-in-the-loop \u00bb (Niveau 1) :<\/strong> Les outils pr\u00e9dictifs rel\u00e8vent de l&rsquo;aide \u00e0 la d\u00e9cision technique. L&rsquo;\u00e9valuation humaine demeure souveraine : la signature finale de l&rsquo;Approbation pour Remise en Service (APRS) rel\u00e8ve exclusivement de la responsabilit\u00e9 l\u00e9gale du technicien certifi\u00e9 Part-66 au sein de l&rsquo;organisme agr\u00e9\u00e9 Part-145.<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Explicabilit\u00e9 physique (<em>Explainability<\/em>) :<\/strong> Un score statistique isol\u00e9 ne suffit pas \u00e0 justifier une intervention lourde. Le mod\u00e8le doit expliciter la corr\u00e9lation physique entre les donn\u00e9es t\u00e9l\u00e9m\u00e9triques observ\u00e9es et les modes de d\u00e9faillance r\u00e9pertori\u00e9s dans la documentation constructeur approuv\u00e9e (AMM\/CMM).<\/li>\n<\/ul>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Int\u00e9grit\u00e9 et repr\u00e9sentativit\u00e9 de la donn\u00e9e :<\/strong> Conform\u00e9ment \u00e0 l&rsquo;Issue 02 de l&rsquo;EASA, l&rsquo;op\u00e9rateur doit garantir la tra\u00e7abilit\u00e9 compl\u00e8te de la cha\u00eene de donn\u00e9es. Aucune d\u00e9cision pr\u00e9dictive touchant \u00e0 la navigabilit\u00e9 ne peut reposer sur des jeux de donn\u00e9es corrompus ou alt\u00e9r\u00e9s par des conditions environnementales atypiques non document\u00e9es.<\/li>\n\n\n\n<li><\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>5. Indicateurs d&rsquo;impact op\u00e9rationnel et \u00e9conomique<\/strong><\/h2>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><tbody><tr><td><strong>Indicateur cl\u00e9<\/strong><\/td><td><strong>Mod\u00e8le conventionnel (curatif \/ calendaire)<\/strong><\/td><td><strong>Mod\u00e8le pr\u00e9dictif supervis\u00e9 par IA<\/strong><\/td><\/tr><tr><td><strong>Gestion des \u00e9v\u00e9nements AOG<\/strong><\/td><td>Mobilisation r\u00e9active en escale, approvisionnement de pi\u00e8ces sous tension (<em>AOG Desk<\/em>).<\/td><td>D\u00e9tection des pr\u00e9mices de panne 15 \u00e0 30 jours \u00e0 l&rsquo;avance, \u00e9vitant l&rsquo;arr\u00eat inopin\u00e9.<\/td><\/tr><tr><td><strong>Temps d&rsquo;immobilisation en atelier (TAT)<\/strong><\/td><td>D\u00e9lais instables soumis aux d\u00e9couvertes impr\u00e9vues au d\u00e9montage.<\/td><td>Optimisation du flux de passage (<em>Turnaround Time<\/em>) et pr\u00e9paration amont des chantiers.<\/td><\/tr><tr><td><strong>Gestion du stock d&rsquo;\u00e9quipements rotables<\/strong><\/td><td>Immobilisation massive de capital dans des stocks tampons surdimensionn\u00e9s.<\/td><td>Dimensionnement cibl\u00e9 des inventaires de rechange selon les probabilit\u00e9s d&rsquo;usure r\u00e9elles (<em>Just-in-Time<\/em>).<\/td><\/tr><tr><td><strong>Coordination op\u00e9rationnelle<\/strong><\/td><td>Cloisonnement entre exploitation sol, navigabilit\u00e9 et ateliers.<\/td><td>Int\u00e9gration en temps r\u00e9el des alertes de bord dans le syst\u00e8me de gestion du MCC.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">La r\u00e9ussite d&rsquo;une transition vers la maintenance pr\u00e9dictive ne rel\u00e8ve pas d&rsquo;un simple investissement logiciel. Elle exige une refonte coordonn\u00e9e des interfaces entre l&rsquo;ing\u00e9nierie de navigabilit\u00e9 continue (CAMO), la structure de coordination technique et les ateliers de maintenance lourde. C&rsquo;est en associant rigueur r\u00e9glementaire EASA, gouvernance des donn\u00e9es de vol et expertise m\u00e9tier de piste que les exploitants transforment une contrainte de co\u00fbt en un avantage concurrentiel d\u00e9cisif.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n\n\n<div style=\"background-color: #f8fafc; border-left: 4px solid #0284c7; padding: 16px; margin: 24px 0; font-size: 14px; color: #334155;\">\n  <strong>Besoin d&rsquo;un accompagnement strat\u00e9gique ou r\u00e9glementaire ?<\/strong><br \/>\n  D\u00e9couvrez nos capacit\u00e9s d&rsquo;intervention en<br \/>\n  <a href=\"https:\/\/flying-tek.com\/#expertises\" style=\"color: #0369a1; text-decoration: underline; font-weight: 600;\">Infrastructures a\u00e9roportuaires, Op\u00e9rations &#038; Flottes<\/a><br \/>\n  ou contactez directement le cabinet sur<br \/>\n  <a href=\"https:\/\/flying-tek.com\/#contact\" style=\"color: #0369a1; text-decoration: underline; font-weight: 600;\">flying-tek.com<\/a>.\n<\/div>\n\n\n<p class=\"wp-block-paragraph\"><strong>Zouhair Mohammed El Aoufir<\/strong> \u2014 Fondateur de Flying Tek, ancien dirigeant ex\u00e9cutif dans l&rsquo;a\u00e9rien et les infrastructures a\u00e9roportuaires.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n","protected":false},"excerpt":{"rendered":"<p>maintenance-predictive-mro-ia-easa Executive Briefing Enjeu critique : La d\u00e9faillance non planifi\u00e9e demeure l&rsquo;un des premiers facteurs d&rsquo;\u00e9rosion des marges op\u00e9rationnelles d&rsquo;une compagnie a\u00e9rienne, avec des co\u00fbts d&rsquo;immobilisation au sol (AOG) pouvant exc\u00e9der 100 000 $ par jour d&rsquo;arr\u00eat.&nbsp;Rupture technologique : L&rsquo;intelligence artificielle transforme les t\u00e9raoctets de donn\u00e9es t\u00e9l\u00e9m\u00e9triques de vol en indicateurs avanc\u00e9s d&rsquo;usure, d\u00e9pla\u00e7ant le&#8230;<\/p>\n","protected":false},"author":1,"featured_media":86,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[13],"tags":[18,17,11,16,3,14,15],"class_list":["post-82","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-aviation-technology","tag-ai-roadmap-2-0","tag-airworthiness","tag-avancee-technologique","tag-easa-part-145","tag-intelligence-artificielle","tag-mro","tag-predictive-maintenance"],"_links":{"self":[{"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/posts\/82","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/comments?post=82"}],"version-history":[{"count":5,"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/posts\/82\/revisions"}],"predecessor-version":[{"id":93,"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/posts\/82\/revisions\/93"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/media\/86"}],"wp:attachment":[{"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/media?parent=82"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/categories?post=82"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/flying-tek.com\/wp01\/wp-json\/wp\/v2\/tags?post=82"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}