لماذا تحتاج إلى مخطط "فاهم"
كل راكب يختار مساره بطريقته الخاصة. بالنسبة للبعض، الأهم هو الوصول بشكل أسرع، وبالنسبة لآخرين، تقليل عدد التحويلات، بينما يتجنب البعض الآخر الحافلات عمدًا أو يريد تقليل المشي. تطبيقات الملاحة القياسية عادةً ما تقدم فقط عددًا قليلًا من الخيارات غير الشخصية، مرتبة حسب الوقت أو السعر. التفضيلات الفردية تبقى في الخلفية.
يقدم إطار عمل ChatPlanner، الموضح في preprint على arXiv:2606.15315، حلًا لهذه المشكلة. المؤلفون — تينغتينغ يانغ، تشينهاو شيويه، وجون تشين — طوروا نهجًا يشرح فيه المستخدم رغباته بكلمات عادية، ويقوم النظام بترجمتها إلى متطلبات للمسار. هذا يوسع بشكل ملحوظ حدود التوجيه الكلاسيكي: يصبح الحوار مع الراكب إشارة دخل مهمة تمامًا مثل الجدول الزمني وخريطة النقل.
الحل مبني حول نماذج لغوية كبيرة وقد تم تقديمه بالفعل إلى مجلة Transportation Research Part C. وفقًا لنص العمل، هذا ليس مجرد chatbot آخر: النموذج يؤثر مباشرة على المنطق التحسيني للبحث عن المسار.
هندسة الحل
في قلب ChatPlanner توجد واجهة حوارية تعالج الاستفسارات باللغة الطبيعية. يمكن للمستخدم كتابة شيء مثل «أريد أسرع، ولكن بدون مترو» أو «لا أطيق الانتظار الطويل». مهمة الإطار ليست فقط التعرف على الكلمات، بل استخراج معلمات التوجيه منها: الأولويات المتعلقة بالوقت، عدد التحويلات، وسائل النقل، وخصائص أخرى.
لهذا الغرض، يتم استخدام مزيج من آليتين:
- نموذج لغوي مضبوط بدقة — مسؤول عن المخرجات المنظمة ومُدرَّب على التعرف على الأنماط النموذجية للتفضيلات. إنه «يفهم» كيف تُصاغ الرغبات عادةً ويوحّدها في صيغة واحدة.
- التوليد المعزز بالاسترجاع (RAG) — يضيف سياقًا ذا صلة إلى الاستفسار. يساعد هذا في حل التعبيرات الغامضة أو العامية، وكذلك في معايرة التقييمات المستمرة بدقة أكبر — على سبيل المثال، درجة النفور من التحويلات.
نتيجة المعالجة هي مجموعة من درجات التفضيل (preference scores) وفقًا لمعايير مختلفة. يتم بعد ذلك دمج هذه الدرجات في الدالة الهدفية لخوارزمية توجيه النقل العام. بعبارة أخرى، لا يعيد النموذج اللغوي سرد مسار جاهز، بل يشارك بنشاط في بنائه، مكيفًا التحسين ليناسب الراكب المحدد.
التدريب: الشخصيات والسياقات
لكي يكون لدى النموذج ما يتعلمه، أنشأ المؤلفون مجموعات بيانات تتضمن ثماني شخصيات وخمسة سياقات. الشخصيات هي أنواع معممة من الركاب بأولويات وعادات مختلفة: على سبيل المثال، طالب يهتم بالسعر، شخص مسن ذو حركة محدودة، أو مسافر أعمال يقدر كل دقيقة. تصف السياقات المواقف النموذجية — رحلة إلى المطار، ساعة الذروة، جولة سياحية، وهكذا.
هذا التصنيف مهم ليس فقط للتدريب. يُستخدم لتحديد معايير التقييم المرجعية — «المعايير» التي تُقارن بها إجابات النظام. بفضل هذا، يمكن الحكم بموضوعية على مدى دقة استخراج الإطار للتفضيلات ومعلمات المسار من الحوار.
التجارب والنتائج
لتأكيد فعالية النهج، أجرى الباحثون أربع تجارب. كل واحدة منها اختبرت جانبًا منفصلًا:
- جدوى الحلول — هل يقترح النظام دائمًا مسارات حقيقية وقابلة للتنفيذ.
- استخراج المعلومات — مدى دقة التعرف على معلمات التوجيه والتفضيلات.
- جودة واكتمال مجموعة الحلول — كم عدد البدائل المناسبة التي ينتجها الإطار ومدى جودتها.
- زمن الاستجابة والجدوى الحسابية — هل ينجح النظام في الاستجابة في وقت مقبول.
أظهرت النتائج أن ChatPlanner يولد باستمرار حلولًا قابلة للتنفيذ. الضبط الدقيق أعطى بنية المخرجات المطلوبة وسمح للنظام بتعلم الأنماط العامة للتفضيلات. RAG، بدورها، وفرت سياق الاستفسار المحدد — وبمساعدتها تم التعامل مع الصياغات غير الدقيقة والعامية ومعايرة التقييمات بشكل صحيح. أفضل دقة تتحقق عند استخدام كلا النهجين معًا: استخراج المعلومات لا يصبح أكثر دقة فحسب، بل متسقًا أيضًا مع المعايير.
في دراسات الحالة، وجد الإطار حلولًا تلبي رغبات الركاب المختلفة وتلامس جوانب متنوعة من الرحلة. في الوقت نفسه، كانت هذه المسارات مفقودة في المخططات الحالية. بالإضافة إلى ذلك، أنتج ChatPlanner بدائل أكثر، مما يمنح المستخدم خيارًا ذا معنى.
الأداء
أولى المؤلفون اهتمامًا خاصًا للتطبيق العملي. تؤكد قياسات زمن الاستجابة أن الإطار قابل للتنفيذ حسابيًا: على الرغم من مشاركة نماذج لغوية ثقيلة وآليات RAG إضافية، يمكن للنظام العمل في الوقت الفعلي. هذه حجة مهمة على أن النهج لن يبقى في المختبر، بل يمكن أن يشكل أساسًا لخدمات تخطيط رحلات حقيقية.
الاستنتاجات
بحث ChatPlanner هو خطوة نحو نموذج جديد لا يعود فيه فهم اللغة الطبيعية وتحسين النقل موجودين منفصلين. بدلاً من مطالبة الراكب بتحديد المعلمات بوضوح، يستخرجها النظام نفسه من المحادثة. يتحول الحوار إلى جزء كامل من عملية التحسين، ويصبح البحث عن المسار خدمة شخصية.
في الوقت الحالي، هذا تطوير علمي، لكن نتائجه تبدو مقنعة: الجمع بين الضبط الدقيق وRAG يحقق دقة عالية، ويبقى الأداء مقبولًا. من المحتمل أن تظهر واجهات مماثلة قريبًا في تطبيقات النقل الحضرية، وسيصبح اختيار المسار طبيعيًا مثل التحدث مع موظف الاستقبال.
