À quoi sert un planificateur « intelligent »
Chaque passager choisit son itinéraire à sa manière. Pour l'un, l'essentiel est d'arriver plus vite, pour un autre, de faire moins de correspondances, un troisième évite délibérément les bus ou souhaite réduire les trajets à pied. Les applications de navigation standard ne proposent généralement que quelques options impersonnelles, triées par temps ou par prix. Les préférences individuelles restent alors en coulisses.
Le framework ChatPlanner, décrit dans le preprint arXiv:2606.15315, propose de changer la donne. Les auteurs — Tingting Yang, Chenhao Xue et Jun Chen — ont développé une approche dans laquelle l'utilisateur explique ses souhaits en langage courant, et le système les traduit en exigences pour l'itinéraire. Cela élargit considérablement les limites de la routage classique : le dialogue avec le passager devient un signal d'entrée aussi important que l'horaire et la carte des transports.
La solution est construite autour de grands modèles de langage et a déjà été soumise à la revue Transportation Research Part C. D'après le texte de l'étude, il ne s'agit pas simplement d'un énième chatbot : le modèle influence directement la logique d'optimisation de la recherche d'itinéraire.
Architecture de la solution
Au cœur de ChatPlanner se trouve une interface conversationnelle qui traite les requêtes en langage naturel. L'utilisateur peut écrire quelque chose comme « je veux plus vite, mais sans métro » ou « je déteste les longues attentes ». La tâche du framework n'est pas seulement de reconnaître les mots, mais aussi d'en extraire les paramètres de routage : priorités de temps, nombre de correspondances, modes de déplacement et autres caractéristiques.
Pour cela, une combinaison de deux mécanismes est utilisée :
- LLM affiné (fine-tuning) — responsable de la sortie structurée et entraîné à reconnaître les schémas typiques de préférences. Il « comprend » comment les souhaits sont généralement formulés et les ramène à un format unifié.
- Retrieval-Augmented Generation (RAG) — ajoute un contexte pertinent à la requête. Cela aide à résoudre les expressions ambiguës ou familières, ainsi qu'à calibrer plus précisément les évaluations continues — par exemple, le degré d'aversion pour les correspondances.
Le résultat du traitement est un ensemble de scores de préférences selon différents critères. Ces scores sont ensuite intégrés dans la fonction objectif de l'algorithme de routage des transports publics. En d'autres termes, la LLM ne reformule pas un itinéraire tout prêt, mais participe activement à sa construction, en adaptant l'optimisation au passager spécifique.
Apprentissage : personas et contextes
Pour que le modèle ait de quoi apprendre, les auteurs ont créé des ensembles de données comprenant huit personas et cinq contextes. Les personas sont des types généralisés de passagers avec des priorités et des habitudes différentes : par exemple, un étudiant pour qui le prix est important, une personne âgée à mobilité réduite ou un voyageur d'affaires qui compte chaque minute. Les contextes décrivent des situations typiques — trajet vers l'aéroport, heure de pointe, promenade touristique, etc.
Ce marquage est important non seulement pour l'apprentissage. Il est utilisé pour établir des normes de référence d'évaluation — des « rubriques » avec lesquelles les réponses du système sont comparées. Cela permet de juger objectivement dans quelle mesure le framework a correctement extrait les préférences et les paramètres d'itinéraire du dialogue.
Expériences et résultats
Pour confirmer la viabilité de l'approche, les chercheurs ont mené quatre expériences. Chacune vérifiait un aspect distinct :
- Faisabilité des solutions — le système propose-t-il toujours des itinéraires réels et réalisables.
- Extraction d'informations — la précision avec laquelle les paramètres de routage et les préférences sont reconnus.
- Qualité et exhaustivité de l'ensemble de solutions — combien d'alternatives pertinentes le framework génère et leur qualité.
- Latence et faisabilité computationnelle — le système répond-il dans un délai acceptable.
Les résultats ont montré que ChatPlanner génère systématiquement des solutions réalisables. Le fine-tuning a fourni la structure de sortie requise et permis au système d'apprendre des schémas généraux de préférences. RAG, quant à elle, a apporté le contexte de la requête spécifique — grâce à elle, il a été possible de gérer les formulations imprécises et familières et de calibrer correctement les scores. La meilleure précision est atteinte en combinant les deux approches : l'extraction d'informations s'avère non seulement plus précise, mais aussi cohérente avec la rubrique.
Dans les études de cas, le framework trouvait des solutions répondant à différents souhaits des passagers et touchant aux aspects les plus variés du trajet. Ces itinéraires étaient pourtant manqués par les planificateurs existants. De plus, ChatPlanner générait davantage d'alternatives, offrant ainsi à l'utilisateur un choix pertinent.
Performance
Les auteurs ont accordé une attention particulière à l'applicabilité pratique. Les mesures de latence confirment que le framework est computationnellement viable : malgré la participation de modèles de langage lourds et de mécanismes RAG supplémentaires, le système peut fonctionner en temps réel. C'est un argument important en faveur du fait que l'approche ne restera pas en laboratoire, mais peut servir de base à de véritables services de planification de trajets.
Conclusions
L'étude ChatPlanner représente un pas vers un nouveau paradigme où la compréhension du langage naturel et l'optimisation des transports ne coexistent plus séparément. Au lieu d'exiger du passager qu'il définisse clairement les paramètres, le système les extrait lui-même de la conversation. Le dialogue devient une partie intégrante du processus d'optimisation, et la recherche d'itinéraire — un service personnalisé.
Pour l'instant, il s'agit d'un développement scientifique, mais ses résultats semblent convaincants : la combinaison du fine-tuning et de RAG permet d'atteindre une grande précision, tandis que la performance reste acceptable. Il est probable que de telles interfaces apparaîtront bientôt dans les applications de transport urbain, et le choix d'un itinéraire deviendra aussi naturel qu'une conversation avec un concierge.
