Mengapa Perencana yang "Memahami" Diperlukan
Setiap penumpang memilih rute dengan caranya sendiri. Bagi sebagian orang, hal terpenting adalah sampai lebih cepat, bagi yang lain — mengurangi jumlah transfer, dan yang ketiga secara sadar menghindari bus atau ingin memangkas perjalanan kaki. Aplikasi navigasi standar biasanya hanya memberikan beberapa opsi yang tidak personal, diurutkan berdasarkan waktu atau harga. Preferensi individu tetap tidak terlihat.
Untuk mengubah situasi ini, framework ChatPlanner yang dijelaskan dalam pracetak arXiv:2606.15315 hadir. Para penulis — Tingting Yang, Chenhao Xue, dan Jun Chen — mengembangkan pendekatan di mana pengguna menjelaskan keinginannya dengan kata-kata biasa, dan sistem menerjemahkannya menjadi persyaratan untuk rute. Ini secara signifikan memperluas batas perutean klasik: dialog dengan penumpang menjadi sinyal masukan yang sama pentingnya dengan jadwal dan peta transportasi.
Solusi ini dibangun di sekitar model bahasa besar dan telah diajukan ke jurnal Transportation Research Part C. Berdasarkan isi karya tersebut, ini bukan sekadar chatbot lain: model secara langsung memengaruhi logika optimasi pencarian rute.
Arsitektur Solusi
Di pusat ChatPlanner terdapat antarmuka dialog yang memproses permintaan dalam bahasa alami. Pengguna dapat menulis sesuatu seperti "ingin lebih cepat, tapi tanpa metro" atau "tidak tahan menunggu lama". Tugas framework bukan hanya mengenali kata-kata, tetapi juga mengekstrak parameter perutean darinya: prioritas waktu, jumlah transfer, moda transportasi, dan karakteristik lainnya.
Untuk ini, digunakan kombinasi dua mekanisme:
- LLM yang Disetel Halus — bertanggung jawab atas keluaran terstruktur dan dilatih untuk mengenali pola preferensi yang umum. Ia "memahami" bagaimana keinginan biasanya dirumuskan dan menyatukannya ke dalam format yang seragam.
- Retrieval-Augmented Generation (RAG) — menambahkan konteks yang relevan ke permintaan. Ini membantu menyelesaikan ekspresi yang ambigu atau percakapan, serta mengkalibrasi penilaian berkelanjutan dengan lebih akurat — misalnya, tingkat ketidaksukaan terhadap transfer.
Hasil pemrosesan adalah serangkaian skor preferensi (preference scores) berdasarkan berbagai kriteria. Skor-skor ini kemudian diintegrasikan ke dalam fungsi tujuan algoritma perutean transportasi umum. Dengan kata lain, LLM tidak menceritakan kembali rute yang sudah jadi, tetapi secara aktif berpartisipasi dalam pembuatannya, menyesuaikan optimasi dengan penumpang tertentu.
Pelatihan: Persona dan Konteks
Agar model memiliki bahan untuk dipelajari, para penulis membuat kumpulan data yang mencakup delapan persona dan lima konteks. Persona adalah tipe penumpang yang digeneralisasi dengan prioritas dan kebiasaan berbeda: misalnya, pelajar yang mementingkan harga, lansia dengan mobilitas terbatas, atau pebisnis yang menghargai setiap menit. Konteks menggambarkan situasi umum — perjalanan ke bandara, jam sibuk, jalan-jalan wisata, dan sebagainya.
Penandaan ini penting tidak hanya untuk pelatihan. Ini digunakan untuk menetapkan standar evaluasi acuan — "rubrik" — yang dengannya respons sistem dibandingkan. Berkat ini, penilaian objektif dapat dibuat tentang seberapa tepat framework mengekstrak preferensi dan parameter rute dari dialog.
Eksperimen dan Hasil
Untuk mengonfirmasi kelayakan pendekatan ini, para peneliti melakukan empat eksperimen. Masing-masing menguji aspek terpisah:
- Kelayakan solusi — apakah sistem selalu menawarkan rute yang nyata dan dapat dieksekusi.
- Ekstraksi informasi — seberapa akurat parameter perutean dan preferensi dikenali.
- Kualitas dan kelengkapan kumpulan solusi — berapa banyak alternatif yang cocok yang dihasilkan framework dan seberapa baik kualitasnya.
- Latensi dan kelayakan komputasi — apakah sistem merespons dalam waktu yang dapat diterima.
Hasil menunjukkan bahwa ChatPlanner secara konsisten menghasilkan solusi yang layak. Penyetelan halus memberikan struktur keluaran yang diperlukan dan memungkinkan sistem mempelajari pola preferensi umum. RAG, pada gilirannya, menyediakan konteks permintaan spesifik — dengannya, sistem berhasil menangani formulasi yang tidak tepat dan percakapan serta mengkalibrasi skor dengan benar. Akurasi terbaik dicapai ketika kedua pendekatan digunakan bersama: ekstraksi informasi menjadi tidak hanya lebih akurat, tetapi juga konsisten dengan rubrik.
Dalam studi kasus, framework menemukan solusi yang memenuhi berbagai keinginan penumpang dan menyentuh berbagai aspek perjalanan. Rute-rute ini terlewatkan oleh perencana yang ada. Selain itu, ChatPlanner menghasilkan lebih banyak alternatif, memberi pengguna pilihan yang bermakna.
Kinerja
Para penulis memberikan perhatian khusus pada penerapan praktis. Pengukuran latensi mengonfirmasi bahwa framework layak secara komputasi: meskipun melibatkan model bahasa yang berat dan mekanisme RAG tambahan, sistem dapat bekerja secara real-time. Ini adalah argumen penting bahwa pendekatan ini tidak akan tetap di laboratorium, tetapi dapat menjadi dasar layanan perencanaan perjalanan nyata.
Kesimpulan
Penelitian ChatPlanner adalah langkah menuju paradigma baru di mana pemahaman bahasa alami dan optimasi transportasi tidak lagi terpisah. Alih-alih menuntut penumpang untuk menentukan parameter secara eksplisit, sistem itu sendiri mengekstraknya dari percakapan. Dialog menjadi bagian penuh dari proses optimasi, dan pencarian rute menjadi layanan yang dipersonalisasi.
Untuk saat ini ini adalah pengembangan ilmiah, tetapi hasilnya terlihat meyakinkan: kombinasi fine-tuning dan RAG memungkinkan akurasi tinggi, sementara kinerjanya tetap dapat diterima. Kemungkinan besar, antarmuka semacam ini akan segera muncul di aplikasi transportasi perkotaan, dan pemilihan rute akan menjadi senatural berbicara dengan petugas layanan.
