Harnessing the Synergy between LLM Agents and Knowledge Graphs for Urban Socioeconomic Prediction

تخيل أنك تحاول التنبؤ بمستقبل مدينة صاخبة. تريد معرفة الأحياء التي ستكتظ بالناس، وأين ستزدهر المتاجر الجديدة، أو كيف سيتغير الطابع المجتمعي المحلي. هذا ليس مجرد تخمين؛ إنه مجال يسمى التنبؤ الاجتماعي والاقتصادي. يقوم العلماء بذلك من خلال جمع كميات هائلة من البيانات — مثل أين يعيش الناس، وأين يعملون، وما هي المتاجر الموجودة، وكيف يتحركون. ولجعل هذا المعلومات المختلطة وغير المنظمة مفهومة، يستخدم الباحثون أداة تسمى رسم المعرفة البياني (Knowledge Graph). فكر في رسم المعرفة البياني كشبكة ضخمة وفائقة الاتصال من الحقائق. فبدلاً من مجرد سرد البيانات في جدول بيانات، فإنه يرسم خطوطاً بين الأشياء، موضحاً كيف يرتبط "مقهى" بـ "حي"، والذي يرتبط بدوره بـ "مسار حافلة"، وهكذا. إنه يشبه تحويل كومة من قطع الأحجية المتناثرة إلى صورة حيث تعرف كل قطعة مكانها بالضبط.

لكن الجزء الصعب يكمن هنا: تحديد أي من هذه الروابط مهم حقاً للتنبؤ بالمستقبل هو أمر في غاية الصعوبة. تقليدياً، كان على الخبراء تحديد الروابط يدوياً، معتمدين على حدسهم وخبرتهم الخاصة. الأمر يشبه محاولة إيجاد أفضل مسار عبر متاهة من خلال الطلب من إنسان أن يخمن كل منعطف؛ قد يفتقدون إلى طريق مختصر أو يسلكون طريقاً خاطئاً لأنهم لا يستطيعون رؤية الصورة الكاملة دفعة واحدة. تعالج هذه الورقة البحثية هذه المشكلة تحديداً من خلال تقديم لاعب جديد في الفريق: النموذج اللغوي الكبير (LLM). يمكنك التفكير في النموذج اللغوي الكبير كروبوت ذكي جداً ومطلع، قد قرأ كل شيء تقريباً مكتوباً على الإنترنت. إنه بارع في فهم اللغة ورصد الأنماط التي قد تفوت البشر. والسؤال الكبير الذي يطرحه المؤلفون هو: ماذا يحدث إذا دمجنا العقل الهيكلي الواقعي لرسم المعرفة البياني مع العقل الإبداعي والتحليلي للنموذج اللغوي الكبير؟

يقترح المؤلفون نظاماً جديداً يسمى SLAK (تآزر وكيل النموذج اللغوي الكبير ورسم المعرفة البياني) لحل هذه المشكلة. فبدلاً من ترك البشر يخمنون أي الروابط في بيانات المدينة مهمة، يتركون للنموذج اللغوي الكبير دور المحقق. ينظر النموذج اللغوي الكبير إلى رسم المعرفة البياني للمدينة ويستخدم مهاراته في الاستنتاج للعثور تلقائياً على "المسارات" الأكثر فائدة للمعلومات — مثل إدراك أنه للتنبؤ بمدى ازدحام شارع ما، تحتاج إلى النظر في العلاقة بين "السكان"، و"المنتزهات القريبة"، و"المقاهي"، بدلاً من مجرد النظر في العلاقة بين "السكان" و"حركة المرور".

يعمل النظام عبر ثلاث خطوات ذكية. أولاً، يعلمون نموذجاً لغوياً فهم اللغة الخاصة ببيانات المدينة، محولين الحقائق إلى أرقام يمكن للحاسوب معالجتها. ثياً، يرسلون فريقاً من "الوكلاء" الذين يعملون بالنماذج اللغوية الكبيرة. يتم تعيين وظيفة مختلفة لكل وكيل، مثل التنبؤ بالنمو السكاني أو النشاط التجاري. يتحدث هؤلاء الوكلاء مع بعضهم البعض، ويشاركون أفكارهم. قد يقول أحد الوكلاء: "مهلاً، أعتقد أن مراقبة كيفية تدفق الناس بين الأحياء يساعد في التنبؤ بمبيعات المتاجر"، وقد يوافق وكيل آخر ويضيف: "ولا تنسَ العلامات التجارية للمتاجر أيضاً!". هذا التعاون يساعدهم في العثور على روابط معقدة وخفية قد يغفل عنها إنسان واحد أو برنامج حاسوبي بسيط. وأخيراً، يقوم النظام بدمج كل هذه الرؤى المختلفة معاً لإجراء التنبؤ.

النتائج مثيرة للإعجاب حقاً. فعندما اختبر الفريق نظامهم على بيانات حقيقية من مدينتين صينيتين ضخمتين، بكين وشنغهاي، تفوق نظامهم على جميع الطرق السابقة الأفضل. وفي ثماني مهام تنبؤ مختلفة — تتراوح من تخمين عدد السكان إلى قياس جودة الخدمات — حسن نموذجهم الجديد الدقة بشكل ملحوظ، حيث تراوحت المكاسب بين 3.9% و76.2% مقارنة بالتقنيات القديمة. تشير الورقة إلى أن هذه القفزة الكبيرة في الأداء تأتي من قدرة النموذج اللغوي الكبير على إيجاد القرائن الصحيحة تلقائياً دون الحاجة إلى خبير بشري ليخبره بما يجب أن يبحث عنه.

ومن المثير للاهتمام أن المؤلفين اختبروا أيضاً ما يحدث إذا حاولت فقط "البحث" عن هذه الروابط عشوائياً أو استخدمت خوارزمية حاسوبية قياسية لتخمينها. وجدوا أن طرق البحث التقليدية هذه كانت أبطأ بكثير وأقل دقة. لم يكن النموذج اللغوي الكبير يخمن فحسب؛ بل استنتج طريقه إلى الإجابة. على سبيل المثال، عند التنبؤ بالنشاط الاجتماعي، اكتشف وكلاء النموذج اللغوي الكبير أن النظر في العلاقات التنافسية بين المتاجر المختلفة في الحي كان دليلاً رئيسياً، وهو رابط غالباً ما فات خوارزميات البحث العشوائية أو وجدته متأخراً جداً.

كما تفند الورقة البحثية فكرة أن مجرد نسخ البيانات من مهمة إلى أخرى (مثل استخدام بيانات السكان لتخمين مبيعات المتاجر) يعمل بشكل جيد بمفرده. فقد أظهروا أنه بدون التوجيه الدلالي الذكي للنموذج اللغوي الكبير، فإن مجرد لصق البيانات معاً يجعل التنبؤات أسوأ في الواقع. لا يكفي مجرد امتلاك البيانات؛ بل يجب أن تفهم كيف ترتبط تلك البيانات بالسؤال المحدد الذي تطرحه.

باخت-اختصار، تشير هذه الورقة إلى أن مستقبل التنبؤ بحياة المدن لا يقتصر فقط على امتلاك المزيد من البيانات أو بشر أكثر ذكاءً. بل يتعلق بمنح الحواسيب شريكاً يمكنه التفكير، والاستنتاج، والتعاون. ومن خلال السماح لوكلاء الذكاء الاصطناعي بالدردشة مع بعضهم البعض واستكشاف رسم البيانات البياني للمدينة معاً، يمكننا الكشف عن أنماط خفية تؤدي إلى تنبؤات أكثر دقة وحدة حول كيفية تطور عوالمنا الحضرية. ويؤكد المؤلفون أن هذا "العمل الجماعي" بين وكلاء الذكاء الاصطناعي ورسوم المعرفة البيانية هو طريقة قوية وجديدة لفهم مدننا، رغم أنهم يشيرون إلى أنه مع تغير المدن بمرور الوقت، ستحتاج هذه الأنظمة إلى الاستمرار في التعلم والتحديث، تماماً مثل المدن نفسها.