A multi-view contrastive learning framework for spatial embeddings in risk modelling
تقترح هذه الورقة إطار عمل جديد للتعلم التبايني متعدد الرؤى يقوم بتوليد تضمينات مكانية منخفضة الأبعاد من صور الأقمار الصناعية وبيانات خرائط الشوارع المفتوحة (OpenStreetMap) لتعزيز دقة التنبؤ وقابلية التفسير لنماذج المخاطر في تطبيقات التأمين والعقارات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن تحاول فهم طابع مكان ما بمجرد النظر إلى نقطة على الخريطة. لعقود من الزمن، فعلت شركات التأمين ومحللو العقارات ذلك بالضبط، حيث تعاملوا مع الموقع ببساطة كزوج من الأرقام: خط الطول وخط العرض. لقد أملوا أن تخبرهم هذه الإحداثيات بكل ما يحتاجون لمعرفته عن المخاطر أو قيمة العقارات. لكن النقطة على الخريطة صامتة؛ فهي لا تعرف ما إذا كانت تقع في مركز مدينة صاخب، أو في وادٍ ريفي هادئ، أو على ضفة نهر معرض للفيضانات. لا يمكنها رؤية المتاجر القريبة، أو نوع المباني، أو ملمس المناظر الطبيعية. وعندما يعتمد المحللون فقط على هذه الأرقام الخام، فإن نماذجهم غالباً ما تغفل الأنماط الدقيقة والواقعية التي تحدد كيفية عيش الناس وكيفية سلوك الطبيعة. وينتهي بهم الأمر برسم خطوط اصطناعية مربعة حول المخاطر التي تتدفق بسلاسة عبر الأرض، تماماً مثل محاولة وصف نهر متعرج عبر رسم سلسلة من الخطوات المستقيمة والمستطيلة.
ولحل ذلك، بدأ الباحثون في استخدام تقنية تسمى "التضمين" (embedding). فكر في التضمين كبصمة رقمية للمكان. فبدلاً من مجرد زوج من الأرقام، يتم تمثيل الموقع بقائمة قصيرة من القيم التي تلتقط جوهره: كيف يبدو، وماذا يحيط به، وكيف يتناسب مع العالم الأوسع. تقدم هذه الورقة البحثية طريقة جديدة لإنشاء هذه البصمات من خلال تعليم الكمبيوتر النظر إلى المكان من زوايا متعددة في آن واحد. فقد دمج الباحثون صور الأقمار الصناعية، التي تظهر الشكل المادي للأرض، مع خرائط رقمية للنشاط البشري، مثل مواقع المدارس والمتاجر والمنتزهات. ومن خلال تدريب الكمبيوتر على مطابقة هذه القرائن البصرية والسياقية مع الإحداثيات الجغرافية الدقيقة، أنشأوا نظاماً يمكنه توليد وصف غني ومفصل لأي موقع باستخدام خط الطول وخط العرض فقط.
قام الفريق، بقيادة فريك هولفويت وزملاؤه، ببناء مجموعة بيانات ضخمة تضم ما يقرب من 96,000 موقع في جميع أنحاء أوروبا. ولكل موقع، جمعوا صورة من القمر الصناعي وعدداً تفصيلياً للمرافق من مشروع خرائط عالمي. ثم قاموا بتدريب نموذج حاسوبي لتعلم العلاقة بين البيانات المرئية والسياقية والإحداثيات المحددة لهذا الموقع. تعلم النموذج أن يقول: "هذا النمط من المباني والمساحات الخضراء ينتمي إلى هذه الإحداثيات المحددة". وبمجرد أن تعلم النموذج هذه العلاقة، استطاع نسيان الصور والخرائط تماماً. ومنذ تلك اللحظة، يمكنه أخذ زوج من الإحداثيات لأي موقع جديد وتوليد بصمة رقمية معقدة فوراً تحتوي على كل المعلومات المتعلقة بما يحيط بهذا المكان.
اختبر الباحثون هذا النظام في سيناريوهين مختلفين تماماً من الواقع. أولاً، نظروا في أسعار المنازل في فرنسا. وقارنوا النماذج القياسية التي استخدمت الإحداثيات الخام فقط بالنماذج التي استخدمت البصمات الرقمية الجديدة. كانت النتائج واضحة: النماذج التي استخدمت البصمات كانت تتنبأ بالأسعار بدقة أكبر بكثير. والأهم من ذلك، أن النماذج الجديدة استطاعت "رؤية" المناظر الطبيعية بطريقة لم تستطع النماذج القديمة رؤيتها. فعندما قام الباحثون بتصور التنبؤات، أنتجت النماذج القديمة خرائط مربعة وغير طبيعية حيث تقفز الأسعار فجأة عند خطوط غير مرئية. بينما أنتجت النماذج الجديدة خرائط سلسة وواقعية حددت بدقة المناطق ذات القيمة العالية حول باريس وفي جبال الألب، مع التعرف على القيم المنخفضة في المناطق الريفية. كما أظهروا أن النظام يمكنه تقديم تنبؤات منطقية للمناطق التي لم يشهد فيها بيع منزل واحد، لمجرد أنه فهم الطابع الجغرافي لتلك المناطق.
وفي اختبار ثانٍ، طبق الفريق الطريقة على تأمين الفيضانات في بلجيكا. وحللوا آلاف مطالبات الفيضانات لمعرفة ما إذا كانت البصمات الرقمية يمكن أن تساعد في تصنيف المناطق حسب المخاطر. ومرة أخرى، تفوقت النماذج التي استخدمت البصمات على تلك التي استخدمت الإحداثيات الخام. فقد كانت أفضل في التمييز بين الأحياء عالية المخاطر ومنخفضة المخاطر، حيث التقطت الشكل الحقيقي لمناطق الخطر على طول أودية الأنهار بدلاً من حصرها في صناديق اصطناعية. كما أظهرت الدراسة أن هذه البصمات الرقمية يمكن إنتاجها في أقل من ميلي ثانية، مما يجعلها سريعة بما يكفي لاستخدامها في تسعير التأمين اليومي.
يشير هذا العمل إلى أن مستقبل تحليل المخاطر يكمن في منح أجهزة الكمبيوتر إحساساً أغنى بالمكان. فمن خلال تعليم الآلات أن الموقع ليس مجرد نقطة في الفضاء، بل هو مكان ذو سياق بصري واجتماعي محدد، يمكن للمحللين بناء نماذج أكثر دقة وأكثر عدلاً. لقد أثبت الباحثون أن هذه الأدوات يمكن تدريبها على أجهزة كمبيوتر قياسية وتكييفها مع مناطق مختلفة، مما يوفر طريقة عملية لتحسين كيفية تسعير التأمين وإدارة المخاطر دون الحاجة إلى الوصول إلى بيانات حساسة أو مملوكة لجهات معينة لكل عملية حسابية. والنتيجة هي نظام يرى العالم كما يراه البشر، مدركاً أن أينما كنت أمر مهم، ولكن ما يحيط بك هو أمر لا يقل أهمية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.