Large Language Models as Delivery Rider: Generating Instant Food Delivery Riders' Routing Decision with LLM Agent Framework
تقدم هذه الورقة البحثية LLM-DR، وهو إطار عمل جديد للوكلاء يستفيد من شخصيات السائقين القائمة على أسس تجريبية واستدلال "سلسلة الأفكام" (Chain-of-Thought) داخل النماذج اللغوية الكبيرة لمحاكاة قرارات التوجيه الاستراتيجية وغير المتجانسة لسائقي التوصيل في سيناريوهات التوصيل الفوري الديناميكية والواقعية.
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 أنك عمدة مدينة صاخبة، وتريد أن تفهم كيف يتخذ آلاف عمال توصيل الطعام قراراتهم اليومية. هل يهرعون خلف كل طلب؟ هل ينتظرون الحزم الكبيرة من الطلبات؟ هل يعملون طوال اليوم أم فقط خلال فترة الغداء؟
عادةً، لدراسة هذا الأمر، ستحتاج إلى التجسس على عمال حقيقيين، وهو أمر صعب لأن بياناتهم خاصة وغير منظمة. بدلاً من ذلك، قام مؤلفو هذه الورقة البحثية ببناء "محاكي رقمي" باستخدام الذكاء الاصطناعي لإنشاء مدينة افتراضية مليئة بعمال توصيل وهميين يتصرفون تماماً مثل العمال الحقيقيين.
إليك تفصيل مشروعهم، LLM-DR، مشروحاً بتبسيط:
1. المشكلة: لماذا لا يمكننا استخدام الرياضيات فحسب؟
تعامل النماذج الحاسوبية التقليدية جميع العمال وكأنهم روبوتات متطابقة. فهي تفترض أن كل عامل يتبع قاعدة بسيطة واحدة: "خذ أقرب طلب".
لكن البشر الحقيقيين ليسوا روبوتات.
- العامل (أ) قد يكون "عامل كدح" يريد العمل لمدة 12 ساعة متواصلة لدفع الإيجار.
- العامل (ب) قد يكون "طالباً" يعمل فقط خلال ذروة الغداء لجني بعض المال السريع.
- العامل (ج) قد يكون "استراتيجياً" يتجاهل الطلبات الصغيرة وينتظر حزمة ضخمة مكونة من 5 طلبات تذهب إلى نفس الحي، لتعظيم ربحه لكل رحلة.
إذا كان المحاكي الخاص بك يعاملهم جميعاً بنفس الطريقة، فستكون نتائجك خاطئة. أنت بحاجة إلى طريقة لمحاكاة الشخصية البشرية.
2. الحل: طريقة "الممثل الرقمي"
ابتكر المؤلفون نظاماً يسمى LLM-DR. فكر في الأمر كأنك تقوم بتوزيع أدوار في مسرحية. لم يكتفوا بكتابة الأكواد البرمجية فحسب؛ بل كتبوا سيناريوهات لأربعة أنواع مختلفة من الممثلين (العمال) ومنحوا كل منهم عقلاً ذكياً للغاية (نموذج لغوي كبير - LLM) للارتجال في حواراتهم وأفعالهم.
الخطوة 1: إيجاد "الشخصيات" (النماذج الشخصية)
أولاً، بحث الباحثون في بيانات حقيقية لآلاف العمال الفعليين. واستخدموا تقنية حاسوبية تسمى "التجميع" (Clustering) لتصنيفهم إلى أربعة أنواع متميزة من الشخصيات:
- عامل الكدح بدوام كامل: الشخص المستقر. يعمل طوال اليوم، يأخذ أي شيء يأتيه، ويستمر في الحركة.
- متخصص ذروة الغداء: العامل بنظام الدوام الجزئي. يظهر فقط بين الساعة 11 صباحاً و2 ظهراً، يلتقط الرحلات القصيرة السريعة، ثم يغادر.
- مجمع الطلبات الخارق: المقامر أو الاستراتيجي. يتجاهل الطلبات الصغيرة. ينتظر "موجة" من الطلبات المتجهة إلى نفس المنطقة حتى يتمكن من توصيل 4 وجبات في رحلة واحدة.
- جوهر ذروة العشاء: المندفع في المساء. يركز على جمهور العشاء، وعادة ما يأخذ طلبات فردية بسيطة.
الخطوة 2: منحهم عقولاً (الوكيل الذكي)
بمجرد تحديد هذه الشخصيات الأربع، منحوا كل منها "عقلاً" مدعوماً بنموذج لغوي كبير (مثل الذكاء الاصطناعي الذي تتحدث إليه الآن).
- الأمر (The Prompt): يُقال للذكة الاصطناعي: "أنت مجمع طلبات خارق. أنت تكره الطلبات الصغيرة. أنت تحب الحزم الكبيرة. إليك 4 طلبات متاحة الآن. ماذا ستفعل؟"
- التفكير (سلسلة الأفكار): لا يخمن الذكاء الاصطناعي فحسب، بل يفكر بصوت عالٍ (في الخلفية):
"همم، الطلب 1 صغير. الطلب 2 صغير. لكن الطلب 2 و4 يذهبان إلى نفس المكان! إذا انتظرت، يمكنني أخذ كليهما وجني ضعف المال. سأرفض الطلبات الصغيرة في الوقت الحالي." - القرار: يتخذ الذكاء الاصطناعي قراراً بناءً على "شخصيته".
3. المحاكاة: مدينة افتراضية
قاموا ببناء مدينة افتراضية (بناءً على بكين) وألقوا هؤلاء العمال الأربعة من الذكاء الاصطناعي فيها.
- اللعبة: كل 10 دقائق، يقوم النظام "ببث" طلبات طعام جديدة.
- الإجراء: ينظر العمال إلى الطلبات. "عامل الكدح" يأخذ كل شيء. "المتخصص" يتجاهل أي شيء خارج ساعات الغداء. "المجمع الخارق" ينتظر الحزمة المثالية.
- النتيجة: يتحرك عمال الذكاء الاصطناعي حول المدينة، يستلمون الطعام ويسلمونه، تماماً مثل البشر الحقيقيين.
4. ماذا تعلموا؟
عندما قاموا بتشغيل المحاكاة، كانت النتائج رائعة لأن العمال تصرفوا بشكل مختلف بناءً على شخصياتهم:
- عامل الكدح قطع أكبر عدد من الأميال وحقق دخلاً ثابتاً، مغطياً المدينة بأكملها.
- متخصص الغداء عمل بكفاءة عالية ولكنه عمل لساعات قليية فقط، وبقي في منطقة مزدحمة واحدة.
- المجمع الخارق قطع أميالاً أقل ولكنه حقق مالاً جيداً من خلال القيام برحلات طويلة ومعقدة مع العديد من الطلبات في آن واحد.
- جوهر العشاء سيطر على ذروة المساء.
الخلاصة الكبرى:
إذا كنت مخططاً للمدينة أو مديراً لتطبيق توصيل، فلا يمكنك مجرد النظر إلى العمال "المتوسطين". أنت بحتاج لفهم أن قوتك العاملة هي مزيج من هذه "الشخصيات" المختلفة.
- إذا غيرت هيكل الأجور، فقد يترك "المجمع الخارق" العمل، لكن "عامل الكدح" سيبقى.
- إذا حدثت عاصفة مطرية، فقد يتوقف العامل "الحذر من المخاطر" عن العمل، بينما يستمر "عامل الكدح" في المضي قدماً.
الاستعارة السحرية
تخيل أنك تحاول التنبؤ بحركة المرور في مدينة ما.
- الطريقة القديمة: تفترض أن كل سائق هو روبوت يسلك دائماً أقصر طريق. تنبؤك بالمرور سيكون جيداً، لكنه سيفتقد إلى الفوضى الحقيقية للحياة.
- طريقة هذه الورقة البحثية: تقوم باستئجار أربعة ممثلين للعب دور السائقين. أحدهم مراهق متهور، والآخر جدة حذرة، والثالث سائق تاكسي مستعجل، والرابع سائح. تتركهم يقودون في مدينة افتراضية. فجأة، يلتقط المحاكاة الخاص بك الفوضى الحقيقية، والاختناقات، والتحويلات الغريبة التي تحدث بسبب كون البشر غير قابلين للتنبؤ.
لماذا يهم هذا؟
هذا يعد طفرة لأن الذكاء الاصطناعي ينتقل من مجرد "الدردشة" إلى محاكاة السلوك البشري المعقد في الأسواق في الوقت الفعلي. إنه يساعدنا على فهم كيفية تصميم تطبيقات توصيل أفضل، وتخطيط حركة المرور في المدن بشكل أفضل، ووضع سياسات أكثر عدلاً لملايين عمال اقتصاد المنصة (Gig workers) حول العالم.
باختصار: لقد علموا الذكاء الاصطناعي كيف "يمثل" دور عامل توصيل، ومن خلال مراقبة هؤلاء الممثلين الرقميين، تعلمنا كيف نفهم العمال الحقيقيين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.