🤖 AI

SentinelAI: A Multi-Agent Framework for Structuring and Linking NG9-1-1 Emergency Incident Data

تقدم هذه الورقة SentinelAI، وهو إطار عمل متعدد الوكلاء وقابل للتوسع يعمل على تحويل اتصالات الطوارئ الخام إلى بيانات معيارية قابلة للقراءة آلياً ومتوافقة مع معايير NENA لتمكين التكامل في الوقت الفعلي، وبناء الحوادث المركبة، والاستنتاج عبر المصادر لأنظمة الجيل القادم من 9-1-1.

المؤلفون الأصليون: Kliment Ho, Ilya Zaslavsky

نُشر 2026-03-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kliment Ho, Ilya Zaslavsky

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 قائد أوركسترا ضخمة وفوضوية، حيث يعزف كل موسيقي مقطوعة مختلفة، بلغة مختلفة، وعلى آلة موسيقية مختلفة. البعض يصرخ، والبعض يهمس، والبعض الآخر يكتفي بالدندنة فقط. هذا هو بالضبط ما يحدث أثناء حالات الطوارئ الكبرى.

الشرطة، وفرق الإطفاء، ونشرات الأخبار، وخدمات الأرصاد الجوية، ومتلقو مكالمات الطوارع (9-1-1)، جميعهم يولدون معلومات حول نفس الكارثة، لكنهم يفعلون ذلك بطرقهم الفريدة الخاصة. قد يقول أحدهم "الرمز 3" (Code 3)، بينما يقول آخر "عاجل"، ويكتب ثالث فقرة طويلة عن شارع مغمور بالمياه.

SentinelAI هو بمثابة مترجم ومنظم فائق الذكاء ومتعدد المواهب، يتدخل لجعل هذا الفوضى مفهومة. هو لا يكتفي بالاستماع فحسب؛ بل يبني قصة واحدة واضحة وحية للطوارئ يمكن للجميع فهمها.

إليك كيف يعمل، مقسماً إلى أجزاء بسيطة:

1. المشكلة: "برج بابل" حالات الطوارئ

في الماضي، كانت أنظمة الطوارئ تشبه أجهزة اللاسلكي التي تتعامل مع المكالمات الصوتية فقط. أما اليوم، ومع الجيل القادم من خدمات الطوارئ (NG9-1-1)، لدينا نصوص، وصور، وفيديوهات، وبيانات مستشعرات تتدفق من كل مكان.

المشكلة هي أن هذه البيانات فوضوية.

الشرطة قد تستخدم رمزاً مثل "211A".
الأخبار قد تقول "أمطار غزيرة تسببت في فيضان".
مصلحة الأرصاد الجوية قد تصدر "تحذيراً من الفيضانات".

إذا حاول كمبيوتر قراءة كل هذه التنسيقات المختلفة في وقت واحد، فسيصاب بالارتباك. لن يعرف ما إذا كان "211A" و"تحذير من الفيضانات" يتحدثان عن نفس الحدث.

2. الحل: فريق SentinelAI

بدلاً من بناء آلة واحدة ضخمة ومعقدة للقيام بكل شيء، قام المؤلفون ببناء SentinelAI، وهو يشبه فريقاً من ثلاثة خبراء متخصصين (يُطلق عليهم اسم "الوكلاء" أو Agents) يعملون معاً. فكر فيهم كطاقم إنتاج لبث إخباري مباشر.

🕵️ وكيل EIDO: "المترجم"

ماذا يفعل: يأخذ هذا الوكيل المدخلات الخام الفوضوية (مثل ملاحظة مكالمة طوارئ ذعورة أو نص عن حالة الطเสีย) ويترجمها إلى تنسيق قياسي يمكن للآلات قراءته يسمى EISO-JSON.
التشبيه: تخيل مترجماً في الأمم المتحدة. إذا تحدث أحد المندوبين بـ "كود شرطة"، يقوم وكيل EIDO بترجمته إلى "لغة إنجليزية قياسية" تفهمها جميع الأنظمة الأخرى. يحول "الرمز 3" إلى "أولوية عالية"، ويحول تاريخاً غير منظم مثل "أمس الساعة 3 مساءً" إلى طابع زمني حاسوبي مثالي. إنه يضمن أن الجميع يتحدثون اللغة نفسها.

🔗 وكيل IDX: "المحقق"

ماذا يفعل: ينظر هذا الوكيل إلى جميع التقارير المترجمة ويسأل: "هل هذه التقارير عن نفس الحدث؟"
التشبيه: تخيل محققاً يحل قضية. لديه تقرير من شاهد يقول "رأيت حريقاً في المتنزه"، وتقرير آخر يقول "سيارات الإطفاء موجودة في المتنزه". يقوم وكيل IDX بربط النقاط ببعضها. إنه يستخدم ثلاثة أدلة لربط التقاربات:
1. الوقت: هل حدثت في نفس الوقت؟
2. المكان: هل هما في نفس الحي؟
3. القصة: هل تتطابق الكلمات (على سبيل المثال، كلاهما يذكر "حريق")؟
إذا تطابقت الأدلة، يقوم الوكيل بربط التقارير معاً. وبدلاً من وجود ملفين منفصلين، فإنه ينشئ "حادثاً مركباً" (Composite Incident) — وهو عبارة عن قصة واحدة متطورة تنمو مع وصول معلومات جديدة.

🗺️ وكيل الترميز الجغرافي (Geocoding): "صانع الخرائط"

ماذا يفعل: غالباً ما يصف الناس المواقع بشكل سيء. قد يقولون "المزرعة الحمراء الكبيرة بالقرب من شجرة البلوط القديمة" بدلاً من إعطاء عنوان شارع دقيق.
التشبيه: هذا الوكيل يشبه دليلاً محلياً يعرف الحي بشكل أفضل من خرائط جوجل. يأخذ الأوصاف الغامضة مثل "بالقرب من الملعب" ويحدد الإحداثيات الدقيقة. إنه يضيف دبوساً دقيقاً على الخريطة حتى يعرفت فرق الطوارئ المكان الذي يجب أن تذهب إليه بالضبط، مع الاحتفاظ بالوصف الأصلي للسياق.

3. السحر: قصة حية، وليس ملفاً ثابتاً

في الأنظمة التقليدية، بمجرد تسجيل حادث ما، غالباً ما يظل عالقاً في ملف واحد. إذا وصلت معلومات جديدة، يتعين عليك استبدال الملف القديم، وقد تفقد السجل التاريخي.

يعامل SentinelAI حالة الطوارئ كـ وثيقة حية أو سلسلة محادثة في مجموعة (Group Chat).

الخطوة 1: ترسل مصلحة الأرصاد الجوية تحذيراً. يقوم SentinelAI بإنشاء "بداية القصة".
الخطوة 2: يصل تقرير إخباري بعد 10 دقائق. لا يقوم SentinelAI بحذف القصة الأولى؛ بل يضيف التفاصيل الجديدة إلى السلسلة.
الخطوة 3: يصل تقرير شرطة. يتم إضافته أيضاً إلى السلسلة.

في أي لحظة، يمكنك النظر إلى "العرض المركب" (Composite View) لرؤية الصورة الكاملة، أو يمكنك النظر إلى "السلسلة" (Thread) لمعرفة كيف تطورت القصة دقيقة بدقيقة. هذا أمر بالغ الأهمية لأنه في حالات الطوارئ، يتغير الوضع بسرعة.

4. ميزة "التوصيل والتشغيل" (تكامل FME)

توضح الورقة البحثية أيضاً أن SentinelAI يمكنه الاتصال بالبرامج التي تستخدمها المدن والوكالات بالفعل (مثل FME).

التشبيه: فكر في SentinelAI كمحول طاقة عالمي (Universal Adapter). لست بحاجة لاستبدال جميع أجهزتك الغالية (الأنظمة الحكومية الحالية)؛ ما عليك سوى توصيل SentinelAI، وسوف يجعلهما يتحدثان مع بعضهما البعض بشكل مثالي.

لماذا يهم هذا الأمر؟

قبل SentinelAI، ربما كان مستجيبو الطوارئ ينظرون إلى ثلاث شاشات مختلفة وثلاث قصص مختلفة عن نفس الفيضان. قد يرسلون قارباً إلى المكان الخطأ لأن العناوين لم تكن متطابقة.

مع SentinelAI:

الوضوح: يتم توحيد جميع البيانات.
الترابط: يتم ربط التقاربات ذات الصلة تلقائياً.
السرعة: يتم دمج المعلومات الجديدة فوراً.

إنه يحول عاصفة فوضوية من البيانات إلى خريطة موحدة وواضحة، مما يساعد البشر والحواسيب على العمل معاً لإنقاذ الأرواح بشكل أسرع.

إليك ملخص تقني مفصل لورقة البحث بعنوان "SentinelAI: إطار عمل متعدد الوكلاء لهيكلة وربط بيانات حوادث الطوارளில் NG9-1-1."

1. بيان المشكلة

تنتج أنظمة الاستجابة للطوارளில் كميات هائلة من البيانات من مصادر متنوعة (الشرطة، الإطفاء، الإسعاف، الأخبار، الحكومة) بتنسيقات متباينة (حقول مهيكلة، نصوص حرة، صوت، صور). ويعد دمج هذه البيانات في عرض موحد وقابل للقراءة آليًا أمرًا صعبًا بسبب:

التباين (Heterogeneity): تصل البيانات بشكل تدريجي من وكالات مختلفة مع مصطلحات وتوصيفات ورموز متضاربة (مثل "Code 3" مقابل "P1") ومعايير تنسيق متفاوتة.
الافتقار إلى التوحيد القياسي: تعاني خطوط المعالجة الأحادية الموجودة حاليًا في التعامل المتزامن مع تفسير اللغة، والارتباط الزمني، والغموض المكاني، والتطبيع الدلالي.
تعقيد NG9-1-1: يزيد الانتقال إلى الجيل القادم من خدمات 9-1-1 (NG9-1-1) من حجم وتنوع البيانات (نصوص، فيديو، مستشعرات)، مما يتطلب نظامًا يمكنه التعامل مع الحوادث كأحداث متطورة وليس مجرد سجلات ثابتة.
الفجوة: هناك حاجة إلى إطار عمل يمكنه تحويل الاتصالات غير المتجانسة الخام إلى معيار "كائن بيانات حادث الطوارளில் النيني" (NENA EIDO) مع ربط التقارير ذات الصلة ديناميكيًا من مصادر متعددة لتكوين عرض مركب للحادث.

2. المنهجية: إطار عمل SentinelAI

يعالج SentinelAI هذه التحديات باستخدام بنية متعددة الوكلاء (multi-agent architecture) تقوم بتفكيك مهمة هيكلة البيانات المعقدة إلى مهام فرعية منفصلة ومتخصصة. يعمل النظام بشكل غير متزامن، مما يسمح للوكلاء بالعمل بشكل مستقل مع المساهمة في تمثيل موحد للحادث.

يعتمد إطار العمل على ثلاثة وكلاء أساسيين وطبقة تكامل واحدة:

أ. وكيل EIDO (الهيكلة والتفسير)

الوظيفة: يعمل كنقطة استيعاب أولية، حيث يقوم بتحويل المدخلات غير المتجانسة (ملاحظات متلقي المكالمات، نصوص الراديو، ملخصات الإرسال) إلى وثائق EIDO-JSON قياسية متوافقة مع معيار NENA-STA-024.1.1-2025.
الآلية:
- يستخدم النماذج اللغوية الكبيرة (LLMs) لتفسير النصوص غير المهيكلة واستخراج الكيانات (الأشخاص، المواقع، المنظمات).
- التطبيع (Normalization): يربط أكواد الوكالات الخاصة (مثل "211A"، "Code 3") بقيم سجل IANA القياسية.
- التوليف الزمني (Temporal Synthesis): يدمج حقول التاريخ/الوقت المتباينة في طوابع زمنية بتنسيق ISO 8601.
- القائم على القوالب: يستخدم قوالب قابلة للتهيئة لتحديد الحقول المطلوبة/الاختيارية لأنواع حوادث محددة، مما يسمح لخبراء الموضوع بتعديل المنطق دون تغيير الكود البرمجي.

ب. وكيل IDX (الارتباط والتوليف)

الوظيفة: يربط وثائق EIDO الجديدة بسياقات الحوادث الحالية أو يبدأ سياقات جديدة، مما يخلق "حادثًا مركبًا" من تقارير جزئية متعددة.
الآلية:
- يعامل الحادث $I$ كمجموعة من كائنات EIDO المرتبطة $\{E_1, E_2, ..., E_n\}$ .
- خوارزمية التسجيل (Scoring Algorithm): عند وصول EIDO جديد ( $E_{new}$ )، يقوم بحساب درجة تشابه $\Sigma$ مقابل الحوادث الحالية باستخدام دالة موزونة:
  $\Sigma = w_t \cdot \phi_t(\Delta t) + w_g \cdot \phi_g(\Delta g) + w_s \cdot \phi_s(D_E, D_I)$
  حيث $\phi_t$ هو القرب الزمني، و $\phi_g$ هو المسافة المكانية، و $\phi_s$ هو التشابه الدلالي (عبر التضمينات المتجهة - vector embeddings).
- تحديد العتبة (Thresholding): يربط الـ EIDO الجديد بالحادث الذي يحقق أعلى درجة إذا تجاوز عتبة قابلة للتهيئة $\tau$ . وإذا لم يتم العثًى على تطابق، يتم إنشاء سياق حادث جديد.
- العرض المركب: يبني عرضًا موحدًا للحادث ديناميكيًا من خلال تجميع البيانات من جميع كائنات EIDO المرتبطة (مثل اتحاد جميع الوحدات، أحدث حالة، السرد الزمني) دون دمج البيانات الأصلية في سجل واحد قابل للتغيير.

ج. وكيل الترميز الجغرافي (الإثراء المكاني)

الوظالويفة: يحل الأوصاف المكانية غير الرسمية (المعالم، الأسماء العامية، "بالقرب من السوق") إلى بيانات مكانية مهيكلة.
الآلية:
- يجمع بين قواعد المعرفة المحلية (المعالم المنسقة)، وواجهات برمجة تطبيقات الخرائط الخارجية (Google Maps، OpenStreetMap)، وسياق الحادث (النطاق القضائي، نوع الحادث) لإزالة الغموض عن المواقع.
- يخرج عدة أشكال للموقع في EIDO: الإحداثيات، أسماء المعالم المطابقة، النص الوصفي، والعناوين المدنية، مع درجة ثقة.

د. التكامل المؤسسي (FME)

الوظيفة: يوضح التوافق التشغيلي مع الأنظمة المؤسسية القائمة باستخدام محرك معالجة الميزات (FME) من Safe Software.
المكونات:
- EIDOReader: يحول EIDO-JSON إلى ميزات FME للتحليل المكاني والخرائط.
- EIDOWriter: يحول البيانات القديمة المهيكلة (الجداول، قواعد البيانات) إلى EIDO-JSON صالح للاستيعاب في SentinelAI.

3. المساهمات الرئيسية

بنية مرجعية ثلاثية الوكلاء: تنفيذ ملموس لنظام متعدد الوكلاء قابل للتوسع وغير متزامن يتماشى مع معيار NENA EIDO، حيث يفصل بين الاستيعاب (EIDO)، والارتباط (IDX)، والإثراء (Geocoding).
نموذج بيانات الحوادث المرتبطة التشغيلي: منهجية تعامل EIDO كتمثيل متطور ومصدر للأحداث (event-sourced representation). بدلاً من الكتابة فوق سجل واحد، يربط النظام التحديثات التدريجية بسياق مشترك، مما يحافظ على السجل الكامل وأصل البيانات (provenance) للحادث.
التوافق المؤسسي: إثبات مفهوم يوضح كيف يمكن لـ EIDO-JSON أن يتدفق ثنائي الاتجاه بين إطار عمل SentinelAI وسير عمل إدارة الطوارما والبيانات الجيومكانية الحالية عبر FME.

4. النتائج (دراسة حالة)

تتحقق الورقة من صحة إطار العمل باستخدام سيناريو واقعي يتضمن هطول أمطار غزيرة في مقاطعة سان دييغو (1 يناير 2026):

المدخلات: مصدران متميزان — تحذير نصي من الخدمة الوطنية للأرصاد الجوية (NWS) ومقال إخباري من صحيفة San Diego Union-Tribune.
العملية:
- قام وكيل EIDO بتحويل تحذير NWS والمقال الإخباري إلى وثائق EIDO-JSON منفصلة، مستخرجًا أنواع الأحداث ("تحذير من الفيضانات") والمواقع ("وسط مقاطعة سان دييغو" مقابل "نهر سان دييغو").
- قام وكيل الترميز الجغرافي بحل "وسط مقاطعة سان دييغو" إلى مضلع (polygon) و"نهر سان دييغو" إلى معلم خطي محدد.
- قام وكيل IDX بحساب درجات تشابه عالية بناءً على التقارب الزمني (نفس اليوم)، والتداخل المكاني (النهر داخل مضلع المقاطعة)، والتداخل الدلالي (كلمات رئيسية: "فيضان"، "مطر").
النتيجة: نجح النظام في ربط التقريرين المتباينين في جدول زمني واحد للحادث المركب. جمع العرض الناتج بين حالة التحذير الرسمي وتفاصيل التأثير المحددة (فيضانات الطرق، انقطاع التيار الكهربائي)، مما وفر صورة عملياتية أكثر اكتمالًا مما قدمه أي مصدر بمفرده.

5. الأهمية

التوحيد القياسي: يوفر مسارًا عمليًا للوكالات لاعتماد معيار NENA EIDO، والابتعاد عن تنسيقات البيانات المملوكة والمنعزلة.
القابلية للتوسع والمرونة: تسمح تصميمات الوكلاء المتعددة بتوسيع وظائف محددة بشكل مستقل (مثل ترقية النموذج اللغوي الكبير لوكيل EIDO دون تعطيل منطق IDX) وتتعامل مع الواقع "الفوضوي" لبيانات الطوارأل (اللغة غير الرسمية، التحديثات التدريجية).
التتبع (Traceability): من خلال الحفاظ على كائنات EIDO الفردية بدلاً من دمجها في سجل واحد ثابت، يحافظ النظام على سجل تدقيق كامل لكيفية فهم الحادث وتحديثه بمرور الوقت.
التوافق التشغيلي: يثبت تكامل FME أن إطار عمل الذكاء الاصطناعي المتقدم هذا يمكنه التعايش مع البنية التحتية الحكومية القديمة، مما يسهل الانتقال السلس إلى أنظمة NG9-1-1.

باخت_صار، يقدم SentinelAI حلاً قويًا ومتوافقًا مع المعايير لتحويل اتصالات الطوارأل المجزأة إلى معلومات مهيكلة، ومرتبطة، وقابلة للتنفيذ، مما يعالج مباشرة تحديات هندسة البيانات المتأصلة في أنظمة الجيل القادم من 9-1-1 الحديثة.