تخيل أنك تحاول تعليم كمبيوتر كيف يفهم مدينة ما. عادةً، ينظر أجهزة الكمبيوتر إلى المدينة بطريقتين منفصلتين:

1. رؤية "اللقطة": حيث تنظر إلى صور ثابتة، مثل صور الشوارع أو صور الأقمار الصناعية، والتي تُظهر كيف يبدو مكان محدد في لحظة زمنية واحدة.
2. رؤية "المسار": حيث تنظر إلى بيانات الحركة، مثل مسارات نظام تحديد المواقع (GPS) لسيارات الأجرة، والتي تُظهر كيف تتحرك السيارات من النقطة (أ) إلى النقطة (ب) بمرور الوقت.

المشكلة:
نماذج الذكاء الاصطناعي الحالية بارعة في مطابقة صورة مع نقطة الـ GPS الدقيقة التي التُقطت فيها. لكن حركة البشر ليست مجرد سلسلة من النقاط؛ بل هي خط مستمر وسلس. السيارة تقود عبر حي معين، لكن بيانات الـ GPS الخاصة بها قد لا تسجل سوى "إشارة" كل بضع ثوانٍ.

هنا يكمن الجزء الصعب: قد تكون كاميرا تصوير الشوارع موجودة في منتصف الطريق تماماً حيث مرت سيارة، لكن بيانات الـ GPS الخاصة بالسيارة لم تسجل "إشارة" في ذلك الموقع بالضبط. الأمر يشبه محاولة مطابقة قصة عن رحلة بصورة التُقطت في منتصف المسافة بين محطتين مسجلتين. النماذج القديمة كانت ببساطة تتجاهل الصورة أو تفترض وجودها لأن بيانات الـ GPS لم تتطابق تماماً. هذا يتسبب في جعلها تفقد "قصة" كيفية استخدام الناس للطرق فعلياً.

الحل: TRAJGANR
ابتكر المؤلفون نظاماً جديداً يسمى TRAJGANR (التعلم متعدد الوسائط المرتكز على المسار). فكر في الأمر كـ "مترجم ذكي" يمكنه قراءة القصة المستمرة لرحلة السيارة ومطابقتها تماماً مع صورة، حتى لو لم تُؤخذ الصورة في نفس اللحظة التي حدثت فيها إشارة GPS.

إليك كيف يعمل، باستخدام تشبيه بسيط:

• "الخيط الخفي" (الدالة الضمنية العصبية):
  تخيل مسار السيارة كخيط طويل وخفي يمتد عبر المدينة. النماذج القديمة كانت تعرف فقط "العُقد" المربوطة في هذا الخيط (إشارات الـ GPS). أما TRAJGANR، فيتعامل مع المسار كخط مستمر وسلس. يمكنه "الوصول" والتقاط جزء من قصة الخيط عند أي نقطة على طول الخط، حتى بين العُقد.

• "المصافحة الثلاثية" (المحاذاة متعددة الوسائط):
  عندما يرى النظام صورة لشارع، فإنه يقوم بثلاثة أشياء في آن واحد:

1. ينظر إلى الصورة (كيف يبدو الشارع).
2. ينظر إلى الموقع (أين توجد الصورة).
3. يسأل الخيط الخفي: "ماذا كانت تفعل السيارة هنا تماماً في هذه البقعة تحديداً؟"

بعد ذلك، يجبر الذكاء الاصطناعي على تعلم أن هذه الأشياء الثلاثة تنتمي إلى بعضها البعض. الأمر يشبه تعليم طالب أن مشهد تقاطع مزدحم، وموقع هذا التقاطع، وشعور مرور سيارة مسرعة من خلاله، كلها أجزاء من واقع واحد.

لماذا هذا مهم (النتائج)
اختبر الباحثون هذا النظام الجديد في أربع مهام واقعية في المدينة:

1. التنبؤ بسرعة المرور: ما هي السرعة التي تسير بها السيارات على هذا الطريق؟
2. التنبؤ بشعبية الطريق: كم عدد الأشخاص الذين يرغبون في القيادة هنا؟
3. التنبؤ بوظيفة المنطقة: هل هذا منطقة تسوق، أم منتزه، أم منطقة سكنية؟
4. التنبؤ بالفرملة المفاجئة: أين تضغط السيارات على المكابح بقوة (مما يشير إلى خطر أو صعوبة)؟

النتيجة:
تفوق TRAJGANR على جميع النماذج التي كانت تُعتبر "الأفضل" سابقاً.

• اختبار "عدم المحاذاة": عندما قاموا بإزالة تدريب "المصافحة" الخاص، أصبح النموذج أسوأ بكثير. وهذا أثبت أن مجرد امتلاك البيانات ليس كافياً؛ بل يجب عليك تعليم الذكاء الاصطناعي كيفية ربط النقاط (والفراغات بين النقاط).
• اختبار "الرؤية العامة" مقابل "الرؤية الدقيقة": جربوا نسخة تنظر فقط إلى مقطع الطريق بالكامل (رؤية عامة) بدلاً من النظر إلى نقطة محددة (رؤية دقيقة). حققت النسخة "الدقيقة" تفوقاً كبيراً، خاصة في التنبؤ بالسرعة والفرملة. وهذا يوضح أن معرفة كيف تتحرك السيارة بدقة عند نقطة معينة أمر بالغ الأهمية، وليس مجرد معرفة المنطقة العامة.

باختصار
إن TRAJGANR يشبه الترقية من خريطة تُظهر لك فقط أين توقفت، إلى خريطة تُظهر لك بالضبط كيف قدت سيارتك بين تلك التوقفات. من خلال تعليم الذكاء الاصطناعي فهم التدفق المستمر لحركة المرور ومطابقتها مع صور مستوى الشارع، فإنه يخلق فهماً أكثر ذكاءً وتفصيلاً لكيفية عمل المدن فعلياً. يساعد هذا في التنبؤ بحركة المرور، ومخاطر السلامة، وكيفية استخدام الناس للمساحات الحضرية بدقة أكبر من أي وقت مضى.