An Agentic AI Framework with Large Language Models and Chain-of-Thought for UAV-Assisted Logistics Scheduling with Mobile Edge Computing
تقترح هذه الورقة إطار عمل للذكاء الاصطناحي الوكيل يجمع بين النماذج اللغوية الكبيرة واستدلال سلسلة الأفكار لصياغة وحل مشكلة توجيه الطائرات بدون طيار وجدولة مهام الحوسبة الحافية المتنقلة المقترنة في التصنيع السحابي، وذلك باستخدام نهج التعلم التعزيزي العميق الهرمي الذي يحقق معدلات تقارب المثالية في جمع المنتجات والالتزام بالمواعيد النهائية.
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 أرض مصنع مزدحمة حيث تقوم الروبوتات ببناء المنتجات، لكنها تحتاج إلى مساعدة لنقل العناصر الجاهزة إلى رصيف الشحن. في الوقت نفسه، ترسل هذه الروبوتات باستمرار بيانات حول حالتها وجودة المنتجات إلى عقل مركزي للتحليل.
تقترح هذه الورقة نظاماً ذكياً لإدارة شيئين في آن واحد: تسليم المنتجات المادية ومعالجة البيانات الرقمية. "العمال" في هذا النظام هم الطائرات بدون طيار (UAVs).
إليك كيف تقسم الورقة المشكلة وحلها، باستخدام تشبيهات بسيطة:
1. المشكلة: معضلة "المهام المزدوجة"
عادةً، قد يكون لديك سائق توصيل يقوم فقط بتسليم الطرود، وخادم كمبيوتر منفصل يقوم فقط بمعالجة البيانات. ولكن في هذا السيناريو، يجب على الطائرات بدون طيار القيام بكليهما.
- مهمة التوصيل: تطير من مستودع مركزي إلى محطات مصنع مختلفة لاستلام البضائع الجاهزة.
- مهمة البيانات: أثناء تحليقها فوق إحدى المحطات، تعمل كـ "نقطة اتصال واي فاي متنقلة" و"كمبيوتر صغير". يمكنها إما معالجة البيانات مباشرة على الطائرة، أو نقل البيانات إلى خادم السحابة الكبير الموجود في المستودع.
العقبة: لا يمكن للطائرة بدون طيار معالجة أو نقل البيانات إلا أثناء تحليقها فوق المحطة. إذا كانت الطائرة تطير بين المحطات، فلا يمكنها المساعدة في معالجة البيانات. أيضاً، تمتلك الطائرة بطارية محدودة، وسعة حمولة محدودة، وللبيانات مواعيد نهائية صارمة (مثل تاريخ "صلاحية الاستخدام").
التحدي يكمن في إيجاد مسار الطيران المثالي وخطة البيانات بحيث:
- يتم استلام جميع المنتجات.
- تتم معالجة جميع البيانات في الوقت المحدد.
- لا تنفد البطارية من الطائرات بدون طيار.
2. الحل الجزء الأول: "المهندس الذكي" (الذكاء الاصطناعي الوكيل - Agentic AI)
قبل أن تتمكن من حل مسألة رياضية، يجب عليك كتابة القواعد أولاً. في الماضي، كان على المهندسين كتابة معادلات معقدة يدوياً لوصف سيناريو الطائرة بدون طيار هذا، وهو أمر صعب وعرضة للأخطاء.
قام المؤلفون ببناء مهندس ذكي (ذكاء اصطناعي وكيل) للقيام بذلك نيابة عنهم. فكر في الأمر كأنه مساعد واسع المعرفة يساعدك في كتابة وصفة طعام.
- المكتبة (RAG): يمتلك الذكاء الاصطناعي وصولاً إلى مكتبة ضخمة من الكتب والأوراق التقنية. عندما تطلب منه "كتابة قواعد توصيل الطائرات بدون طيار"، فهو لا يخمن فحسب؛ بل يبحث عن القواعد الخاصة بالطائرات بدون طيار والبيانات في مكتبته.
- التفكير خطوة بخوة (Chain-of-Thought): بدلاً من مجرد إعطائك إجابة نهائية، يفكر الذكاء الاصطناعي بصوت عالٍ. يقول: "أولاً، دعنا نحدد الهدف. ثانياً، دعنا نضع قواعد مسار الطيران. ثالثاً، دعنا نضع قواعد البيانات".
- المحرر (المدقق - Verifier): قبل أن يعطيك الذكاء الاصطناعي الوصفة النهائية، يقوم ذكاء اصطناعي ثانٍ (المحرر) بفحص العمل. إذا ارتكب الذكاء الاصطني الأول خطأً، يقول المحرر: "انتظر، هذا ليس منطقياً"، ويعيده ليحاول مرة أخرى.
النتيجة: يحول هذا النظام الوصف البشري الفوضوي ("أريد طائرات بدون طيار لتجمع الصناديق وتصلح البيانات") إلى صيغة رياضية دقيقة ومثالية يمكن للحواسيب فهمها.
3. الحل الجزء الثاني: "المدير ذو الطبقتين" (التعلم التعزيزي العميق الهرمي - Hierarchical DRL)
بمجرد كتابة الرياضيات، يحتاج الكمبيوتر إلى التحكم في الطائرات بالفعل. حل كل شيء دفعة واحدة يشبه التخطيط لرحلة برية عبر البلاد وتحديد ما ستأكله في كل وجبة في نفس الوقت. إنه أمر معقد للغاية.
قسم المؤلفون المهمة إلى طبقتين، مثل الجنرال والملازم:
- الجنرال (الطبقة العليا): ينظر هذا الذكاء الاصطناعي إلى الصورة الكبيرة. هو يقرر أين يجب أن تذهب الطائرات وبأي ترتيب. يتساءل: "أي طائرة يجب أن تذهب إلى المحطة (أ) أولاً؟ أي واحدة يجب أن تذهب إلى المحطة (ب)؟" هو لا يهتم بالتفاصيل الصغيرة لمعالجة البيانات بعد، بل يحدد جدول الطيران فقط.
- الملازم (الطبقة الدنيا): بمجرد أن يقول الجنرال: "الطائرة (أ) ستكون في المحطة (ب) لمدة 5 دقائق"، يتولى الملازم زمام الأمور. هو يقرر ماذا تفعل خلال هذه الخمس دقائق. "هل نعالج البيانات على الطائرة؟ أم نرسلها إلى السحابة؟ كم من البطارية يجب أن نستخدم؟"
إنهما يعملان معاً: الجنرال يجهز المسرح (نافذة الخدمة)، والملازم يؤدي الفعل (معالجة البيانات).
4. النتائج: ما مدى نجاح ذلك؟
اختبر المؤلفون هذا النظام في محاكاة حاسوبية تحاكي مصنع إلكترونيات حقيقياً.
- المهندس المعماري: نجح الذكاء الاصطناعي في كتابة الصيغ الرياضية المعقدة دون ارتباك، مما ضمن أن القواعد متسقة ودقيقة.
- المدراء: كان نظام الطبقتين فعالاً للغاية.
- تمكن من استلام 99.6% من المنتجات في الاختبارات النهائية.
- التزم بـ 100% من المواعيد النهائية للبيانات.
- كان أكثر استقراراً وموثوقية من الأساليب الشائعة الأخرى (مثل نهج "Advantage Actor-Critic")، مما يعني أنه لم يتعطل أو يرتكب أخطاءً عندما تصبح الأمور صعبة.
ملخص
تقدم هذه الورقة ابتكاراً من خطوتين للمصانع الذكية:
- مساعد ذكي يترجم الأفكار البشرية إلى مسائل رياضية مثالية باستخدام مكتبة وعملية تفكير خطوة بخطوة.
- نظام تحكم ثنائي المستويات حيث يخطط ذكاء اصطناعي واحد مسارات الطائرات بدون طيار بينما يتولى ذكاء اصطناعي ثانٍ مهام البيانات، ويعملان معاً لضمان عدم ترك أي شيء خلفهم وعدم تأخر أي شيء.
النتيجة هي نظام عالي الكفاءة في الموازنة بين التوصيل المادي للبضائع والمعالجة الرقمية للمعلومات في آن واحد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.