DisasterLex: An Expert Concept-to-Schema Knowledge Graph for Geospatial Reasoning in Disaster Analytics

تخيل أنك مدير كوارث تحاول إنقاذ الأرواح أثناء إعصار. لديك مكتبة ضخمة من البيانات—آلاف الجداول التي تحتوي على معلومات حول أعماق الفيضانات، ومواقع المستشفيات، وحالة شبكة الكهرباء، وهشاشة السكان. لكن هذه الجداول فوضوية، وتستخدم لغات مختلفة، ومتصلة بطرق معقدة لا يفهمها إلا الخبراء.

تريد طرح سؤال بسيط مثل: "ما هي المستشفيات الموجودة في مقاطعة هاريسس المعرضة لخطر الفيضانات، وأين يجب أن نرسل فرق الإنقاذ؟"

في الماضي، كان طرح هذا السؤال على الكمبيوتر يشبه محاولة العثور على إبرة محددة في كومة قش عن طريق رمي كومة القش بأكملها على روبوت والأمل في أن يخمن بشكل صحيح. كان الروبوت سيصاب بالارتباك بسبب الحجم الهائل للبيانات، أو يخلط بين الجداول غير ذات الصلة، أو "يهلوس" (يختلق) روابط غير موجودة أصلاً.

DisasterLex هو نظام جديد مصمم لحل هذه المشكلة. فكر فيه كأنه أمين مكتبة فائق الذكاء وخبير يجلس بينك (أنت البشر) وبين مكتبة البيانات الفوضوية.

إليك كيف يعمل، مقسماً إلى خطوات بسي تيسيرية:

1. "الخريطة الخبيرة" (مخطط المعرفة - Knowledge Graph)

قبل أن ينظر النظام حتى إلى البيانات، قام الباحثون ببناء "خريطة خبيرة" خاصة.

• المشكلة: الحواسيب لا تفهم بطبيعتها أن "الأمطار الغزيرة" تؤدي إلى "الفيضانات"، والتي تؤدي بدورها إلى "انقطاع التيار الكهربائي"، والذي يؤدي بدوره إلى توقف "المستشفيات" عن العمل.
• الحل: صمم الفريق خريطة رقمية (تسمى مخطط المعرفة الخبير) تربط هذه المفاهيم ببعضها البعض مثل المخطط الانسيابي. إنها تشبه خريطة مترو الأنفاق حيث تكون المحطات هي المفاهيم (مثل: "مطر"، "فيضان"، "انقطاع كهرباء") والخطوط توضح كيفية تأثير كل منها على الآخر.
• الجسر: ترتبط هذه الخريطة أيضاً بجداول البيانات الفعلية؛ فهي تعرف أن مفهوم "المستشفيات" في الخريطة يشير إلى عمود محدد في جدول بيانات يتحدث عن أعداد المستشفيات.

2. "الأوركسترا" المكونة من أربع خطوات

عندما تطرح سؤالاً، لا يقوم DisasterLex بإلقاء السؤال على الكمبيوتر فحسب، بل يمرره عبر خط تجميع مكون من أربع خطوات، تماماً مثل قائد الأوركسترا الذي يقود الفرقة:

• الخطوة 1: المترجم (استخراج السياق): يستمع إلى سؤالك ويفهم "جو" السؤال. هل هو فحص روتيني أم حالة طوارئ حياة أو موت؟ كما يحدد الموقع ونوع الكارثة (على سبيل المثال: "فيضان في مقاطعة هاريس").
• الخطوة 2: شرطي المرور (التوجيه): بناءً على "جو" السؤال، يرسله إلى "القسم" الصحيح. هل يتعلق الأمر بإنقاذ الأرواح؟ أم إصلاح البنية التحتية؟ أم مجرد تقييم الأضرار؟ هذا يمنع النظام من إضاعة الوقت في البحث في البيانات غير الصحيحة.
• الخطوة 3: المخطط (الاستدلال السببي): هذه هي الخطوة السحرية. ينظر النظام إلى "الخريطة الخبيرة" ليخطط للمسار. يسأل نفسه: "للإجابة على هذا، أحتاج لاتباع المسار من 'المطر' إلى 'الفيضان' ثم إلى 'المستشفيات'". يستخدم هذه الخريطة ليقرر بالضبط أي جداول بيانات سيفتحها، متجاهلاً الـ 130 جدولاً الآخر غير ذات الصلة.
• الخطوة 4: المنفذ (توليد SQL): أخيراً، يكتب الكود البرمجي المحدد (SQL) لسحب البيانات من الجداول المختارة، ويقوم بتشغيل الاستعلام، ثم يصيغ الإجابة في تقرير واضح.

3. لماذا هو أفضل من المنافسين؟

اختبر الباحثون DisasterLex مقابل أنظمة ذكاء اصطناعي رائدة أخرى.

• الطريقة القديمة: حاولت الأنظمة الأخرى قراءة مكتبة البيانات بأكملها المكونة من 150 عموداً لكل سؤال. أدى ذلك إلى إرباكها، مما نتج عنه "هلوسات" حيث ربطت أشياء غير مترابطة (مثل ربط بيانات الفيضان ببيانات السكان لمجرد أنهما يتشاركان في معرف المدينة).
• طريقة DisasterLex: من خلال استخدام "الخريطة الخبيرة"، حصر البحث في 10 إلى 20 عموداً ذا صلة فقط. كان الأمر يشبه إعطاء الروبوت قائمة محددة من الكتب ليفحصها بدلاً من إعطائه المكتبة بأكملها.

النتائج:
تفوق DisasterLex على الأنظمة الأخرى بفارق كبير (من 1.4 إلى 2.75 مرة أفضل). السبب الرئيسي لفشل الأنظمة الأخرى هو ضياعها في عملية "التوجيه" (اختيار القسم الخطأ) و"تكوين الجداول المتعددة" (محاولة دمج جدايع كثيرة بشكل خاطئ). لقد منعت خطة DisasterLex المتدرجة حدوث هذه الأخطاء.

4. الخلاصة

DisasterLex ليس كرة بلورية سحرية تتنبأ بالمستقبل، بل هو أداة دقيقة تساعد الخبراء البشر على الحصول على البيانات الصحيحة بشكل أسرع.

• هو لا يستبدل صانع القرار البشري، بل يعمل كمساعد عالي السرعة يضمن أن الإنسان ينظر إلى الحقائق الصحيحة.
• هو مصمم خصيصاً للبيانات المهيكلة (الجداول وجداول البيانات)، وليس لمجرد قراءة المقالات الإخبارية.
• يتم اختباره حالياً على بيانات الكوارث في تكساس، ولكن نهج "الخريطة الخبيرة" يمكن نظرياً استخدامه في مجالات أخرى معقدة تعتمد على السبب والنتيجة، مثل الفرز الطبي أو سلاسل التوريد.

باختصار، يحول DisasterLex الفوضى العارمة من البيانات إلى قصة واضحة وقابلة للتنفيذ من خلال تزويد الذكاء الاصطناعي بـ "ورقة غش" من المعرفة الخبيرة قبل أن يبدأ العمل.