EventOD: Event-Aware OD Flow Generation via LLM-Guided Semantic Modulation

تخيل أنك تحاول التنبؤ بكيفية تنفس مدينة ما. في الأيام الهادئة والرتيبة لأسبوع عادي، يتحرك الناس وفق أنماط يمكن التنبؤ بها: يستيقظون، يتوجهون إلى أعمالهم، يتناولون الغداء، ثم يعودون إلى منازلهم. يطلق العلماء على هذا اسم تدفق "الأصل والوجهة" (OD)، وهو مجرد خريطة متطورة توضح أين تبدأ رحلات الناس وأين ينتهون. لسنوات، أصبحت الحواسيب بارعة حقًا في تخمين هذه المسارات باستخدام التعلم العميق، تمامًا مثل نظام GPS يعرف عاداتك أكثر مما تعرفها أنت. لكن هنا تكمن المشكلة: ماذا يحدث عندما يجن جنون العالم فجأة؟ عندما تضرب إعصار المدينة أو تجبر جائحة الجميع على البقاء في الداخل، تتلاشى تلك العادات القديمة. تصبح خريطة "اليوم العادي" للحاسوب عديمة الفائدة لأن وظائف المدينة قد تغيرت — المحلات مغلقة، الطرق غمرتها المياه، والناس يشعرون بالذعر. إن محاولة تعليم الحاسوب طريقة جديدة تمامًا للتنبؤ بالحركة لكل كارثة على حدة هي عملية بطيئة، مكلفة، وغالبًا ما تكون مستحيلة لأننا لا نملك بيانات كافية عندما تقع الأزمة.

هنا يأتي دور فكرة جديدة تسمى EventOD، والتي تعمل كمترجم ذكي لحواسيبنا التي تتنبأ بحركة المدن. فبدلاً من رمي الخريطة القدة الموثوقة ومحاولة تعلم خريطة جديدة من الصفر، تسأل EventOD ذكاءً اصطناعيًا فائق الذكاء (نموذج لغوي كبير - LLM) أن يقرأ الأخبار عن الكارثة ليفهم كيف تغير مزاج المدينة. ثم تقوم بتوجيه الخريطة القديمة بلطف لتناسب الواقع الجديد دون كسرها. فكر في الأمر كأنك ترتدي "نظارات الكوارث" فوق نظاراتك العادية؛ ستظل ترى العالم بوضوح، ولكن يمكنك الآن أيضًا رؤية المطر والرياح والذعر، وتعديل مسارك بناءً على ذلك. اختبر الباحثون هذا على أعاصير وجوائح حقيقية في جميع أنحاء الولايات المتحدة، ووجدوا أن نهج "التوجيه اللطيف" هذا أفضل بكثير في التنبؤ بأماكن توجه الناس أثناء الأزمات من محاولة إجبار الحاسوب على إعادة تعلم كل شيء من الصفر.

المشكلة: عندما تكسر المدينة روتينها

هل تعلم كيف أن تطبيق الطقس في هاتفك رائع في التنبؤ بهطول المطر يوم الثلاثاء، ولكنه قد يرتبك إذا ضرب إعصار مفاجئ الأرض؟ هذا بالضبط ما يحدث مع النماذج الحاسوبية التي تتنبأ بالحركة البشرية. يتم تدريب هذه النماذج على بيانات "الروتين" — أي كيف يتحرك الناس عندما يكون كل شيء طبيعيًا. تتعلم هذه النماذج أن الناس يذهبون إلى المدارس في الصباح والمنتزهات في فترة بعد الظهر. ولكن عندما يقع حدث مزعزع للاستقرار، مثل عاصفة ضخمة أو أزمة صحية عالمية، تتغير القواعد فورًا. قد يصبح المدرسة ملجأً، أو يصبح المنتزه منطقة محظورة.

المشكلة هي أن هذه الحواسيب عنيدة. إذا حاولت تعليمها القواعد الجديدة أثناء الكارثة، فغالبًا لن تملك بيانات كافية للقيام بذلك بشكل صحيح. الحدث يقع الآن، والبيانات مشوشة أو مفقودة. إذا حاولت إعادة تدريب النموذج الحاسوبي بالكامل لكل إعصار أو جائحة، فالأمر يشبه محاولة إعادة بناء محرك سيارة بينما لا تزال تسير على الطريق السريع. إنه أمر بطيء للغاية، وقد يتسبب في تعطل المحرك. أدرك الباحثون أنه بدلاً من إعادة بناء المحرك، كانوا بحاجة فقط إلى تعديل عجلة القيادة.

الحل: عجلة القيادة "الدلالية"

ابتكر الفريق الذي يقف وراء EventOD خطة ذكية من ثلاث خطوات لإصلاح ذلك دون كسر "دماغ" الحاسوب.

الخطوة 1: المترجم (النموذج اللغوي الكبير - LLM)
أولاً، يستخدمون نموذجًا لغويًا كبيرًا (LLM) — وهو نفس نوع الذكاء الاصطناعي الذي يكتب المقالات أو يدردش معك — لقراءة "أخبار" الكارثة. يقومون بتغذية الذكاء الاصطناعي بمعلومات عن الحدث، مثل سرعة الرياح في حالة الإعصار أو معدلات الإصابة في حالة الجائحة. لا يكتفي الذكاء الاصطناعي بالقول "الوضع سيء"؛ بل يترجم هذه الفوضى إلى قائمة منظمة من التغييرات. هو يدرك، على سبيل المثال، أن "المطاعم ستكون مغلقة على الأرجح" (تغيير وظيفي) وأن "العائلات التي لديها أطفال ستبقى في المنزل" (تغيير ديموغرافي). يحول هذا إلى "متجه تحكم" بسيط، وهو مجموعة من التعليمات مثل "قلل النشاط هنا، وزده هناك".

الخطوة 2: مقابض التحكم (AlphaNet و BetaNet)
معرفة ماذا يجب أن نغير أمر جيد، ولكن معرفة مقدار التغيير أمر أفضل. تعليمات الذكاء الاصطناوي هي مجرد اتجاهات (مثل "انعطف يسارًا")، لكن الحاسوب يحتاج إلى معرفة سرعة هذا الانعطاف. هنا يأتي دور برنامجين صغيرين وخفيفين يسمىان AlphaNet و BetaNet. يعملان مثل مقابض التحكم في الصوت. يقوم AlphaNet بتعديل "حجم الوظائف" (مدى تأثر المحلات والمكاتب)، ويقوم BetaNet بتعديل "الحجم الديموغرافي" (مدى تأثر المجموعات المختلفة من الناس). يتم تعلم هذه المقابض من قدر قليل من البيانات، مما يسمح للنظام بضبط تخمينات الذكاء الاصطناعي التقريبية لتصبح تعديلات دقيقة.

الخطوة 3: شبكة الأمان (التعافي المعزز بالاسترجاع)
أحيانًا، تكون البيانات شحيحة جدًا لدرجة أن حتى مقابض التحكم تصبح مرتبكة. للتعامل مع هذا، تمتلك EventOD خطة احتياطية. فهي تبحث في مكتبة التدريب الخاصة بها للعثور على كوارث سابقة مشابهة. إذا كان نوع العاصفة جديدًا، فإنها تسأل: "مهلاً، كيف تعاملنا مع عاصفة مماثلة من قبل؟" تستخدم هذه الذاكرة لسد الفجوات، مما يضمن عدم تعطل النظام عندما تكون البيانات ضعيفة.

كيف يعمل الأمر في الواقع

بمجرد أن يحصل النظام على "متجهات التحكم" (الاتجاهات) و"المقابض" (المقدار)، فإنه يحقن هذه المعلومات مباشرة في النموذج الحاسوبي المدرب مسبقًا والثابت. يبقى النموذج الأصلي كما هو تمامًا — لا يتغير دماغه على الإطلاق. بدلاً من ذلك، يتم تعديل بيانات المدخلات قليلاً لتعكس الكارثة. الأمر يشبه إعطاء سائق متمرس مجموعة جديدة من التعليمات: "الطريق مغمور بالمياه، لذا اسلك الطريق البديل"، دون الحاجة إلى إعادة تدريب السائق على كيفية القيادة.

اختبر الباحثون هذا على سيناريوهين مختلفين تمامًا: إعصار دوريان في عام 2019، الذي تسبب في دمار مادي هائل وفوضى مدفوعة بالطقس، وجائحة كوفيد-19 في عام 2020، التي تسببت في تغييرات سلوكية وسياساتية. في كلتا الحالتين، قارنوا EventOD بطرق أخرى، بما في ذلك محاولة إعادة تدريب النموذج من الصفر أو مجرد استخدام النموذج القديم دون أي تغييرات.

النتائج: أذكى، أسرع، وأكثر دقة

كانت النتائج واضحة. تفوقت EventOD باستمرار على الطرق الأخرى. في سيناريو الإعصار، حسنت دقة التنبؤ بأماكن توجه الناس بفارق كبير. وتحديدًا، قللت الخطأ في التنبؤ بتدفق الناس بنسبة تقارب 18% مقارنة بأفضل نموذج مدرب مسبقًا لم يتم تعديله. كما كانت أفضل بكثير في مطابقة التوزيع الفعلي للناس، مما يعني أنها لم تخمن العدد الصحيح من الناس فحسب، بل خمنت الأماكن الصحيحة التي سيذهبون إليها.

أحد أكثر النتائج إثارة للاهتمام هو أن إبقاء النموذج الأصلي ثابتًا كان في الواقع أفضل من محاولة ضبطه (fine-tuning). فعندما حاول الباحثون إعادة تدريب النموذج على بيانات الكارثة المحدودة، كان أداؤه في الواقع أسوأ. وهذا يشير إلى أن "المنطق السليم" الذي تعلمه النموذج من الأيام العادية هو أمر قيم، ولا تريد استبداله ببيانات الكارثة المشوشة وغير المكتملة. بدلاً من ذلك، تحتاج فقط إلى توجيهه بلطف.

كما أثبت النظام مرونته؛ فقد عمل بشكل جيد مع أنواع مختلفة من النماذج الحاسوبية (وليس فقط النموذج الذي بدأوا به) وتعامل مع أنواع مختلفة من الكوارث، من الصدمات الجوية إلى القيود السياساتية. وحتى عندما اختبروه في "الوضع الصعب" حيث أعطوه القليل جدًا من بيانات التدريب، لم يتعطل النظام؛ بل أصبح فقط أقل دقة، لكنه ظل أفضل بكثير من البدائل.

تكلفة الذكاء

قد تتساءل: "هل استخدام ذكاء اصطناعي فائق الذكاء لترجمة أخبار الكارثة يكلف ثروة أو يستغرق وقتًا طويلاً؟" تحقق الباحثون في هذا أيضًا. ووجدوا أن العملية رخيصة وسريعة بشكل مدهش. لكل منطقة (مثل مقاطعة)، كانت تكلفة تشغيل ترجمة الذكاء الاصطناعي والتعديل أقل من 0.002 دولار. كان الوقت المستغرق يهيمن عليه تفكير الذكاء الاصطناعي، حيث يستغرق بضع ثوانٍ لكل منطقة، وبما أن هذه الحسابات يمكن إجراؤها بالتوازي للعديد من المناطق في وقت واحد، فإن الوقت الإجمالي يمكن إدارته. أما جزء "الاسترجاع"، حيث يبحث النظام عن الكوارث السابقة، فقد كان فوريًا تقريبًا، حيث استغرق حوالي 0.0001 ثانية.

لماذا يهم هذا الأمر

توضح لنا EventOD أنه عندما يخرج العالم عن مساره، لسنا بحاجة إلى التخلص من أدواتنا القديمة. نحن بحاجة فقط إلى تعليمها كيف تقرأ الموقف الجديد. من خلال الجمع بين المعرفة العميقة بـ "الحياة العادية" التي تمتلكها الحواسيب بالفعل، وقوة فهم اللغة الحديثة للذكاء الاصطناعي، يمكننا إنشاء أنظمة جاهزة لما هو غير متوقع. سواء كان إعصارًا يقطع خطوط الكهرباء أو جائحة تغير طريقة تواصلنا الاجتماعي، فإن هذا النهج يوفر طريقة لإبقاء مدننا تتحرك — وإبقاء المستجيبين للطوارج على دراية — دون البدء من الصفر في كل مرة تكتسي فيها السماء باللون الرمادي.