← أحدث الأبحاث
🤖 AI

UrbanDS: A Graph-Guided LLM Multi-Agent System for Data-Intensive Urban Tasks

تقترح الورقة البحثية UrbanDS، وهو نظام متعدد الوكلاء يعتمد على النماذج اللغوية الكبيرة والموجهة بالرسوم البيانية، والذي يقوم ببناء رسم بياني موحد للبيانات لتنظيم المهارات والعلاقات من أجل استرجاع ومعالجة البيانات، مما يعالج بفعالية تحديات المهام الحضرية كثيفة البيانات ويتفوق على الأساليب الحالية في كل من التقييمات المعيارية والنشر في العالم الحقيقي.

المؤلفون الأصليون: Zhilun Zhou, Jianghao Yu, Yuming Lin, yongjun yang, Sun Yongquan, Depeng Jin, Yong Li

نُشر 2026-07-30
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Zhilun Zhou, Jianghao Yu, Yuming Lin, yongjun yang, Sun Yongquan, Depeng Jin, Yong Li

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 عالماً تصبح فيه الحواسيب بارعة حقاً في التحدث إلينا، وفهم أسئلتنا، وحتى كتابة الأكواد البرمجية لحل المشكلات. تُسمى هذه الحواسيب الذكية "نماذج اللغات الكبيرة" (LLMs)، وهي تعمل كمساعدين فائقين القوة. لكن هناك عقبة: فبينما هي بارعة في الدردشة، فإنها غالباً ما تعاني عندما يُطلب منها القيام بعمل حقيقي في علم البيانات، خاصة عندما تكون البيانات فوضوية، وضخمة، ومتناثرة في كل مكان. تخيل الأمر كأنك تطلب من أمين مكتبة عبقري أن يجد حقيقة محددة، ولكن بدلاً من مكتبة مرتبة، قمت برميها في مستودع عملاق حيث تتراكم ملايين الصناديق بشكل عشوائي، وأنت لا تعرف أي صندوق يحتوي على الإجابة. قد يعرف أمين المكتبة كيف يقرأ، لكنه لا يستطيع العثور على الكتاب الصحيح بدون خريطة. هذه هي المشكلة الكبيرة التي يحاول الباحثون حلها: كيف نعلم مساعدي الذكاء الاصطناعي هؤلاء ليس فقط الإجابة على الأسئلة، بل البحث فعلياً عن المعلومات الصحيحة من محيط فوضوي من البيانات، وفهم كيفية ترابط القطع المختلفة مع بعضها البعض، ثم إجراء العمليات الحسابية لإعطائنا إجابة حقيقية؟

إليك UrbanDS، وهو نظام جديد وذكي صُمم ليكون "المحقق البياني" الأمثل للمشكلات المتعلقة بالمدن. أدرك الباحثون وراء هذا المشروع أن بيانات المدن هي نوع خاص من الفوضى؛ فهي تأتي من كل مكان — مستشعرات المرور، سجلات السكان، الخرائط، وسجلات الأعمال — وكل هذه القطع مرتبطة ببعضها بطرق معقدة (مثل كيفية ارتباط موقع طريق ما بالسكان الذين يعيشون بالقرب منه). تفشل أدوات الذكاء الاصطناعي الحالية هنا لأنها تتوقع أن تُقدم لها البيانات على طبق من فضة. يغير UrbanDS قواعد اللعبة من خلال العمل كفريق من الوكلاء المتخصصين الذين يعملون معاً. أولاً، يقومون ببناء "خريطة" ضخمة وحية (رسم بياني/Graph) لكل البيانات. يقوم فريق من الوكلاء بالمرور على كل ملف، وقراءته، وكتابة "سيرة ذاتية" له، تصف ما بداخله وكيف يتصل بالملفات الأخرى. يقوم فريق آخر برسم خطوط بين هذه السير الذاتية لإظهار أي قطع البيانات هي جيران لبعضها البعض من حيث الزمان، أو المكان، أو المعنى.

عندما يطرح إنسان سؤالاً، مثل "أين تحدث اختناقات مرورية بالقرب من المدارس الآن؟"، ينظر وكيل "المخطط" (Planner) إلى هذه الخريطة. وبدلاً من التخمين، يتبع الخطوط للعثور على بيانات المرور والمدارس الدقيقة التي يحتاجها. بعد ذلك، يقوم فريق من وكلاء "التنفيذ" (Execution) بكتابة وتشغيل الكود لمعالجة الأرقام، حيث يتشاركون تقدمهم مثل مجموعة من الأصدقاء يعملون في مشروع جماعي. أخيراً، يقوم وكيل "المُقرر" (Reporter) بكتابة النتائج. اختبر الفريق هذا النظام في تحدٍ هائل يسمى UrbanDS-Bench، والذي تضمن 94 مجموعة بيانات مختلفة من 10 مدن صينية كبرى وما يقرب من 500 مهمة مختلفة. كانت النتائج مبهرة: حل UrbanDS هذه الألغاز الصعبة المتعلقة بالبحث عن البيانات بشكل أفضل بكثير من غيره من أدوات الذكاء الاصطناعي الرائدة، حيث حقق حوالي 70% من الإجابات الصحيحة مقارنة بـ 63% للأداة التالية الأفضل. حتى أنهم اختبروه في العالم الحقيقي في مدينة ووهان، حيث ساعد مخططي المدن على تحليل بيانات بلدية فعلية، مما أثبت أن هذا النهج "الموجه بالخريطة" لا يعمل فقط في المختبر، بل في شوارع مدينة حقيقية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →