Weather- and Location-Aware Agentic Dining Recommendation: Leveraging LLM World Knowledge for Region-Sensitive Contextual Reasoning

تخيل أنك تقف في مدينة صاخبة، ومعدتك تصدر أصوات قرقرة، وتحاول أن تقرر ماذا ستأكل. أنت تعلم أن جوعك ليس مجرد معدة فارغة؛ بل هو حوار بين موقعك، والوقت من اليوم، والطقس في الخارج. هذا هو عالم التوصية المدركة للسياق (context-aware recommendation)، وهو فرع من علوم الحاسوب حيث تحاول الأنظمة الذكية تخمين ما تريده من خلال النظر إلى "المشهد" المحيط بك، وليس فقط من خلال طلباتك السابقة. لسنوات، عرف العلماء أن المطر قد يجعلك تشتهي الحساء، بينما قد يجعلك بعد ظهر يوم شديد الحرارة ترغب في الآيس كريم. ولكن هناك التواء معقد: "طعام الراحة" الصحيح يتغير بناءً على أين أنت. فاليوم الممطر في ثقافة ما قد يستدعي الشاي الساخن والوجبات الخفيفة المقلية، بينما في ثقافة أخرى، قد يعني ذلك البيتزا. التحدي يكمن في تعليم الحواسيب فهم هذه القواعد الثقافية المحلية الدقيقة دون كتابة مليون دليل تعليمات مختلف لكل حي.

يقدم هذا البحث طريقة جديدة ذكية لحل هذا اللغز باستخدام النماذج اللغوية الكبيرة (LLMs). فكر في النموذج اللغوي الكبير كأنه أمين مكتبة فائق الذكاء ومطلع، قرأ كل كتاب ودليل سفر وبطاقة وصفة طعام في العالم تقريبًا. بدلاً من برمجة الحاسوب بقواعد جامدة مثل "إذا أمطرت في المدينة (أ)، اقترح الطبق (س)"، بنى المؤلف مساعدًا رقميًا يعمل مثل وكيل سفر ذكي. يمكن لهذا الوكيل معرفة موقعك، والتحقق من الطقس، ثم سؤال أمين المكتبة (النموذج اللغوي الكبير) عما قد يأكله شخص محلي في هذا الطقس تحديدًا. يشير البحث إلى أنه من خلال السماي للذكاء الاصطناعي باستخدام معرفته الثقافية الواسعة للتعليل وفهم الموقف، يمكننا الحصول على توصيات أفضل بكثير وأكثر تخصيصًا دون الحاجة إلى تعليمه كل قاعدة يدويًا.

المشكلة: المقاس الواحد لا يناسب الجميع

لفترة طويلة، عاملت أنظمة توصية المطاعم الطقس كأنه مفتاح بسيط. إذا كانت تمطر، تقترح أماكن داخلية. إذا كان الجو حارًا، تقترح مشروبات باردة. الأمر يشبه روبوتًا يعرف إعدادين فقط: "بارد" و"حار". لكن الحياة الواقعية أكثر تعقيدًا. يشير البحث إلى أن الاستجابة المناسبة ثقافيًا للطقس هي أمر محلي للغاية. ففي أمسية ممطرة في أجزاء من جنوب الهند، قد يشتهي الناس الشاي الساخن مع الوجبات الخفيفة المقلية مثل "الفادا" أو "الباجي". وفي معظم الولايات المتحدة، قد يجعلهم الطقس الممطر نفسه يتجهون نحو البيتزا أو الحساء. وفي يوم حار، قد يكون التبريد في جنوب الهند عبر اللبن أو ماء جوز الهند، بينما قد يكون في مكان آخر عبر الصودا المثلجة.

كانت الطريقة القديمة للتعامل مع هذا هي محاولة تدوين كل قاعدة من هذه القواعد أو تدريب نموذج حاسوبي خاص بقائمة ضخمة من البيانات. يرى المؤلف أن هذا يشبه محاولة بناء خريطة للعالم بأك Tot عبر رسم كل شارع على ورقة باليد. إنها عملية هشة، مكلفة، ومستحيلة التوسع لتشمل أماكن جديدة.

الحل: "وكيل السفر الذكي"

يقترح المؤلف نهجًا مختلفًا: نظام وكيل (agentic system). تخيل مساعدًا رقميًا لا يتبع سيناريو فحسب، بل يخرج ويجمع المعلومات قبل اتخاذ القرار. إليك كيف يعمل "وكيل السفر الذكي" الخاص بهم:

1. عمل المحقق: عندما تسأل، "جد لي مكانًا جيدًا لتناول الغداء"، يستخدم الوكيل أولاً أدوات لمعرفة مكانك بالضبط (باستخدام خدمات الموقع) وما هي حالة الطقس الآن (باستخدام خدمة الطقس).
2. جلسة العصف الذهني: بدلاً من البحث عن قاعدة مكتوبة مسبقًا، يسلم الوكيل هذه المعلومات المجمعة إلى نموذج لغوي كبير (LLM). الأمر يشبه سؤال صديق واسع المعرفة: "مهلاً، أنا في [اسم المدينة] والجو ممطر بغزارة الآن. ماذا سيأكل شخص محلي كطعام للراحة؟".
3. التعليل (Reasoning): يستخدم النموذج اللغوي الكبير "معرفته بالعالم" الداخلية — الحقائق الثقافية والطهوية التي تعلمها أثناء تدريبه على كميات هائلة من النصوص — للتعليل حول الموقف. فهو يفهم أن "مطر + جنوب الهند" يساوي "شاي ساخن ووجبات مقلية"، بينما "مطر + نيويورك" قد يساوي "حساء".
4. التوصية: يبحث الوكيل بعد ذلك عن المطاعم القريبة التي تتوافق مع هذا الطابع المحدد والمدرك ثقافيًا، ويعطيك قائمة مرتبة مع شرح لسبب اختياره لها.

ما وجدوه (وما لم يجدوه)

بنى المؤلف نموذجًا أوليًا يعمل لهذا النظام وقام بتشغيله بالكامل. وقد أظهر أن من الممكن إنشاء موصٍ بالطعام يفهم الفروق الدقيقة لـ "الطقس + الموقع + الثقافة" بمجرد ترك الذكاء الاصطناعي يعلل المشكلة. نجح النظام في تقديم اقتراحات حساسة للمنطقة دون الحاجة إلى جداول قواعد مصممة يدويًا أو بيانات تدريب خاصة لمدن معينة.

ومع ذلك، فإن البحث صريح جدًا بشأن ما لم يفعله. كان هذا نموذجًا أوليًا يعمل، وليس منتجًا تم اختباره بالكامل. لم يجرِ المؤلف دراسة مستخدم رسمية لإثبات أن الناس أحبوا التوصيات أكثر مما قد يحصلون عليه من تطبيق قياسي. كما لم يقيس بدقة مدى تفوق هذا النظام مقارنة بالطرق القديمة. إنهم يقترحون أن هذا النهج يعمل، لكنهم لم "يثبتوا" ذلك بالأرقام الصلبة بعد.

العقبة: التكاليف والتحيزات

يسلط المؤلف الضوء أيضًا على بعض العقبات في العالم الحقيقي. نظرًا لأن هذا النظام يعتمد على استدعاء خدمات خارجية (مثل خرائط جوجل وواجهات برمجة تطبيقات الطقس) واستخدام نموذج ذكاء اصطناعي قوي، فقد يكون من المكلف تشغيله. في الواقع، تم إيقاف النموذج الأولي عن العمل خصيصًا لأن تكلفة هذه الخدمات المدفوعة كانت عالية جدًا للاستمرار في تشغيلها.

هناك أيضًا خطر النمطية الثقافية. بما أن الذكاء الاصطناعي يخمن ما يفضله الناس في منطقة معينة بناءً على بيانات التدريب الخاصة به، فقد يخطئ في ذلك. على سبيل المثال، مجرد كون شخص ما يعيش في مدينة معينة لا يعني أنه يأكل الطعام "التقليدي" لطبيعة طقس تلك المدينة؛ فقد يفضل شيئًا آخر تمامًا. يحذر المؤلف من أنه بينما يعد هذا الأسلوب واعدًا، فإن المعرفة الثقافية للذكاء الاصطناعي قد تكون غير متساوية أو متحيزة، خاصة بالنسبة للمناطق الأقل تمثيلًا. ويقترحون أن النسخ المستقبلية تحتاج إلى توخي الحذر حتى لا تفرض تخمينات الذكاء الاصطناعي خيارات المستخدم بشكل صارم.

الخلاصة

لا يدعي هذا البحث أنه حل مشكلة التوصيات المثالية للمطاعم إلى الأبد. بدلاً من ذلك، فإنه يقدم مخططًا مرنًا جديدًا. إنه يشير إلى أنه بدلًا من محاولة ترميز كل قاعدة ثقافية في الحاسوب، يمكننا ترك ذكاء اصطناعي ذكي "يفكر" في الطقس والموقع ليعرف ما هو منطقي. إنه تحول من بناء كتاب قواعد ضخم إلى توظيف دليل واسع المعرفة يمكنه التكيف مع اللحظة. وبينما لا تزال هناك تحديات تتعلق بالتكلفة والدقة، فإن فكرة استخدام قدرة الذكاء الاصطناعي الطبيعية على التعليل للتعامل مع السياقات الثقافية المحلية المعقدة هي اتجاه جديد وواعد للمستقبل في مجال التوصيات الذكية.