در دنیای امروز، با افزایش روزافزون حجم ترافیک و پیچیده‌تر شدن سیستم‌های حمل و نقل، نیاز به درک عمیق و استوار از موقعیت‌های ترافیکی بیش از پیش احساس می‌شود. توانایی استدلال منطقی و تصمیم‌گیری درست در شرایط مختلف ترافیکی، نه تنها به بهبود ایمنی کمک می‌کند، بلکه می‌تواند به بهینه‌سازی جریان ترافیک و کاهش زمان سفر نیز منجر شود. مقاله حاضر با عنوان “بهره‌گیری از دانش پیش‌زمینه برای استدلال استوار در موقعیت‌های ترافیکی” به بررسی روش‌هایی می‌پردازد که با استفاده از دانش پیش‌زمینه و مدل‌های زبان، می‌توان درک بهتری از موقعیت‌های ترافیکی به دست آورد و استدلال‌های قوی‌تری را ارائه کرد.

این مقاله توسط گروهی از محققان به سرپرستی Jiarui Zhang, Filip Ilievski, Aravinda Kollaa, Jonathan Francis, Kaixin Ma, Alessandro Oltramari به نگارش درآمده است. زمینه تخصصی این محققان در حوزه‌هایی مانند پردازش زبان طبیعی، هوش مصنوعی، و سیستم‌های حمل و نقل هوشمند قرار دارد. آن‌ها با بهره‌گیری از تخصص خود، به دنبال ارائه راهکارهایی نوآورانه برای حل چالش‌های موجود در زمینه درک و استدلال در موقعیت‌های ترافیکی هستند. این تحقیق در دسته‌بندی‌های محاسبات و زبان و هوش مصنوعی قرار می‌گیرد که نشان‌دهنده ماهیت میان‌رشته‌ای آن است.

چکیده این مقاله بر این نکته تاکید دارد که درک موقعیت‌های جدید در حوزه ترافیک، نیازمند ترکیبی پیچیده از دانش تخصصی و دانش شهودی علی و معلولی است. در حالی که کارهای قبلی، ابزارهای ادراکی کافی برای نظارت بر ترافیک ارائه داده‌اند، این مقاله بر جنبه مکمل تحقیقاتی حمل و نقل هوشمند، یعنی درک ترافیک، تمرکز دارد. محققان، مطالعه خود را به روش‌ها و مجموعه‌داده‌های متنی محدود کرده‌اند، زیرا دانش شهودی فراوانی وجود دارد که می‌تواند با استفاده از مدل‌های زبانی از پیکره‌های بزرگ و گراف‌های دانش استخراج شود. آن‌ها سه رویکرد مبتنی بر دانش را برای پرسش و پاسخ صفر-شات (zero-shot QA) در موقعیت‌های ترافیکی به کار گرفته‌اند که بر اساس روش‌های استنتاج زبان طبیعی، مدل‌های شهودی با خود-نظارت گراف دانش، و مدل‌های متراکم مبتنی بر بازیابی هستند.

برای ارزیابی این رویکردها، دو مجموعه پرسش و پاسخ چندگزینه‌ای متنی ساخته شده است: BDD-QA برای ارزیابی استدلال علی در حوزه ترافیک و HDT-QA برای اندازه‌گیری دانش تخصصی شبیه به آزمون‌های گواهینامه رانندگی انسانی. نتایج نشان می‌دهد که مدل Unified-QA با تطبیق قالب‌های مختلف پرسش و پاسخ، بهترین عملکرد را در مجموعه داده BDD-QA دارد. مدل‌های زبانی که با اطلاعات استنتاج و دانش شهودی آموزش داده شده‌اند، در پیش‌بینی علت و معلول در حوزه ترافیک نیز خوب عمل می‌کنند، اما در پاسخگویی به مجموعه‌های پرسش و پاسخ رانندگی انسانی عملکرد ضعیفی دارند. برای چنین مجموعه‌هایی، مدل DPR+Unified-QA به دلیل استخراج کارآمد دانش، بهترین عملکرد را ارائه می‌دهد.

روش‌شناسی این تحقیق مبتنی بر استفاده از مدل‌های زبانی پیش‌آموزش‌شده و گراف‌های دانش برای استدلال در مورد موقعیت‌های ترافیکی است. محققان با استفاده از سه رویکرد اصلی به این هدف دست یافته‌اند:

• استنتاج زبان طبیعی (Natural Language Inference – NLI): در این رویکرد، از مدل‌های NLI برای استنتاج روابط بین جملات و شناسایی اطلاعات مرتبط با سوالات مطرح شده در مورد موقعیت‌های ترافیکی استفاده می‌شود.
• مدل‌های شهودی با خود-نظارت گراف دانش (Commonsense Models with Knowledge Graph Self-Supervision): این رویکرد از گراف‌های دانش برای افزودن اطلاعات زمینه‌ای و شهودی به مدل‌های زبانی استفاده می‌کند. خود-نظارت گراف دانش به مدل کمک می‌کند تا روابط بین مفاهیم مختلف را یاد بگیرد و استدلال‌های دقیق‌تری ارائه دهد.
• مدل‌های متراکم مبتنی بر بازیابی (Dense Retriever-based Models): این رویکرد از مدل‌های بازیابی اطلاعات برای یافتن اطلاعات مرتبط از یک مجموعه بزرگ از متون و اسناد استفاده می‌کند. مدل DPR (Dense Passage Retriever) به طور خاص برای این منظور به کار گرفته شده است.

علاوه بر این، محققان دو مجموعه داده جدید (BDD-QA و HDT-QA) را برای ارزیابی عملکرد مدل‌ها در زمینه‌های استدلال علی و دانش تخصصی رانندگی ایجاد کرده‌اند. این مجموعه‌داده‌ها به عنوان معیاری برای سنجش توانایی مدل‌ها در درک و استدلال در مورد موقعیت‌های ترافیکی عمل می‌کنند.

یافته‌های کلیدی این تحقیق عبارتند از:

• مدل Unified-QA با تطبیق قالب‌های مختلف پرسش و پاسخ، بهترین عملکرد را در مجموعه داده BDD-QA (استدلال علی) دارد. این نشان می‌دهد که این مدل در استدلال در مورد روابط علت و معلولی در موقعیت‌های ترافیکی قوی است.
• مدل‌های زبانی آموزش داده شده با اطلاعات استنتاج و دانش شهودی، در پیش‌بینی علت و معلول در حوزه ترافیک عملکرد خوبی دارند. به عنوان مثال، این مدل‌ها می‌توانند به درستی تشخیص دهند که ترمز ناگهانی یک خودرو می‌تواند منجر به تصادف شود.
• مدل DPR+Unified-QA به دلیل استخراج کارآمد دانش، بهترین عملکرد را در مجموعه داده HDT-QA (دانش تخصصی رانندگی) ارائه می‌دهد. این نشان می‌دهد که این مدل در بازیابی اطلاعات مرتبط از مجموعه داده‌های بزرگ و استفاده از آن برای پاسخگویی به سوالات تخصصی رانندگی مهارت دارد. به عنوان مثال، این مدل می‌تواند به سوالاتی در مورد قوانین راهنمایی و رانندگی پاسخ دهد.
• به طور کلی، استفاده از دانش پیش‌زمینه و مدل‌های زبانی می‌تواند به بهبود درک و استدلال در مورد موقعیت‌های ترافیکی کمک کند.

به عنوان مثال، فرض کنید با یک سوال ترافیکی زیر روبرو هستیم:

سوال: “اگر یک عابر پیاده به طور ناگهانی وارد خیابان شود، چه اتفاقی خواهد افتاد؟”

مدل Unified-QA با استفاده از دانش شهودی و اطلاعات استنتاج، می‌تواند پاسخ دهد: “احتمالاً راننده ترمز می‌کند و ممکن است تصادف رخ دهد.”

نتایج این تحقیق می‌تواند در زمینه‌های مختلفی کاربرد داشته باشد:

• سیستم‌های رانندگی خودکار: بهبود درک و استدلال در مورد موقعیت‌های ترافیکی می‌تواند به توسعه سیستم‌های رانندگی خودکاری ایمن‌تر و کارآمدتر کمک کند.
• سیستم‌های مدیریت ترافیک: با استفاده از این روش‌ها می‌توان جریان ترافیک را بهینه‌سازی کرد و از وقوع تصادفات جلوگیری کرد.
• آموزش رانندگی: این روش‌ها می‌توانند به توسعه ابزارهای آموزشی تعاملی و جذاب برای رانندگان کمک کنند.
• تحلیل و پیش‌بینی ترافیک: با درک بهتر عوامل موثر بر ترافیک، می‌توان الگوهای ترافیکی را پیش‌بینی کرد و برنامه‌ریزی بهتری برای مدیریت ترافیک انجام داد.

یکی از دستاوردهای مهم این تحقیق، ارائه دو مجموعه داده جدید (BDD-QA و HDT-QA) است که می‌تواند به عنوان معیاری برای ارزیابی عملکرد مدل‌ها در زمینه درک و استدلال در مورد موقعیت‌های ترافیکی مورد استفاده قرار گیرد. این مجموعه‌داده‌ها به محققان کمک می‌کنند تا مدل‌های خود را بهبود بخشند و به سمت توسعه سیستم‌های هوشمندتر و کارآمدتر در حوزه حمل و نقل حرکت کنند.

به طور خلاصه، این مقاله نشان می‌دهد که بهره‌گیری از دانش پیش‌زمینه و مدل‌های زبانی می‌تواند به بهبود درک و استدلال در مورد موقعیت‌های ترافیکی کمک کند. رویکردهای مبتنی بر استنتاج زبان طبیعی، مدل‌های شهودی با خود-نظارت گراف دانش، و مدل‌های متراکم مبتنی بر بازیابی، ابزارهای قدرتمندی برای حل چالش‌های موجود در این زمینه هستند. با توسعه و بهبود این روش‌ها، می‌توان به سمت ایجاد سیستم‌های حمل و نقل هوشمندتر، ایمن‌تر و کارآمدتر حرکت کرد. نتایج حاصل از این تحقیق، گامی مهم در راستای توسعه سیستم های حمل و نقل هوشمند است و پتانسیل بالایی برای بهبود ایمنی و کارایی سیستم های ترافیکی دارد. تحقیقات آینده می تواند بر توسعه مدل های پیچیده تر و کارآمدتر و همچنین جمع آوری داده های بیشتر در زمینه ترافیک تمرکز کند.