در عصر حاضر، پیشرفت‌های چشمگیری در حوزه هوش مصنوعی (AI) شاهد هستیم. یکی از مهم‌ترین این پیشرفت‌ها، ظهور مدل‌های بنیادی (Foundation Models) است. این مدل‌ها، با قابلیت یادگیری بازنمایی‌های همه‌منظوره، توانسته‌اند تحولی اساسی در نحوه استفاده از هوش مصنوعی در حوزه‌های مختلف ایجاد کنند. مقاله حاضر، با عنوان “مدل‌های بنیادی شهری جهت یادگیری بازنمایی‌های همه‌منظوره از اُپن‌استریت‌مپ” (City Foundation Models for Learning General Purpose Representations from OpenStreetMap)، به بررسی چگونگی به‌کارگیری این مدل‌ها در حوزه داده‌های مکانی و شهری می‌پردازد و راهکاری نوآورانه برای استفاده از داده‌های اُپن‌استریت‌مپ (OpenStreetMap) ارائه می‌دهد.

این مقاله توسط Pasquale Balsebre، Weiming Huang، Gao Cong و Yi Li نوشته شده است. نویسندگان این مقاله، متخصصان حوزه پایگاه داده و هوش مصنوعی هستند و تمرکز آن‌ها بر استفاده از یادگیری ماشین و مدل‌های بنیادی در حل مسائل مربوط به داده‌های مکانی و شهری است. این مقاله در دسته‌بندی‌های پایگاه داده و هوش مصنوعی قرار می‌گیرد.

چکیده مقاله به این صورت است: مدل‌های بنیادی از پیش آموزش داده شده (PFMs) به دلیل توانایی خود در یادگیری بازنمایی‌های همه‌منظوره که می‌توانند به راحتی در طیف گسترده‌ای از وظایف پایین‌دستی (downstream tasks) به کار گرفته شوند، یک تغییر پارادایم در هوش مصنوعی ایجاد کرده‌اند. در حالی که PFMs با موفقیت در زمینه‌های مختلفی مانند پردازش زبان طبیعی و بینایی کامپیوتر پذیرفته شده‌اند، ظرفیت آنها در رسیدگی به داده‌های مکانی و پاسخ به سؤالات شهری محدود است. این امر می‌تواند ناشی از ناهمگونی ذاتی داده‌های مکانی باشد، که شامل انواع مختلف داده‌ها، از جمله نقاط، قطعات و مناطق و همچنین حالت‌های اطلاعاتی متعدد، مانند موقعیت مکانی، ویژگی‌های بصری و حاشیه‌نویسی‌های متنی است. تکثیر طرح‌های اطلاعات جغرافیایی داوطلبانه (Volunteered Geographic Information) و در دسترس بودن روزافزون منابع داده‌های مکانی باز، مانند OpenStreetMap که به صورت رایگان در سطح جهانی در دسترس است، فرصتی امیدوارکننده برای پر کردن این شکاف را نشان می‌دهد. در این مقاله، CityFM را ارائه می‌کنیم، یک چارچوب خود-نظارتی (self-supervised) برای آموزش یک مدل بنیادی در یک منطقه جغرافیایی مورد علاقه انتخاب شده، مانند یک شهر. CityFM صرفاً به داده‌های باز از OSM متکی است و بازنمایی‌های چندوجهی (multimodal) از موجودیت‌ها (entities) از انواع مختلف، با ترکیب اطلاعات مکانی، بصری و متنی تولید می‌کند. بازنمایی‌های موجودیت تولید شده با استفاده از مدل‌های بنیادی خود را از یک دیدگاه کیفی تحلیل می‌کنیم و آزمایش‌های کمی را در وظایف پایین‌دستی در سطح جاده، ساختمان و منطقه انجام می‌دهیم. نتایج آن را با الگوریتم‌هایی که به طور خاص برای برنامه‌های مربوطه طراحی شده‌اند، مقایسه می‌کنیم. در همه آزمایش‌ها، CityFM عملکردی برتر از یا همتراز با خطوط پایه (baselines) به دست می‌آورد.

به بیان ساده‌تر، این مقاله یک مدل جدید به نام CityFM را معرفی می‌کند که می‌تواند با استفاده از داده‌های اُپن‌استریت‌مپ، بازنمایی‌های جامعی از عناصر مختلف شهری مانند جاده‌ها، ساختمان‌ها و مناطق ایجاد کند. این بازنمایی‌ها شامل اطلاعات مکانی، بصری و متنی هستند و می‌توانند در کاربردهای مختلفی مانند مسیریابی، برنامه‌ریزی شهری و مدیریت بحران مورد استفاده قرار گیرند.

روش‌شناسی تحقیق در این مقاله بر اساس یادگیری خود-نظارتی است. به این معنی که مدل CityFM بدون نیاز به برچسب‌گذاری داده‌ها، قادر به یادگیری بازنمایی‌های مفید از داده‌های اُپن‌استریت‌مپ است. این مدل با استفاده از یک چارچوب چندوجهی، اطلاعات مختلف (مکانی، بصری و متنی) را با یکدیگر ترکیب می‌کند و یک بازنمایی جامع از هر موجودیت (entity) ایجاد می‌کند.

به عنوان مثال، برای یک ساختمان، مدل CityFM نه تنها موقعیت مکانی آن را در نظر می‌گیرد، بلکه اطلاعات بصری (مانند تصاویر ماهواره‌ای) و اطلاعات متنی (مانند نام ساختمان و کاربری آن) را نیز در بازنمایی خود لحاظ می‌کند. این روش به مدل امکان می‌دهد تا درک عمیق‌تری از ساختار و عملکرد شهر داشته باشد.

در ادامه، برای ارزیابی عملکرد مدل، آزمایش‌هایی بر روی وظایف پایین‌دستی مختلف انجام شده است. این وظایف شامل طبقه‌بندی جاده‌ها، تشخیص ساختمان‌ها و تعیین کاربری مناطق شهری بوده است. نتایج این آزمایش‌ها نشان می‌دهد که مدل CityFM در مقایسه با الگوریتم‌های موجود، عملکرد بهتری دارد.

• مدل CityFM قادر است بازنمایی‌های همه‌منظوره‌ای از عناصر مختلف شهری با استفاده از داده‌های اُپن‌استریت‌مپ ایجاد کند.
• این بازنمایی‌ها شامل اطلاعات مکانی، بصری و متنی هستند.
• مدل CityFM در وظایف پایین‌دستی مختلف (مانند طبقه‌بندی جاده‌ها و تشخیص ساختمان‌ها) عملکرد بهتری نسبت به الگوریتم‌های موجود دارد.
• چارچوب یادگیری خود-نظارتی به مدل امکان می‌دهد تا بدون نیاز به برچسب‌گذاری داده‌ها، بازنمایی‌های مفیدی را یاد بگیرد.
• استفاده از اطلاعات چندوجهی (مکانی، بصری و متنی) به مدل کمک می‌کند تا درک عمیق‌تری از شهر داشته باشد.

به عنوان مثال، آزمایش ها نشان داد که CityFM می تواند با دقت بالاتری نسبت به روش های سنتی، نوع جاده (مثلاً خیابان اصلی، کوچه فرعی) را بر اساس ویژگی های بصری و موقعیت مکانی آن تشخیص دهد. همچنین، CityFM توانست الگوهای استفاده از زمین را با دقت بیشتری شناسایی کند، به این معنی که می تواند مناطق مسکونی، تجاری و صنعتی را بهتر از قبل تفکیک کند. این اطلاعات برای برنامه ریزی شهری و مدیریت منابع بسیار ارزشمند است.

دستاورد اصلی این مقاله، ارائه یک مدل بنیادی جدید برای داده‌های شهری است که می‌تواند در کاربردهای مختلفی مورد استفاده قرار گیرد. برخی از این کاربردها عبارتند از:

• برنامه‌ریزی شهری: مدل CityFM می‌تواند به برنامه‌ریزان شهری در درک بهتر ساختار و عملکرد شهر کمک کند و تصمیم‌گیری‌های آگاهانه‌تری را امکان‌پذیر سازد. به عنوان مثال، با تحلیل داده‌های مربوط به تراکم ترافیک و کاربری زمین، می‌توان نقاط ضعف و قوت سیستم حمل و نقل شهری را شناسایی کرد و راهکارهایی برای بهبود آن ارائه داد.
• مدیریت بحران: این مدل می‌تواند در مواقع بحرانی مانند زلزله و سیل، اطلاعات مفیدی را در اختیار امدادگران قرار دهد. به عنوان مثال، با استفاده از تصاویر ماهواره‌ای و داده‌های اُپن‌استریت‌مپ، می‌توان مناطق آسیب‌دیده را شناسایی کرد و مسیرهای دسترسی به آن‌ها را تعیین نمود.
• مسیریابی: مدل CityFM می‌تواند در بهبود الگوریتم‌های مسیریابی مورد استفاده قرار گیرد. با در نظر گرفتن اطلاعات مربوط به ترافیک و شرایط جاده‌ها، می‌توان مسیرهای بهینه‌تری را برای کاربران پیشنهاد داد.
• توسعه کسب‌وکارها: شرکت‌ها می‌توانند از مدل CityFM برای شناسایی فرصت‌های تجاری در مناطق مختلف شهر استفاده کنند. به عنوان مثال، با تحلیل داده‌های مربوط به جمعیت و درآمد، می‌توان مکان‌های مناسبی برای افتتاح فروشگاه‌ها و رستوران‌ها را تعیین کرد.

علاوه بر این، این مقاله گامی مهم در جهت استفاده از داده‌های باز و اطلاعات جغرافیایی داوطلبانه در حوزه هوش مصنوعی است. با توجه به حجم بالای داده‌های موجود در اُپن‌استریت‌مپ و سایر منابع داده‌های باز، می‌توان انتظار داشت که در آینده شاهد پیشرفت‌های چشمگیری در این زمینه باشیم.

مقاله “مدل‌های بنیادی شهری جهت یادگیری بازنمایی‌های همه‌منظوره از اُپن‌استریت‌مپ” یک تحقیق ارزشمند و نوآورانه است که نشان می‌دهد چگونه می‌توان از مدل‌های بنیادی و داده‌های باز برای حل مسائل مربوط به شهرها استفاده کرد. مدل CityFM، با قابلیت یادگیری بازنمایی‌های جامع از عناصر مختلف شهری، می‌تواند در کاربردهای مختلفی مانند برنامه‌ریزی شهری، مدیریت بحران و مسیریابی مورد استفاده قرار گیرد. این مقاله، زمینه‌ساز تحقیقات آتی در زمینه هوش مصنوعی شهری و استفاده از داده‌های باز خواهد بود و می‌تواند به بهبود کیفیت زندگی در شهرها کمک کند. اهمیت این مقاله در این است که نشان می دهد چگونه می توان از داده های در دسترس همگان برای ایجاد راه حل های هوشمندانه و کارآمد برای مشکلات شهری استفاده کرد.