چگونه تحرک انسانی به مدل‌های زبانی درک عمیق‌تری از مکان‌ها می‌دهد
پژوهشگران گوگل فریم‌ورک جدیدی به نام ME-POIs معرفی کرده‌اند که با ترکیب الگوهای تحرک و توصیفات متنی، دقت مدل‌های هوش مصنوعی را در پیش‌بینی ویژگی‌های دنیای واقعی بهبود می‌بخشد.
هوش مصنوعی برای درک جهان فیزیکی باید فراتر از کلمات برود و ریتم عملکردی واقعی محیط‌های ساخته‌شده را درک کند. فریم‌ورک Mobility-Embedded POIs الگوهای تحرک ناشناس و تجمیع‌شده را با توصیفات متنی ترکیب می‌کند تا یک بردار عددی فراگیر از مکان‌ها ایجاد کند.
این فریم‌ورک با استفاده از مکانیزم انتشار مقیاس‌پذیر فضایی، مشکل کمبود داده برای مکان‌های محلی کوچک را حل می‌کند و ویژگی‌های رفتاری مناطق پرتردد را به مکان‌های خلوت‌تر منتقل می‌کند. نتایج ارزیابی‌ها نشان می‌دهد که ادغام این داده‌های تحرک با مدل‌های متنی، بهبود قابل‌توجهی در پیش‌بینی قصد بازدید، سطح قیمت و میزان شلوغی مکان‌ها ایجاد می‌کند.
این رویکرد گامی در جهت ایجاد مدل‌های هوش مصنوعی است که ریتم شهرها را بهتر درک کرده و بار محاسباتی سیستم‌های پایین‌دستی را کاهش دهند.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.