تحسين تخطيط الرحلة المستندة إلى LLM
كتب – المحرر الإفتراضي
تتضمن العديد من مهام التخطيط في العالم الحقيقي قيودًا “كمية” أصعب (على سبيل المثال ، الميزانيات أو متطلبات الجدولة) والأهداف “النوعية” الأكثر ليونة (على سبيل المثال ، تفضيلات المستخدم المعبر عنها في اللغة الطبيعية). النظر في شخص يخطط لقضاء عطلة لمدة أسبوع. عادةً ما يخضع هذا التخطيط لقيود مختلفة قابلة للقياس الكمي ، مثل الميزانية ، واللوجستيات السفر ، ومناطق الجذب الزيارة فقط عندما تكون مفتوحة ، بالإضافة إلى عدد من القيود التي تستند إلى المصالح الشخصية والتفضيلات التي لا يمكن قياسها بسهولة.
يتم تدريب نماذج اللغة الكبيرة (LLMS) على مجموعات بيانات ضخمة وتستوعب قدرًا مثيرًا للإعجاب من المعرفة العالمية ، بما في ذلك فهم التفضيلات البشرية النموذجية. على هذا النحو ، فهي جيدة بشكل عام في مراعاة الأجزاء غير المحددة من تخطيط الرحلة ، مثل الوقت المثالي لزيارة منظر خلاب أو ما إذا كان المطعم صديقًا للطفل. ومع ذلك ، فهي أقل موثوقية في التعامل مع القيود اللوجستية الكمية ، والتي قد تتطلب معلومات مفصلة ومحدثة في العالم (على سبيل المثال ، أسعار الحافلات ، جداول القطار ، وما إلى ذلك) أو متطلبات التفاعل المعقدة (على سبيل المثال ، تقليل السفر عبر عدة أيام). ونتيجة لذلك ، يمكن أن تشمل الخطط التي تم إنشاؤها في LLM في بعض الأحيان عناصر غير عملية ، مثل زيارة المتحف الذي سيتم إغلاقه بحلول الوقت الذي يمكنك فيه السفر إلى هناك.
لقد قدمنا مؤخرًا أفكار رحلة الذكاء الاصطناعى في البحث ، وهي ميزة تقترح مسارات يوميًا استجابةً لاستفسارات تخطيط الرحلات. في هذه المدونة ، وصفنا بعض العمل الذي ذهب للتغلب على أحد التحديات الرئيسية في إطلاق هذه الميزة: ضمان مسارات المنتجات المنتجة عملية ومجدية. يستخدم حلنا نظامًا هجينًا يستخدم LLM لاقتراح خطة أولية جنبًا إلى جنب مع خوارزمية تعمل بشكل مشترك على التشابه مع خطة LLM وعوامل العالم الحقيقي ، مثل وقت السفر وساعات العمل. يدمج هذا النهج قدرة LLM على التعامل مع المتطلبات الناعمة بدقة الخوارزمية اللازمة لتلبية القيود اللوجستية الصلبة.
