MIT با کمک ۲٫۱ میلیون‌دلاری Google.org پلتفرم هوش مصنوعی حمل‌ونقل عمومی می‌سازد

هوش مصنوعی حمل‌ونقل عمومی محور پروژه‌ای تازه در MIT Transit Lab است که با حمایت ۲٫۱ میلیون‌دلاری Google.org توسعه می‌یابد. این پروژه سه‌ساله با نام Public Transit Intelligence Hub یا PTIQ می‌خواهد اطلاعاتی را که اکنون در سامانه‌های جداگانه سازمان‌های حمل‌ونقل نگهداری می‌شوند، در یک بستر واحد گرد هم آورد تا کارکنان مراکز کنترل بتوانند وضعیت شبکه را بهتر ارزیابی کنند و اطلاعات دقیق‌تری در اختیار مسافران بگذارند. با این حال، طراحان پروژه تأکید دارند که هدف، سپردن تصمیم‌های عملیاتی به هوش مصنوعی نیست؛ کارکنان انسانی همچنان تصمیم‌گیرنده خواهند بود.

پروژه MIT برای پیوند دادن سامانه‌های پراکنده

Google.org، بازوی بشردوستانه Google، در ۱۵ سپتامبر اعلام کرد که MIT Transit Lab یکی از ۱۵ دریافت‌کننده حمایت در رقابت جهانی Google.org Impact Challenge: AI for Government Innovation است. مبلغی که به پروژه MIT اختصاص یافته، ۲٫۱ میلیون دلار است و قرار است هزینه‌های اجرای برنامه‌ای سه‌ساله را پشتیبانی کند. افزون بر کمک مالی، Google.org اعلام کرده مهندسان و متخصصان محصولات هوش مصنوعی خود را نیز به‌صورت مشاوره‌ای و بدون دریافت هزینه در اختیار پروژه می‌گذارد.

PTIQ برای سازمان‌های حمل‌ونقل عمومی طراحی شده است؛ سازمان‌هایی که کارکنانشان باید به‌طور پیوسته درباره عملیات، کنترل ناوگان و اطلاع‌رسانی به مسافران تصمیم بگیرند. به گفته تیم پروژه، مراکز کنترل این سازمان‌ها با داده‌های متنوعی سروکار دارند: از موقعیت وسایل نقلیه و شرایط خیابان‌ها گرفته تا تصاویر دوربین‌های ایستگاه‌ها، وضعیت مسافران و پیام‌های رادیویی. مشکل این است که این اطلاعات معمولاً از مسیرهای جداگانه می‌رسند و تصویر یکپارچه‌ای از وضعیت کل شبکه نمی‌سازند.

پلتفرم پیشنهادی قرار است پایش لحظه‌ای، کنترل عملیات و ارتباط با مسافران را به یک رابط متمرکز پیوند دهد. منظور از «لحظه‌ای» در اینجا اطلاعاتی است که با تغییر وضعیت شبکه به‌روزرسانی می‌شود و می‌تواند به کارکنان در فهم سریع‌تر رویدادها کمک کند. طبق توضیحات MIT، کارمندان مراکز کنترل با این ابزار باید بتوانند داده‌ها را در ارتباط با یکدیگر ببینند، نه اینکه برای بررسی هر بخش به صفحه یا سامانه‌ای جداگانه مراجعه کنند.

هوش مصنوعی به‌عنوان ابزار پشتیبان، نه تصمیم‌گیرنده

در طراحی PTIQ چند نوع ابزار هوش مصنوعی در کنار هم به کار گرفته می‌شود: مدل‌های پیش‌بینی، موتورهای بهینه‌سازی و استدلال زمینه‌ای مبتنی بر مدل‌های زبانی بزرگ. مدل پیش‌بینی می‌تواند برآوردهایی درباره وضعیت‌های پیش‌رو فراهم کند؛ ابزار بهینه‌سازی برای مقایسه گزینه‌های عملیاتی به کار می‌رود؛ و مدل زبانی بزرگ می‌تواند اطلاعات و زمینه‌های مختلف را در قالبی قابل‌استفاده‌تر کنار هم قرار دهد. این اجزا قرار است به کارکنان کمک کنند تا داده‌های پراکنده را سریع‌تر بررسی کنند، نه اینکه جایگزین قضاوت آن‌ها شوند.

اواد عبدالرحیم، معاون مدیر Transit Lab و یکی از مدیران اصلی PTIQ، گفته است که مقصود پروژه خودکارسازی تصمیم‌های کارکنان نیست. به گفته او، هدف این است که اطلاعات موردنیاز در اختیار کسانی قرار بگیرد که در لحظه درباره عملیات و اطلاع‌رسانی تصمیم می‌گیرند. در موقعیت‌های پیچیده، یک انتخاب ممکن است بر مسافران، کارکنان و بخش‌های مختلف شبکه اثر بگذارد؛ از این رو، تیم پروژه تصمیم نهایی را به نیروی انسانی واگذار می‌کند.

این رویکرد با تأکید جین‌هوا ژائو، استاد برنامه‌ریزی شهری و حمل‌ونقل MIT و یکی دیگر از پژوهشگران اصلی پروژه، هم‌راستاست. او گفته است که ارزیابی هوش مصنوعی در خدمات عمومی فقط با آزمون‌های فنی انجام نمی‌شود. سامانه باید در محیط واقعی سازمان و در روند کار کارکنان قابل استفاده باشد و اعتماد آن‌ها را به دست آورد. از نگاه ژائو، پرسش فقط این نیست که یک سامانه می‌تواند کاری را انجام دهد یا نه؛ بلکه باید سنجید که آیا آن سامانه در ساختار یک سازمان حمل‌ونقل هم کار می‌کند و کارکنان می‌توانند به آن اتکا کنند یا خیر.

آزمون هوش مصنوعی در محیط واقعی خدمات عمومی

تیم MIT می‌گوید سال‌ها همکاری پژوهشی کاربردی با سازمان‌های حمل‌ونقل در شهرهایی مانند واشنگتن، شیکاگو، لندن، بوستون، توکیو و هنگ‌کنگ پشتوانه این پروژه است. این همکاری‌ها به گفته ژائو نشان داده‌اند که کاربست هوش مصنوعی در حمل‌ونقل فقط مسئله فناوری نیست و باید تفاوت‌های سازمانی و شیوه کار کارکنان را نیز در نظر گرفت.

عبدالرحیم همچنین به تفاوت میان آزمون‌های رایج هوش مصنوعی و موقعیت‌های عملیاتی اشاره کرده است. بسیاری از ارزیابی‌های مدل‌ها بر کارهایی با پاسخ روشن و قابل‌اندازه‌گیری، مانند حل مسئله ریاضی یا تولید کد، تکیه دارند. اما مدیریت خدمات حمل‌ونقل عمومی می‌تواند چندین ذی‌نفع داشته باشد و در آن، یک پاسخ واحد و بی‌چون‌وچرا وجود نداشته باشد. وضعیت شبکه نیز با تغییر شرایط مکانی و زمانی دگرگون می‌شود. به همین دلیل، تیم پروژه این محیط را بستری مهم برای سنجش ارزش عملی سامانه‌های هوش مصنوعی می‌داند.

مسئولان PTIQ امیدوارند اتصال داده‌ها به بهبود تجربه کارکنان و مسافران کمک کند و واکنش سازمان‌ها به اختلال‌ها و رویدادهای پیش‌بینی‌نشده را کارآمدتر سازد. جیم آلوسی، مدیر برنامه PTIQ و مدیر Transit Research Consortium، از کاهش زمان واکنش، کمتر شدن ازدحام در سکوها و ایستگاه‌های اتوبوس و ارائه اطلاعات به‌موقع‌تر و باکیفیت‌تر به مسافران به‌عنوان نتایج مورد انتظار نام برده است. این موارد اهداف پروژه‌اند و در اعلام MIT به‌عنوان دستاوردهای تحقق‌یافته معرفی نشده‌اند.

در ساخت پروژه، Transit Research Consortium نیز مشارکت دارد؛ مجموعه‌ای که پژوهشگران Transit Lab، ابتکار MIT Mobility Initiative و Northeastern University را گرد هم می‌آورد. هاریس کوتسوپولوس، استاد Northeastern University، هدایت بخش مربوط به این دانشگاه را بر عهده دارد. آلوسی مدیریت برنامه را انجام می‌دهد و ژائو و عبدالرحیم از پژوهشگران اصلی پروژه هستند.

از کمک مالی تا اعتماد سازمانی

Google.org این حمایت را بخشی از رقابتی معرفی کرده که به سازمان‌های غیردولتی، بنگاه‌های اجتماعی و نهادهای دانشگاهی برای به‌کارگیری هوش مصنوعی در خدمات عمومی کمک می‌کند. حوزه‌های مورد توجه این رقابت، بنا بر اعلام این سازمان، موضوعاتی مانند سلامت، تاب‌آوری و اقتصاد را دربر می‌گیرد. مگی جانسون، مدیر جهانی Google.org، گفته است که میان ظرفیت وعده‌داده‌شده هوش مصنوعی و استفاده عملی از آن در خدمات عمومی فاصله وجود دارد و حمایت مالی و مشاوره متخصصان می‌تواند به گروه‌های نزدیک به مسائل واقعی برای آزمودن راه‌حل‌ها کمک کند.

در پروژه MIT، چالش مهم فقط ساخت یک رابط یا کنار هم قراردادن مدل‌ها نیست. PTIQ باید اطلاعاتی را به شکلی ارائه کند که در جریان کار روزانه کارکنان قابل استفاده باشد و به آن‌ها در سنجیدن گزینه‌های مختلف کمک کند. از آنجا که کارکنان مراکز کنترل با تصمیم‌هایی سروکار دارند که بر حرکت وسایل نقلیه و تجربه مسافران اثر می‌گذارد، اعتماد به کیفیت و ارتباط اطلاعات با وضعیت واقعی اهمیت دارد. تیم پروژه می‌گوید همین پیوند میان هوش ماشینی و قضاوت انسانی را در مرکز طراحی قرار داده است.

این خبر برای چه کسانی اهمیت دارد

پروژه PTIQ برای سازمان‌های حمل‌ونقل عمومی و کارکنانی اهمیت دارد که باید اطلاعات عملیاتی و ارتباط با مسافران را در شرایط متغیر مدیریت کنند. اگر رویکرد پیشنهادی MIT به نتیجه برسد، این سازمان‌ها می‌توانند یک تصویر متمرکزتر از وضعیت شبکه در اختیار داشته باشند و پاسخ‌های خود به اختلال‌ها را با تکیه بر اطلاعات منسجم‌تری آماده کنند؛ هرچند تصمیم نهایی همچنان با کارکنان خواهد بود.

این خبر همچنین برای پژوهشگران و توسعه‌دهندگان هوش مصنوعی مهم است، زیرا نشان می‌دهد ارزیابی یک سامانه در خدمات عمومی به دقت فنی محدود نمی‌شود. سازگاری با نهادها، شیوه کار نیروی انسانی و اعتماد کاربران هم بخشی از مسئله است. برای مسافران نیز اهمیت پروژه در هدف اعلام‌شده آن خلاصه می‌شود: اطلاعات دقیق‌تر و سریع‌تر و مدیریت بهتر موقعیت‌هایی که ممکن است سفر روزمره را مختل کنند. تحقق این مزایا به اجرای پروژه و ارزیابی آن در محیط واقعی وابسته خواهد بود.