باحثة في MIT توظف التعلم المعزز لتحسين النقل والسياسات المرورية

تسلّط Cathy Wu، الأستاذة المشاركة في MIT، الضوء على استخدام الذكاء الاصطناعي والتعلم المعزز لتحسين أنظمة النقل المعقّدة. وتقول إن تصميم هذه الأنظمة يتطلب تحليل عشرات أو مئات أو حتى آلاف الاحتمالات، وهو ما يجعل الأدوات التقليدية غير كافية لاتخاذ قرارات قائمة على الأدلة.

بدأ اهتمام Wu بالنقل من تجربتها الشخصية مع الازدحام اليومي الذي كان يرهق والدها، ومن ألعاب مثل SimCity، ثم تطور خلال دراستها في MIT وبعدها في جامعة كاليفورنيا في بيركلي. وفي عام 2018 طبقت التعلم المعزز بنجاح على مسألة مرورية تتعلق بتأثير المركبات ذاتية القيادة في شبكات مختلفة، وهو عمل لاقى انتشارًا واسعًا.

لكن Wu تذكر أن التعلم المعزز كان حساسًا للغاية؛ فخوارزمية تنجح في مسألة قد تفشل في مسألة قريبة جدًا منها. وفي 2023، طوّر فريقها طريقة تختار المسائل التي يمكن تدريب النماذج عليها بفعالية، ما رفع كفاءة التدريب حتى 30 ضعفًا، بحيث قد تكفي ثلاثة نماذج بدلًا من 100 في بعض الحالات.

كما استخدمت أبحاثها الأخيرة التعلم المعزز في القيادة الاقتصادية، حيث أظهرت أن التحكم الذكي في سرعات المركبات لتقليل التوقف والانطلاق المتكرر قد يخفض الانبعاثات بين 11 و22 في المئة. وتعد Wu هذا مثالًا عمليًا على قدرة الذكاء الاصطناعي على دعم السياسات العامة في النقل، وتمتد تطبيقات أساليبها أيضًا إلى الخدمات اللوجستية وسلاسل الإمداد والتصنيع وتوزيع الموارد.