Google Research ve USC araştırmacıları, yapay zeka harita modellerine mekanların yalnızca ne olduğunu değil, gerçek hayatta nasıl kullanıldığını da ekleyen yeni bir çerçeve geliştirdi.
Google Research ve USC (University of Southern California) ekipleri, metin tabanlı mekan (POI) gömmelerine toplu insan hareketliliğini entegre eden yeni bir çerçeve olan ME-POIs‘i (Mobility-Embedded POIs) duyurdu. Geleneksel dil modelleri bir mekanın kategorisini ve adresini tanımlayabilirken, o mekanın gün içinde nasıl bir sirkülasyona sahip olduğunu kaçırabiliyor. Örneğin, aynı kategorideki iki kafeden biri hızlı bir işe gidiş trafiği yaşarken, diğeri müşterileri uzun süre ağırlayabiliyor. ME-POIs, bu sorunu çözmek için insan ziyaretlerini bağlamsal vektörlere kodluyor.
Sistem; koordinatları işlemek için Space2Vec, varış ve ayrılış zamanlarını ayrı ayrı ele almak için ise iki adet Time2Vec kodlayıcısı kullanıyor. Bu veriler 4 katmanlı, 8 başlıklı bir Transformer mimarisinden geçerek ziyaret gömmelerini oluşturuyor. Los Angeles (39.557 POI, 6,9 milyon ziyaret) ve Houston (28.419 POI, 715.604 ziyaret) veri setleri üzerinde yapılan testlerde, ME-POIs entegrasyonu Los Angeles’taki 35 model-görev eşleşmesinin 34’ünde başarıyı artırdı. Ziyaret niyetinde (visit intent) %81.9 oranında F1 skoru artışı, yoğunluk (busyness) tahmininde ise %24.7 MAE düşüşü elde edildi.
Çerçevenin en dikkat çekici yönlerinden biri, metin hizalaması olmaksızın yalnızca hareketlilik verileriyle eğitilen modelin, fiyat seviyesi sınıflandırmasında Gemini gömmelerini geride bırakması oldu. Yaklaşık 53,7 milyon parametreye sahip model, tek bir NVIDIA Tesla V100 GPU üzerinde eğitilebiliyor. Google Research henüz kod veya ağırlık paylaşmasa da, yayımlanan makale harita teknolojileri ve konum tabanlı yapay zeka uygulamaları için yeni bir standart sunuyor.
Görsel ve haber kaynağı: MarkTechPost