تعكس الخرائط التفاعلية التقدم التكنولوجي المذهل في تقديم المعلومات، ولكن تظل تحديات وضع تسميات النقاط داخل هذه الخرائط قائمة. تكمن الصعوبة في تحقيق التوازن بين عدة عوامل، منها صحة الأبعاد الهندسية، وكفاءة العرض، واستخدام المزايا المحلية، بالإضافة إلى استقرار الملاحظات عند تحريك الكاميرا.

في إطار سعي لتقديم حل مبتكر، تم تطوير نموذج LABELSENSE-Pilot، وهو نموذج قابل للتكرار يعزز من تجربة وضع تسميات النقاط. يوفر LABELSENSE-Pilot ثمانية خيارات تسمية لكل نقطة، حيث يخضع هذه الخيارات لتقييم باستخدام شبكة عصبية متعددة الطبقات على تلخيصات السياق الرسومي. يعتمد النظام أيضًا على نظام تحسين مختلط لتحديد التخطيط الأمثل.

ففي التجارب التي أجريت على 2500 نقطة مطار في 155 دولة، أظهر LABELSENSE-Pilot فعالية عالية، حيث حقق 85.62% من التسمية مع نسبة ومضات تبلغ 2.09% ودون أي تصادمات. وعلى الرغم من أن النموذج تناول أدنى درجات العرض بمعدل 1.43% مقارنة بنموذج البرنامج اليدوي، إلا أنه تمكن من تقليل الومضات بنسبة 12.04%.

يمكن أن تؤدي الخرائط التي تأخذ بعين الاعتبار القيود الفريدة مثل أحجام النصوص المتزايدة إلى تحسين أكثر، حيث لم تحقق أية انتهاكات للبروكسي بالمقارنة مع الأنظمة التقليدية.

تضع هذه النتائج الأسس لتوازن هندسي يمكن الاعتماد عليه، مؤكدًا على ضرورة استكشاف القضايا المتعلقة بالوصول البشري والقدرة اللغوية. قبل ذهاب النموذج إلى مراحل متقدمة، سيكون من المهم اعتماد معايير رسمية جديدة والشهادات من المشاركين.