في عالم الشحن القطبي، يُعتبر الذكاء الاصطناعي (Artificial Intelligence) أداةً حيوية لمساعدتنا على التكيف مع الظروف البحرية المتغيرة بشكل سريع. بمجرد أن يتم تنفيذ هذا النوع من الذكاء الاصطناعي بشكل موثوق، يمكن أن يحدث ثورة في طريقة تعاملنا مع حركة السفن في المناطق القطبية. إحدى الأدوات الأساسية المستخدمة في هذا المجال هي التعلم العكسي (Inverse Reinforcement Learning - IRL)، والذي يساعد في فهم كيفية تقييم السفن لرحلاتها بناءً على بيئاتها.

ومع ظهور طرق جديدة مثل التعلم العكسي الميتا (meta-IRL)، تم إدخال متغيرات السياق الكامن (latent context variables) لتحسين قدرة النماذج على فهم التنوع السلوكي. لكن هناك تساؤلات ملحة تدور حول مدى قدرة هذه النماذج على استعادة تفضيلات مخفية بالفعل أو ما إذا كانت تعيد ترميز المعلومات المتاحة فقط.

في دراسة حديثة، أجرينا تقييمًا مُراقبًا على 3186 رحلة من نظام AIS من 202 سفينة عبر تسع مواسم شحن قطبي، حيث تم مقارنة نماذج مختلفة: مكافأة مشتركة خطية، وأخرى غير خطية، ونموذج قائم على السياق الكامن. أظهرت النتائج أن استخدام المكافأة غير الخطية قد حقق تحسينًا بنسبة 50.9% مقارنة بالنموذج الخطي. في حين أن إضافة السياق الكامن الخاص بالسفينة قد أضعف الأداء بنسبة 16.5%.

تكشف التحليلات السلوكية والاختبارات الميدانية أن الفروقات الظاهرة على مستوى السفينة يمكن تفسيرها إلى حد كبير من خلال ظروف الطريق والبيئة بدلاً من عوامل مخفية. علاوة على ذلك، أظهرت دقة التنبؤ وموثوقية المسار والتحويل المكافئ تباينًا في تقييم النماذج، مما يوضح أن لا مقياس واحد يكفي لتقييم المكافآت المستفادة.

تشجع هذه النتائج الباحثين على اختبار ما إذا كانت الميزاتobservableroute والبيئة والسفينة قد تفسر بالفعل تنوع السلوك قبل إضافة سياق كامن خاص بالسفينة. هذا الدعم مطلوب من أجل نشر الذكاء الاصطناعي بشكل أكثر موثوقية في المجالات الحرجة للسلامة.