في خطوة غير مسبوقة نحو تحسين تقنيات الترميز الجغرافي، قدّم الباحثون دراسة جديدة تتعلق بإطار ReaGeo، والذي يعتمد بشكل كامل على نماذج اللغة الضخمة (Large Language Models). يعكس ReaGeo رغبة عميقة في التغلب على القيود التقليدية التي تعاني منها الأساليب متعددة المراحل، والتي تعتمد على استرجاع النصوص أو التشابه في المتجهات من قواعد البيانات الجغرافية.

تتميز هذه الأساليب القديمة بعمق تعقيد العمل، وعمليات نقل الخطأ، والاكتفاء الاعتماد على قواعد المعرفة الجغرافية الهيكلية، مما يقلل من دقة النتائج. يستخدم نموذج ReaGeo طريقة جديدة لتحويل الإحداثيات الجغرافية إلى تسلسلات geohash، مما يعيد صياغة مهمة توقع الإحداثيات كمشكلة جيل نصي.

كما أن النموذج يدمج آلية Chain-of-Thought، والتي تعزز من قدرة النموذج على التفكير النقدي في العلاقات المكانية. وبفضل استخدام التعلم المعزز مع مكافأة تعتمد على انحراف المسافة، يتم تحسين دقة التوقعات بشكل كبير.

أظهرت التجارب الشاملة أن ReaGeo يمكنه التعامل بفعالية مع استفسارات العناوين الصريحة بدقة عالية في التوقعات الأحادية النقطة، كما أنه قادر على معالجة استفسارات المواقع النسبية غير الواضحة. بالإضافة إلى ذلك، يتمتع النموذج بقدرة تنبؤية قوية للمناطق الهندسية غير النقاطية، مما يبرز تعدديته وقدرته على التعميم في مهام الترميز الجغرافي.

هل أنت من المهتمين بالتطورات في تقنيات الذكاء الاصطناعي؟ ما هي أفكاركم حول هذا الابتكار الجديد؟ شاركونا في التعليقات!