تعد أنظمة القيادة الذاتية عرضة بشكل كبير للظواهر النادرة وغير الاعتيادية التي لا تتناسب مع البيانات المتاحة. ورغم أن نماذج اللغات الضخمة (Large Language Models) قد ظهرت كأدوات واعدة في فهم سياقات القيادة، إلا أن استخدامها في اكتشاف الشذوذ لا يزال مقيدًا بطرق مبتكرة وغير موثوقة. هنا يأتي دور النموذج الجديد SAVANT (أداة للتحقق من الشذوذ الساكن وتحليله) والذي يقدم إطار عمل جديد مخصص للتفكير القائم على الدلالات.

يعمل SAVANT من خلال إعادة صياغة مهمة اكتشاف الشذوذ من خلال التحقق من اتساق دلالي منظم، مما يمكّن أنظمة القيادة الذاتية من تجاوز قيود النماذج التقليدية. يتضمن هذا النظام خط أنابيب من مرحلتين يتضمن استخراج وصف منهجي للمنظر وتقييم متعدد الأبعاد، مما يحسن من أداء نماذج اللغات الضخمة في الكشف عن سيناريوهات القيادة الشاذة.

عند تطبيق SAVANT، شهدنا تحسينًا ملحوظًا في دقة الكشف، حيث زاد معدل التذكر لعمليات الكشف عن الشذوذ بنسبة 18.5% مقارنة بالطرق التقليدية. وقد ساعد هذا النموذج في إنشاء قاعدة بيانات تشمل حوالي 10,000 صورة حقيقية مما يزيد من موثوقية الأداء. تم استخدام هذه البيانات لتعديل نموذج مفتوح المصدر وزيادة معدل التذكر والدقة إلى 90.8% و93.8% على التوالي، مما يتجاوز كل النماذج التي تم اختبارها، مع إمكانية النشر المحلي بتكاليف شبه معدومة.

من خلال الجمع بين التفكير الدلالي المنظم ورعاية البيانات القابلة للتوسع، يوفر SAVANT حلاً عمليًا لندرة البيانات في اكتشاف الشذوذ الساكن لأنظمة القيادة الذاتية. لنتعرف أكثر على هذا التطور الثوري في عالم الذكاء الاصطناعي والقيادة الذاتية.