يشهد العالم تقدمًا هائلًا في تطبيقات الذكاء الاصطناعي، ولا سيما في مجالات المدن الذكية. يصبح الذكاء الاصطناعي القائم على النماذج اللغوية الضخمة (Large Language Models) جزءًا لا يتجزأ من تطوير هذه البيئات، مما يعزز من قدرتها على التكيف مع التغييرات المستمرة.

على الرغم من الفوائد العديدة، تواجه هذه النماذج بعض القيود، إذ تعتمد فقط على المعلومات المتاحة وقت التدريب. ويُعد تحديث هذه النماذج عملية طويلة وصعبة، مما يشير إلى ضرورة تطوير أساليب أكثر مرونة.

استطاعت تقنية إعادة التوليد المدعومة بالمعلومات (Retrieval Augmented Generation - RAG) إثبات فعاليتها كأفضل وسيلة لإدخال المعلومات السياقية في النماذج الأساسية. ومع ذلك، فإن البنى التقليدية لهذه التقنية التي تعتمد على قواعد البيانات الدلالية أو الرسوم البيانية للمعرفة قد لا تلبي احتياجات البيئات الحضرية المعقدة.



تُعرف هذه البيئات بأنها نظم معقدة تتميز بكميات كبيرة من البيانات المترابطة التي تتطلب تحديثات متكررة، فضلاً عن ضرورة المعالجة في الوقت الحقيقي. لذا، اقترح الباحثون هيكلية RAG زمنية وفضائية جديدة تُحدد المكونات اللازمة لدمج الذكاء الاصطناعي التوليدي بفعالية في المدن، مع الاستفادة من قدرات ترشيح البيانات الزمنية والمكانية.

تم تنفيذ الهيكلية المقترحة باستخدام FIWARE، وهو نظام بيئي من مكونات البرمجيات المخصصة لتطوير حلول المدن الذكية والتوائم الرقمية. كما تم استعراض التصميم والتنفيذ من خلال حالة استخدام تساعد السياح في مدينة مدريد، مما يعطي مصداقية لتكامل النماذج الأساسية من خلال الهيكلية المقترحة.RAG