به گزارش گروه دانشگاه خبرگزاری دانشجو، در گامی مهم در جهت بهبود ایمنی جاده‌ها، محققان دانشگاه جانز هاپکینز ابزاری مبتنی بر هوش مصنوعی توسعه داده‌اند که می‌تواند عوامل خطر مؤثر در تصادفات رانندگی در سراسر ایالات متحده را شناسایی کرده و حوادث آینده را به طور دقیق پیش‌بینی کند.
این ابزار که SafeTraffic Copilot نام دارد، قصد دارد هم تجزیه و تحلیل تصادفات و هم پیش‌بینی تصادفات را در اختیار متخصصان قرار دهد تا تعداد فزاینده مرگ و میر و جراحات ناشی از تصادفات را که هر ساله در جاده‌های ایالات متحده رخ می‌دهد، کاهش دهد.
این کار که توسط محققان دانشگاه جان هاپکینز رهبری می‌شود، در مجله Nature Communications منتشر شده است.
هائو (فرانک) یانگ، استاد مهندسی عمران و سیستم‌ها و نویسنده ارشد این مقاله، گفت: «تصادفات رانندگی در ایالات متحده، علیرغم دهه‌ها اقدامات متقابل، همچنان رو به افزایش است و اینها رویداد‌های پیچیده‌ای هستند که تحت تأثیر متغیر‌های متعددی مانند آب و هوا، الگو‌های ترافیکی و رفتار راننده قرار دارند.» «هدف ما با SafeTraffic Copilot ساده‌سازی این پیچیدگی و ارائه بینش‌های مبتنی بر داده به طراحان و سیاست‌گذاران زیرساخت‌ها برای کاهش تصادفات است.»
این تیم از نوعی هوش مصنوعی به نام مدل‌های زبان بزرگ (LLM) استفاده می‌کند که برای پردازش، درک و یادگیری از حجم عظیمی از داده‌ها طراحی شده‌اند. کمک خلبان SafeTraffic با استفاده از متن (یعنی توصیف شرایط جاده)، مقادیر عددی (یعنی سطح الکل خون)، تصاویر ماهواره‌ای و عکاسی در محل آموزش دیده است. مدل این تیم همچنین توانایی ارزیابی عوامل خطر فردی و ترکیبی را دارد و درک دقیق‌تری از نحوه تعامل این عناصر برای تأثیرگذاری بر تصادفات ارائه می‌دهد.
از نظر طراحی، SafeTraffic Copilot یک حلقه یادگیری مداوم را در خود جای داده است به طوری که عملکرد پیش‌بینی با ورود داده‌های بیشتر مربوط به تصادف به مدل بهبود می‌یابد و آن را با گذشت زمان دقیق‌تر می‌کند. مهم‌تر از آن، با استفاده از LLM ها، محققان می‌توانند میزان قابل اعتماد بودن پیش‌بینی را کمّی کنند - به عبارت دیگر، آنها می‌توانند بگویند که یک پیش‌بینی مشخص در یک سناریوی دنیای واقعی ۷۰ ٪ دقیق خواهد بود.
یانگ گفت: «با تغییر چارچوب پیش‌بینی تصادف به عنوان یک وظیفه استدلالی و استفاده از LLMها برای ادغام داده‌های نوشتاری و بصری، ذینفعان می‌توانند از آمار کلی و جزئی به درک دقیقی از علل تصادفات خاص دست یابند.»
این مدل به سیاست‌گذاران و طراحان حمل و نقل ابزاری قابل اعتماد و قابل تفسیر برای شناسایی ترکیبی از عواملی که خطر تصادف را افزایش می‌دهند، می‌دهد. سپس می‌توان از این داده‌ها برای اجرای مداخلات مبتنی بر شواهد و برنامه‌ریزی مؤثرتر زیرساخت‌ها برای نجات جان انسان‌ها و کاهش جراحات استفاده کرد.
محققان این مدل را به عنوان یک کمک خلبان برای تصمیم‌گیری انسان می‌بینند.
یانگ گفت: «به جای جایگزینی انسان‌ها، LLMها باید به عنوان کمک خلبان - پردازش اطلاعات، شناسایی الگو‌ها و تعیین کمیت خطرات - عمل کنند، در حالی که انسان‌ها همچنان تصمیم‌گیرنده نهایی هستند.»
کمک‌راننده ترافیک ایمن (SafeTraffic Copilot) این پتانسیل را دارد که به عنوان طرحی برای ادغام مسئولانه مدل‌های مبتنی بر هوش مصنوعی در زمینه‌های پرخطر، مانند بهداشت عمومی و ایمنی انسان، عمل کند. از آنجا که LLMها به عنوان مدل‌های جعبه سیاه بزرگ عمل می‌کنند، کاربران نمی‌دانند پیش‌بینی‌ها چگونه تولید می‌شوند و این امر مانع از استفاده از آنها در سناریو‌های تصمیم‌گیری پرخطر می‌شود.
این تیم قصد دارد تحقیقات خود را برای درک بهتر چگونگی استفاده مسئولانه از مدل‌های هوش مصنوعی در آن محیط‌ها ادامه دهد.
او افزود: «تمرکز اصلی تحقیقات مداوم ما یافتن بهترین راه برای ترکیب نقاط قوت انسان‌ها و LLMها است تا تصمیمات در حوزه‌های پرمخاطره نه تنها مبتنی بر داده، بلکه شفاف، پاسخگو و همسو با ارزش‌های اجتماعی نیز باشند.»
نویسندگان این مطالعه شامل هونگرو دو، استادیار دانشگاه ویرجینیا، و یانگ ژائو، پو وانگ و ییبو ژائو، نامزد‌های دکترای دانشگاه جانز هاپکینز هستند.