Rewolucja w planowaniu podróży: Jak MIT i IBM wykorzystują sztuczną inteligencję do tworzenia inteligentniejszych planów podróży

Każdy, kto planował dużą podróż, zna to uczucie - tuzin otwartych kart, notowanie cen lotów, opcji hotelowych, wymyślanie idealnego planu dnia... i zastanawianie się, czy istnieje łatwiejszy sposób. Przez lata biura podróży były ekspertami, którzy potrafili powiązać wszystkie te szczegóły i zaprowadzić porządek w chaosie. Teraz, gdy sztuczna inteligencja z dnia na dzień staje się coraz inteligentniejsza, naturalne jest zastanawianie się: czy AI może w końcu złamać kod do płynnego, spersonalizowanego planowania podróży?

Duże modele językowe - takie jak GPT-4 lub Claude-3 - mogą rozmawiać w prostym języku angielskim, podsumowywać ogromne ilości informacji, a nawet żonglować wieloma preferencjami użytkownika jednocześnie. Kuszące jest wyobrażenie sobie jednego z tych cyfrowych pilotów budujących od podstaw idealne wakacje. Rzeczywistość jest jednak bardziej skomplikowana. Choć modele te są elastyczne, to często potykają się, gdy mają do czynienia z drobnymi ograniczeniami - czasowymi, budżetowymi, logistycznymi - które oddzielają wymarzone podróże od wykonalnych planów podróży. W rzeczywistości, ostatnie badania wykazały, że nawet po wzmocnieniu za pomocą wymyślnych narzędzi i danych zewnętrznych, sztuczna inteligencja jest w stanie dostarczyć naprawdę realne plany podróży tylko w około 4% przypadków. Najwyraźniej jest miejsce na rozwój.

Inny rodzaj asystenta AI

Do akcji wkroczył zespół badawczy z MIT i MIT-IBM Watson AI Lab, który spojrzał na ten problem z innej perspektywy. Dlaczego nie potraktować planowania podróży mniej jak kreatywnego ćwiczenia pisarskiego, a bardziej jak klasyczną łamigłówkę, w której trzeba dopasować do siebie dziesiątki ograniczeń? Jest to podstawowa idea optymalizacji kombinatorycznej, dziedziny poświęconej znajdowaniu najlepszego rozwiązania, gdy istnieje niezliczona liczba możliwych “właściwych” odpowiedzi, ale tylko kilka, które zaznaczają wszystkie pola.

Zespół zaprojektował system, który pozwala sztucznej inteligencji odgrywać rolę tłumacza, a nie głównego planisty. Wysłuchuje ona twoich próśb i dowiaduje się, czego chcesz w prostym języku, a następnie przekazuje sprawy potężnemu rozwiązaniu matematycznemu zwanemu solverem SMT (satisfiability modulo theories). Narzędzie to sprawdza, czy żądania - hotel blisko centrum miasta, niedroga kolacja, brak lotów w obie strony - mogą realistycznie pasować do siebie. Jeśli tak, odsyła odpowiedź, a sztuczna inteligencja przekłada ją na plan podróży, z którego można faktycznie skorzystać. Proces ten łączy analizowanie języka naturalnego, wywołania danych API i logikę solvera, iterując, aż plan zadziała dla Ciebie.

Imponujące wyniki

Zespół MIT nie poprzestał na hipotezach - poddał swój nowy system poważnym testom. Korzystając z rzeczywistych danych i trudnych scenariuszy z testów porównawczych planowania podróży, porównali swoje podejście nie tylko z modelami językowymi działającymi samodzielnie, ale także z wersjami zasilanymi przez wyspecjalizowane narzędzia wyszukiwania lub algorytmy optymalizujące koszty. Różnica była wyraźna: ich hybrydowa konfiguracja odniosła sukces w ponad 90% przypadków, znacznie przewyższając każdą inną metodę. Dopracowanie sposobu formatowania żądań - w tym przypadku poprzez nadanie im struktury JSON - jeszcze bardziej poprawiło wskaźnik zaliczenia.

Nie ułatwili też pracy swojemu oprogramowaniu. Niektóre testowe zestawy danych zostały specjalnie zaprojektowane tak, aby zaskoczyć nawet inteligentne algorytmy, z celowo sprzecznymi wymaganiami i zmiennymi, które zaskoczyłyby większość planistów. Jednak nawet wtedy system osiągał wskaźniki sukcesu przekraczające 85% i często mógł odzyskać równowagę dzięki niewielkim poprawkom w locie. Kolejna zaleta: system z wdziękiem radził sobie ze zmienionymi lub uporządkowanymi pytaniami, wykazując imponującą elastyczność.

Znacznie więcej niż planowanie wakacji

Choć jest to obiecujące dla podróżników, grupa z MIT podejrzewa, że najbardziej ekscytujące zastosowania są jeszcze przed nami. To samo hybrydowe podejście wykazało rzeczywiste wyniki w logistyce magazynowej, przydzielaniu zadań zespołom robotów, a nawet klasycznych wyzwaniach matematycznych, takich jak “problem podróżującego komiwojażera”. Ostatecznie, połączenie zdolności adaptacyjnych modeli językowych z precyzją rozwiązań matematycznych może pomóc każdemu w stawieniu czoła złożonym wyzwaniom związanym z planowaniem - bez konieczności posiadania głębokiej wiedzy technicznej. Jest to spojrzenie na to, jak przyszłe narzędzia cyfrowe mogą sprawić, że zniechęcające rzeczywiste problemy staną się bardziej ludzkie - i o wiele mniej przytłaczające.

Przeczytaj całą historię na stronie MIT News.