Ka\u017cdy, kto planowa\u0142 du\u017c\u0105 podr\u00f3\u017c, zna to uczucie - tuzin otwartych kart, notowanie cen lot\u00f3w, opcji hotelowych, wymy\u015blanie idealnego planu dnia... i zastanawianie si\u0119, czy istnieje \u0142atwiejszy spos\u00f3b. Przez lata biura podr\u00f3\u017cy by\u0142y ekspertami, kt\u00f3rzy potrafili powi\u0105za\u0107 wszystkie te szczeg\u00f3\u0142y i zaprowadzi\u0107 porz\u0105dek w chaosie. Teraz, gdy sztuczna inteligencja z dnia na dzie\u0144 staje si\u0119 coraz inteligentniejsza, naturalne jest zastanawianie si\u0119: czy AI mo\u017ce w ko\u0144cu z\u0142ama\u0107 kod do p\u0142ynnego, spersonalizowanego planowania podr\u00f3\u017cy?<\/p>\n
Du\u017ce modele j\u0119zykowe - takie jak GPT-4 lub Claude-3 - mog\u0105 rozmawia\u0107 w prostym j\u0119zyku angielskim, podsumowywa\u0107 ogromne ilo\u015bci informacji, a nawet \u017conglowa\u0107 wieloma preferencjami u\u017cytkownika jednocze\u015bnie. Kusz\u0105ce jest wyobra\u017cenie sobie jednego z tych cyfrowych pilot\u00f3w buduj\u0105cych od podstaw idealne wakacje. Rzeczywisto\u015b\u0107 jest jednak bardziej skomplikowana. Cho\u0107 modele te s\u0105 elastyczne, to cz\u0119sto potykaj\u0105 si\u0119, gdy maj\u0105 do czynienia z drobnymi ograniczeniami - czasowymi, bud\u017cetowymi, logistycznymi - kt\u00f3re oddzielaj\u0105 wymarzone podr\u00f3\u017ce od wykonalnych plan\u00f3w podr\u00f3\u017cy. W rzeczywisto\u015bci, ostatnie badania wykaza\u0142y, \u017ce nawet po wzmocnieniu za pomoc\u0105 wymy\u015blnych narz\u0119dzi i danych zewn\u0119trznych, sztuczna inteligencja jest w stanie dostarczy\u0107 naprawd\u0119 realne plany podr\u00f3\u017cy tylko w oko\u0142o 4% przypadk\u00f3w. Najwyra\u017aniej jest miejsce na rozw\u00f3j.<\/p>\n
Do akcji wkroczy\u0142 zesp\u00f3\u0142 badawczy z MIT i MIT-IBM Watson AI Lab, kt\u00f3ry spojrza\u0142 na ten problem z innej perspektywy. Dlaczego nie potraktowa\u0107 planowania podr\u00f3\u017cy mniej jak kreatywnego \u0107wiczenia pisarskiego, a bardziej jak klasyczn\u0105 \u0142amig\u0142\u00f3wk\u0119, w kt\u00f3rej trzeba dopasowa\u0107 do siebie dziesi\u0105tki ogranicze\u0144? Jest to podstawowa idea optymalizacji kombinatorycznej, dziedziny po\u015bwi\u0119conej znajdowaniu najlepszego rozwi\u0105zania, gdy istnieje niezliczona liczba mo\u017cliwych \u201cw\u0142a\u015bciwych\u201d odpowiedzi, ale tylko kilka, kt\u00f3re zaznaczaj\u0105 wszystkie pola.<\/p>\n
Zesp\u00f3\u0142 zaprojektowa\u0142 system, kt\u00f3ry pozwala sztucznej inteligencji odgrywa\u0107 rol\u0119 t\u0142umacza, a nie g\u0142\u00f3wnego planisty. Wys\u0142uchuje ona twoich pr\u00f3\u015bb i dowiaduje si\u0119, czego chcesz w prostym j\u0119zyku, a nast\u0119pnie przekazuje sprawy pot\u0119\u017cnemu rozwi\u0105zaniu matematycznemu zwanemu solverem SMT (satisfiability modulo theories). Narz\u0119dzie to sprawdza, czy \u017c\u0105dania - hotel blisko centrum miasta, niedroga kolacja, brak lot\u00f3w w obie strony - mog\u0105 realistycznie pasowa\u0107 do siebie. Je\u015bli tak, odsy\u0142a odpowied\u017a, a sztuczna inteligencja przek\u0142ada j\u0105 na plan podr\u00f3\u017cy, z kt\u00f3rego mo\u017cna faktycznie skorzysta\u0107. Proces ten \u0142\u0105czy analizowanie j\u0119zyka naturalnego, wywo\u0142ania danych API i logik\u0119 solvera, iteruj\u0105c, a\u017c plan zadzia\u0142a dla Ciebie.<\/p>\n
Zesp\u00f3\u0142 MIT nie poprzesta\u0142 na hipotezach - podda\u0142 sw\u00f3j nowy system powa\u017cnym testom. Korzystaj\u0105c z rzeczywistych danych i trudnych scenariuszy z test\u00f3w por\u00f3wnawczych planowania podr\u00f3\u017cy, por\u00f3wnali swoje podej\u015bcie nie tylko z modelami j\u0119zykowymi dzia\u0142aj\u0105cymi samodzielnie, ale tak\u017ce z wersjami zasilanymi przez wyspecjalizowane narz\u0119dzia wyszukiwania lub algorytmy optymalizuj\u0105ce koszty. R\u00f3\u017cnica by\u0142a wyra\u017ana: ich hybrydowa konfiguracja odnios\u0142a sukces w ponad 90% przypadk\u00f3w, znacznie przewy\u017cszaj\u0105c ka\u017cd\u0105 inn\u0105 metod\u0119. Dopracowanie sposobu formatowania \u017c\u0105da\u0144 - w tym przypadku poprzez nadanie im struktury JSON - jeszcze bardziej poprawi\u0142o wska\u017anik zaliczenia.<\/p>\n
Nie u\u0142atwili te\u017c pracy swojemu oprogramowaniu. Niekt\u00f3re testowe zestawy danych zosta\u0142y specjalnie zaprojektowane tak, aby zaskoczy\u0107 nawet inteligentne algorytmy, z celowo sprzecznymi wymaganiami i zmiennymi, kt\u00f3re zaskoczy\u0142yby wi\u0119kszo\u015b\u0107 planist\u00f3w. Jednak nawet wtedy system osi\u0105ga\u0142 wska\u017aniki sukcesu przekraczaj\u0105ce 85% i cz\u0119sto m\u00f3g\u0142 odzyska\u0107 r\u00f3wnowag\u0119 dzi\u0119ki niewielkim poprawkom w locie. Kolejna zaleta: system z wdzi\u0119kiem radzi\u0142 sobie ze zmienionymi lub uporz\u0105dkowanymi pytaniami, wykazuj\u0105c imponuj\u0105c\u0105 elastyczno\u015b\u0107.<\/p>\n
Cho\u0107 jest to obiecuj\u0105ce dla podr\u00f3\u017cnik\u00f3w, grupa z MIT podejrzewa, \u017ce najbardziej ekscytuj\u0105ce zastosowania s\u0105 jeszcze przed nami. To samo hybrydowe podej\u015bcie wykaza\u0142o rzeczywiste wyniki w logistyce magazynowej, przydzielaniu zada\u0144 zespo\u0142om robot\u00f3w, a nawet klasycznych wyzwaniach matematycznych, takich jak \u201cproblem podr\u00f3\u017cuj\u0105cego komiwoja\u017cera\u201d. Ostatecznie, po\u0142\u0105czenie zdolno\u015bci adaptacyjnych modeli j\u0119zykowych z precyzj\u0105 rozwi\u0105za\u0144 matematycznych mo\u017ce pom\u00f3c ka\u017cdemu w stawieniu czo\u0142a z\u0142o\u017conym wyzwaniom zwi\u0105zanym z planowaniem - bez konieczno\u015bci posiadania g\u0142\u0119bokiej wiedzy technicznej. Jest to spojrzenie na to, jak przysz\u0142e narz\u0119dzia cyfrowe mog\u0105 sprawi\u0107, \u017ce zniech\u0119caj\u0105ce rzeczywiste problemy stan\u0105 si\u0119 bardziej ludzkie - i o wiele mniej przyt\u0142aczaj\u0105ce.<\/p>\n