باید بدانید که دوران مدل‌های «یک‌اندازه برای همه» در هوش مصنوعی شهری به پایان رسیده است. تصور کنید شهری کوچک با داده‌های اندک، بتواند قدرت پیش‌بینی ترافیکی یک کلان‌شهر را به دست آورد، بدون آنکه حتی یک بایت از داده‌های خام خود را از مرزهای شهری خارج کند.
طبق گزارشی که در ۱۰ ژوئن ۲۰۲۶ در وب‌سایت arxiv.org منتشر شد، چارچوب MoE-FedTP با هدف پر کردن شکاف داده‌ای در محاسبات شهری طراحی شده است. این سیستم از طریق پیش‌بینی فضا-زمانی (Spatiotemporal) شخصی‌سازی شده و متمرکز بر یادگیری فدرال (Federated Learning) عمل می‌کند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی رایانش لبه (Edge Computing) اشاره کردیم، انتقال داده‌های خام به سرورهای متمرکز همواره با ریسک‌های امنیتی و حریم خصوصی همراه است. روش‌های پیشین یادگیری فدرال اگرچه حریم خصوصی را حفظ می‌کردند، اما در مواجهه با ناهمگونی (Heterogeneity) فضا-زمانی — یعنی تفاوت‌های بنیادی در الگوی ترافیکی هر شهر — شکست می‌خوردند.
به نقل از مستندات این پژوهش، MoE-FedTP این مشکل را با استفاده از شبکه‌های سبک ترکیبی از خبرگان (Mixture-of-Experts یا MoE) حل کرده است. معماری این سیستم در سه گام اجرا می‌شود:
- شبکه‌های عصبی فضا-زمانی ابتدا ویژگی‌های منحصربه‌فرد شهرهای مبدأ و مقصد را استخراج می‌کنند.
- مجموعه‌ای از شبکه‌های خبره از طریق اشتراک‌گذاری جزئی پارامترها از شهرهای مختلف استخراج می‌شوند.
- یک مکانیسم درگاه پویا (Dynamic Gating)، این خبرگان را برای ثبت دینامیک‌های ترافیکی خاصِ شهر مقصد تلفیق می‌کند.
بر اساس نتایج به‌دست‌آمده از ۴ مجموعه داده ترافیکی واقعی، MoE-FedTP به‌طور مستمر از پیشرفته‌ترین مدل‌های موجود (SOTA) در هر دو دسته‌ی پیش‌بینی‌های بین‌شهری و مدل‌های پایه یادگیری فدرال پیشی گرفته است.
این تحول، تغییر رویکرد از مدل‌های جهانی به «کتابخانه‌ای از خبرگان» است. اکنون می‌توان ناهمگونی شهری را با جزئیات بسیار دقیق مدل کرد، بدون آنکه حریم خصوصی محلی فدا شود.
گام بعدی شما
- رصد کنید که آیا ساختارهای شخصی‌سازی شده‌ی MoE را می‌توان در چالش‌های دیگر فضا-زمانی مانند نوسانات شبکه‌ی برق منطقه‌ای به کار برد یا خیر.
- بررسی کنید که آیا این مدل برای پیش‌بینی بلایای طبیعی ناشی از تغییرات اقلیمی قابل تعمیم است.
اما اثر این معماری بر کاهش هزینه‌های استنتاج هنوز به‌طور کامل بررسی نشده است — به تحلیل ما درباره‌ی بهینه‌سازی مدل‌های MoE مراجعه کنید.
گفتگو