ปฏิวัติ AI ภูมิสารสนเทศด้วย ME-POIs: ผสานข้อมูลการเคลื่อนที่ช่วยให้โมเดลเข้าใจโลกได้ลึกซึ้งขึ้น

ปัญญาประดิษฐ์มีความก้าวหน้าอย่างน่าทึ่งในการทำความเข้าใจโลกผ่านข้อความ อย่างไรก็ตาม เพื่อสร้างโมเดล AI ที่เข้าใจโลกทางกายภาพอย่างแท้จริง โมเดลเหล่านั้นต้องเข้าใจมากกว่าแค่คำศัพท์ แต่ต้องสามารถจับฟังก์ชันการทำงานที่เปลี่ยนแปลงตลอดเวลาในสภาพแวดล้อมจริงได้ เนื่องจากทุกสถานที่มีลายเซ็นที่แตกต่างกันสองแบบ คือ ตัวตนบนหน้ากระดาษและจังหวะการทำงานจริงของมัน โดยทั่วไปโมเดลภาษาแบบดั้งเดิมจะสร้างตัวแทนของสถานที่หรือ Point of Interest (POI) โดยพึ่งพาข้อมูลเมทาดาตาที่หยุดนิ่ง (static metadata) เช่น ที่อยู่และหมวดหมู่ธุรกิจ แม้โมเดลชั้นนำอย่าง Gemini จะเชี่ยวชาญการประมวลผลข้อความ แต่การเพิ่มข้อมูลพลวัตการเคลื่อนที่ในเมืองหรือข้อมูลความคล่องตัว (mobility data) จะช่วยให้โมเดลจับจังหวะกิจกรรมตามช่วงเวลาที่เป็นเอกลักษณ์ของแต่ละสถานที่ได้อย่างมีประสิทธิภาพยิ่งขึ้น เพื่อพิสูจน์แนวคิดนี้ ทีมวิจัยได้นำเสนอ Mobility-Embedded POIs (ME-POIs) ซึ่งเป็นเฟรมเวิร์กใหม่ที่ปรับปรุงตัวแทนสถานที่โดยใช้ชุดข้อมูลมาตรฐานแบบไม่ระบุตัวตน เช่น เวลาที่มาถึงและระยะเวลาพำนัก ME-POIs ใช้วิธีการเรียนรู้ด้วยตนเอง (self-supervised) เพื่อสร้างเวกเตอร์ตัวเลขหรือ embedding ที่เข้ารหัสทั้งตัวตนและฟังก์ชันของสถานที่เข้าด้วยกัน การผสานรวมนี้ช่วยให้โมเดลทำนายเจตนาการเยี่ยมชมได้ดีขึ้นถึง 81.9% และเพิ่มความแม่นยำในการจำแนกประเภทราคาได้ 75.1% ในสถานที่ที่ไม่เคยพบเห็นมาก่อน

เฟรมเวิร์ก ME-POIs ทำงานอย่างไร

ด้วยการจัดหาตัวแทนสถานที่ที่ได้รับการเสริมข้อมูลไว้ล่วงหน้า ME-POIs ช่วยให้โมเดล AI อนุมานแอตทริบิวต์ต่างๆ เช่น เวลาทำการ หรือสถานะธุรกิจปัจจุบันได้แม่นยำและง่ายดายขึ้น โดยไม่ต้องคำนวณใหม่ทุกครั้ง งานวิจัยนี้เปลี่ยนมุมมองต่อข้อมูลความคล่องตัวจากการเป็นเพียงผลลัพธ์ในการทำนาย (output) ให้กลายเป็นคุณลักษณะนำเข้า (input feature) ที่ใช้กำหนดตัวตนของสถานที่นั้นๆ

กระบวนการเปลี่ยนจุดทางภูมิศาสตร์ดิบให้เป็นลายเซ็นทางคณิตศาสตร์มี 3 ขั้นตอนหลัก คือ การจัดตำแหน่งการเยี่ยมชม (visit alignment), การแพร่กระจายการเยี่ยมชมเชิงพื้นที่แบบหลายระดับ (spatial multiscale visit propagation) และการทำงานร่วมกันระหว่างข้อความและความคล่องตัว (text-mobility synergy)

เฟรมเวิร์ก ME-POIs รวมข้อมูลเมทาดาตาข้อความที่หยุดนิ่ง (ตัวตนของ POI) เข้ากับรูปแบบการเยี่ยมชมที่เปลี่ยนแปลงตลอดเวลาจากชุดข้อมูลมาตรฐานที่เปิดเผยต่อสาธารณะ (ฟังก์ชันของ POI) เพื่อสร้างตัวแทนสถานที่ที่ครอบคลุม

การจัดตำแหน่งการเยี่ยมชม (Visit alignment)

โมเดลจะวิเคราะห์ช่วงเวลาการมาถึงและการพำนักโดยใช้ตัวเข้ารหัสเชิงเวลา (temporal encoder) เพื่อแมปลำดับเวลาเหล่านี้เข้าสู่ปริภูมิเวกเตอร์ กระบวนการนี้สร้าง "functional centroid" หรือลายเซ็นหลายมิติที่เป็นเอกลักษณ์ ซึ่งสะท้อนรูปแบบกิจกรรมโดยรวมในรอบปีและในแต่ละวันของสัปดาห์สำหรับสถานที่นั้นๆ

การแก้ปัญหา "หางยาว" (long tail) ของความเบาบางของข้อมูล

ความท้าทายสำคัญคือสถานที่ชื่อดังมักมีข้อมูลมาก แต่ธุรกิจท้องถิ่นขนาดเล็กกลับมีข้อมูลเบาบาง (long tail) จนโมเดลอาจทึกทักไปเองว่าสถานที่นั้นไม่มีกิจกรรม ME-POIs จึงใช้กลไกการแพร่กระจายเชิงพื้นที่หลายระดับ โดยเรียนรู้ "จังหวะ" ของภูมิภาคจากเพื่อนบ้านในระดับถนนหรือบล็อกเดียวกัน แล้วถ่ายโอนรูปแบบกิจกรรมไปยังสถานที่ที่มีข้อมูลน้อย ทำให้ AI เข้าใจร้านค้าขนาดเล็กได้แม้จะมีข้อมูลปรากฏเพียงเล็กน้อย

การทำงานร่วมกันระหว่างข้อความและความคล่องตัว (Text-mobility synergy)

แทนที่จะใช้เพียงอย่างใดอย่างหนึ่ง ME-POIs จะนำภาษา embedding ระดับสูง (เช่นจาก Gemini) มาจัดตำแหน่งให้ตรงกับเวกเตอร์ความคล่องตัวผ่านการเพิ่มค่า cosine similarity ให้สูงสุด แนวทางไฮบริดนี้ช่วยให้โมเดลคงความหมายเชิงโครงสร้างจากข้อความ พร้อมกับรับรู้บริบทการดำเนินงานจริงจากลายเซ็นการเคลื่อนที่

การทดลอง

ทีมวิจัยทดสอบในเขตเมืองใหญ่อย่างลอสแอนเจลิสและฮิวสตัน ผ่าน 5 ภารกิจหลักเพื่อวัดผลการพัฒนาปัญญาในระดับทั่วไป ได้แก่ การทำนายเวลาเปิด/ปิด, การจำแนกประเภทระดับราคา, การตรวจจับธุรกิจที่ปิดตัวถาวร, การจำแนกเจตนาการเยี่ยมชม และการพยากรณ์ความหนาแน่นของผู้ใช้บริการในอนาคต

ในการทดสอบนี้มีการเปรียบเทียบกับฐานข้อมูลมาตรฐาน ทั้งโมเดลข้อความล้วนอย่าง Gemini embeddings และโมเดลเชิงภูมิสารสนเทศเดิมอย่าง TrajGPT เพื่อวัดผลลัพธ์ว่าข้อมูลการเคลื่อนที่ช่วยเพิ่มศักยภาพได้จริงหรือไม่

ผลลัพธ์

ผลการทดลองยืนยันว่าการเพิ่มข้อมูลโลกแห่งความเป็นจริงช่วยสร้าง "ข้อได้เปรียบด้านบริบท" อย่างชัดเจน โดย ME-POIs มีประสิทธิภาพเหนือกว่าโมเดลพื้นฐานทุกประเภทในทุกงานการทำนาย โดยเฉพาะในสถานที่ที่ไม่เคยพบเห็นมาก่อน

การเพิ่ม ME-POIs ช่วยเพิ่มประสิทธิภาพของโมเดลอย่างต่อเนื่องในทุกงาน โดยปรับปรุงเมทริกหลักๆ เช่น เจตนาการเยี่ยมชมและการจำแนกประเภทระดับราคาอย่างมีนัยสำคัญเหนือโมเดลพื้นฐาน

สิ่งที่น่าสนใจคือ ในบางภารกิจ เช่น การแยกแยะระดับราคา โมเดลที่ฝึกด้วยข้อมูลความเคลื่อนไหวเพียงอย่างเดียวกลับทำผลงานได้ดีกว่าโมเดลข้อความล้วน สิ่งนี้ชี้ให้เห็นว่าพฤติกรรมการเยี่ยมชมสถานที่จริงสามารถอธิบายตัวตนของสถานที่ได้ลึกซึ้งยิ่งกว่าคำบรรยายที่เป็นทางการ

บทสรุป

ME-POIs เป็นก้าวสำคัญที่ทำให้ AI เข้าใจโลกทางกายภาพผ่านการจำลองจังหวะของเมืองในภาพรวม โดยเน้นที่ข้อมูลประชากรกลุ่มใหญ่ ไม่ใช่การระบุตัวตนหรือปรับแต่งเฉพาะบุคคล เฟรมเวิร์กนี้เป็นส่วนหนึ่งของโครงการ Google Earth AI เพื่อเปลี่ยนข้อมูลภูมิสารสนเทศระดับโลกให้เป็นข้อมูลเชิงลึกที่ใช้งานได้จริง

กิตติกรรมประกาศ

เราขอขอบคุณผู้เขียนร่วมในบทความนี้: Neha Arora (Google Research), พร้อมด้วย Prof. Cyrus Shahabi และนักศึกษาปริญญาเอก Shang Ling Hsu จาก University of Southern California (USC)