"التخصيص التنبؤي" للخدمات العامة الحضرية: كيف يعيد Transformer-GNN الهجين تشكيل الحوكمة الحضرية

عندما يتصل سكان نيويورك بالرقم 311 لطلب المساعدة، فإنهم عادةً ما يريدون فقط حل مشكلة عاجلة — إزالة القمامة، أو إصلاح مصابيح الشوارع، أو فحص التعديلات غير القانونية. لكن كل مكالمة تترك سجلًا، يشكّل إشارة دقيقة في قاعدة بيانات المدينة. والآن، إطار عمل ذكاء اصطناعي هجين يدمج المحولات (Transformer) والشبكات العصبية الرسومية (GNN) يحاول ترجمة هذه الإشارات المتناثرة إلى لغة قرارات لإدارة المدينة.

في ورقة بحثية نشرها فريق من الباحثين في Scientific Reports، اقترحوا بنية تعلم عميق هجينة توحّد المحولات والشبكات العصبية الرسومية في إطار واحد، وذلك من خلال التعلم من حوالي 12 مليون سجل لطلبات الخدمة في نظام 311 بمدينة نيويورك، في محاولة لنقل الخدمات العامة في المدينة من "الاستجابة السلبية" إلى "التوزيع التنبؤي".

جزر البيانات وتحديات الحوكمة الجديدة

على مدى عقود من التحول الرقمي في الحكومة، أطلقت العديد من المدن منصات خدمة للمواطنين مماثلة لـ311. ظاهريًا، تربط هذه المنصات الحكومة بالمواطنين، لكن المشكلة العميقة لم تُحل بعد. لا تزال هناك عزلة في البيانات بين الإدارات البلدية؛ وتتفاوت احتياجات الخدمات العامة بين الأحياء بشكل حاد؛ وغالبًا ما يعتمد توزيع الموارد المحدودة على الخبرة أو الأولويات السياسية، وليس على نموذج حي لاحتياجات المدينة.

تشير الورقة إلى أن أنظمة فرز الخدمات التقليدية القائمة على القواعد لا يمكنها التكيف مع هذه الديناميكية. كما أن التجزؤ في هياكل البيانات الإدارية يجعل من الصعب اكتشاف الروابط المخفية بين "مناطق مختلفة - جهات مختلفة - أنواع خدمات مختلفة". بعبارة أخرى، معظم معلومات العلاقات في الشبكة الحضرية كانت تُهدر دائمًا.

جوهر هذه المشكلة هو: تحتاج الحوكمة الحضرية إلى نموذج يمكنه فهم الزمان والمكان والدلالات في آن واحد. بالنظر إلى شكوى واحدة، فهي مجرد حدث معزول؛ ولكن إذا نظرنا إلى ملايين الشكاوى كشبكة علاقات — حيث يتشابك المواطنون والأماكن والإدارات المسؤولة وأنواع المسؤولية — فإنها تتحول إلى خريطة حالة لتشغيل المدينة.

البنية الهجينة: تمكين الذكاء الاصطناعي من فهم الزمن والعلاقات معًا

هذا هو السبب الذي دفع الورقة إلى اقتراح البنية الهجينة. المحولات بارعة في ترميز معلومات التسلسل الزمني للطلبات والدلالات النصية، وقادرة على التقاط الاعتمادات بعيدة المدى، مثل الاتجاهات الموسمية أو المشاعر الدقيقة في صياغة شكوى معينة. بينما الشبكات العصبية الرسومية بارعة في ترميز العلاقات الهيكلية بين الطلبات والمواقع والمؤسسات، مما يتيح للنموذج فهم السلاسل الضمنية مثل "شكاوى الضوضاء في هذا الحي غالبًا ما ترتبط بقضايا تراخيص الأنشطة التجارية".

معظم النماذج أحادية الأسلوب يمكنها التركيز على جانب واحد فقط. فالشبكات العصبية المتكررة (RNN) قادرة على معالجة التسلسلات الزمنية، لكنها تواجه صعوبة في نمذجة التفاعلات بين الكيانات؛ والشبكات العصبية الرسومية تفهم البنية الشبكية، لكنها ليست بارعة في التعامل مع الاعتمادات الزمنية بعيدة المدى أو اللغة الطبيعية المعقدة. تكمن أهمية دمج المحولات مع الشبكات العصبية الرسومية في أنه يوفّر لإدارة المدينة فضاء تمثيل موحّدًا: لم يعد الزمن والعلاقات سمتين منفصلتين، بل بُعدين يشاركان معًا في الاستدلال.هذا يشبه إلى حدٍّ ما تطوّر أنظمة النقل الحضري. في الماضي، كانت إشارات المرور تعمل وفق جداول زمنية ثابتة؛ لاحقًا، جعلتها أجهزة الاستشعار وبيانات حركة المرور اللحظية قادرة على التكيف الديناميكي؛ أما النقل الحضري في المستقبل، فيتطلب دمج بيانات غير متجانسة مثل الطقس والأحداث وجداول المواصلات العامة في نموذج قرار واحد. وينطبق المنطق نفسه على توزيع الموارد الحكومية.

استعارة ضبط المعاملات: القدرة التعلّمية للتحسين الحضري

من التفاصيل المهمة التي تشكّل تحديًا تقنيًا: البنية الهجينة معقّدة للغاية، وفضاء المعاملات عالي الأبعاد وغير محدب، مما يؤدي إلى مشكلة صعبة في تحسين المعاملات الفائقة. اعتمدت الورقة مُحسِّنًا محسّنًا قائمًا على الكومة (IHBO)، يجمع بين التعلم التقابلي والبحث الفوضوي، لتحسين سرعة التقارب وقدرة البحث الشامل. تبدو هذه العبارة هندسية جدًا، لكن خلفها استعارة على مستوى الإدارة العامة — فالمدينة التي تتعاون فيها أنظمة متعددة تبحث جوهريًا أيضًا عن مجموعة مثلى من المعاملات.

إذا كانت المدينة عبارة عن آلة ضخمة، فإن تخصيص الميزانية، وجدولة الموظفين، واستراتيجيات صيانة المرافق تشبه المعاملات. أي تعديل في موضع واحد يؤثر على الأنظمة الأخرى. يصعب على البرمجة الخطية التقليدية أو الحكم التجريبي إيجاد الحل الأمثل الشامل في بيئة ديناميكية؛ بينما توفر خوارزميات التحسين القادرة على البحث الشامل إجابة محتملة.

تجربة 311 في نيويورك: التنبؤ باحتياجات المدينة من البيانات التاريخية

خضع هذا الإطار لاختبارات صارمة على بيانات 311 واسعة النطاق في نيويورك. تحتوي البيانات على متغيرات زمنية وجغرافية وفئوية مختلطة، بنحو 12 مليون سجل. أظهرت التجارب أن نموذج Transformer-GNN المُحسَّن عبر IHBO حقق دقة تصنيف بلغت 0.938، وكان خطأ التنبؤ بوقت حل الخدمة (RMSE) 2.18 يوم فقط. وهذا يعني أنه إذا بدأ نوع معيّن من طلبات الخدمة في التركّز في بعض الأحياء مؤخرًا، يمكن للنظام التنبؤ بشدة الطلب على الخدمات خلال الفترة المقبلة، واقتراح قيام الجهات المعنية بجدولة الموارد مسبقًا.

والأهم من ذلك، تؤكد الورقة أن النموذج يتمتع بمتانة تجاه الأنماط الزمنية الجديدة والملصقات المزعجة. غالبًا ما تكون البيانات الحكومية في العالم الحقيقي غير مكتملة أو مصنّفة بشكل خاطئ أو تحتوي على ضوضاء. النموذج القادر على البقاء مستقرًا في مثل هذه البيئة هو وحده الذي يمتلك قيمة حقيقية لتشغيل الأنظمة الحضرية.

بالطبع، هذا يعني أن علينا التمييز بين استنتاجات البحث وواقع المنتج. هذه الدراسة ليست بعد نظامًا حكوميًا منشورًا، بل إطارًا للذكاء الاصطناعي أظهر إمكانية ذلك. لكن الاتجاه الذي تشير إليه واضح: بيانات الخدمات العامة الحضرية تنتقل من "تسجيل التاريخ" إلى "استشراف المستقبل".

توزيع الموارد الحكومية بقيادة الذكاء الاصطناعي: الفرص والتوترات

يمكننا فهم هذا العمل من خلال اتجاه حضري أوسع. في السنوات الأخيرة، دفع العديد من المدن الذكية حول العالم مفهوم نظام التشغيل الحضري المرتكز على البيانات. من التوأم الرقمي إلى منصات الرؤية الحضرية، ومن مواقف السيارات العامة ذات التسعير الديناميكي إلى نشر الاستجابة للطوارئ القائم على الذكاء الاصطناعي، تشهد الخدمات العامة تحولًا في منطقها الأساسي.من شأن التخصيص التنبؤي للموارد أن يجعل الخدمات الحضرية أكثر إنصافًا وكفاءة. فعلى سبيل المثال، يمكن لهذه النماذج نظريًا أن تساعد في تحديد الفروق في الاحتياجات بين المجتمعات المحلية المختلفة، وفي تقديم أدلة أكثر اكتمالًا للتفاوض على الميزانية، ولتوزيع الموظفين، ولتحديد أولويات الصيانة. ومن شأن ذلك أن يساعد في كسر تأثير ماثيو المتمثل في أن المناطق التي تكثر فيها الشكاوى تستمر في تلقي الخدمات بسبب كثرة شكاويها، في حين تُهمل المناطق التي تقل فيها الشكاوى.

غير أن تطبيق هذه التقنيات يتطلب أيضًا وعيًا رصينًا بالشفافية والتحيز وأخلاقيات الحوكمة. وإذا اقتصرت النماذج على توزيع الموارد ميكانيكيًا بناءً على البيانات التاريخية، فإنها قد ترسّخ أوجه عدم المساواة التاريخية. لذلك، فإن «الرؤى السياساتية القابلة للتفسير» التي طرحتها الورقة البحثية تمثل اتجاهًا بالغ الأهمية — فهي تؤكد أن الذكاء الاصطناعي لا ينبغي أن يقتصر على تقديم النتائج التنبؤية فحسب، بل ينبغي أن يساعد أيضًا في فهم الآليات التي تولّد الاحتياجات الحضرية، وأن يدعم الإنسان في اتخاذ القرارات النهائية.