أداة جديدة لتقييم التقدم في التعلم التعزيزي تشهد القيادة في المدن الكبرى توقفات مستمرة وتجمعات للسيارات عند الإشارات المرورية، مما يجعلها غير فعالة للغاية ويزيد من انبعاثات التلوث، بما في ذلك غازات الدفيئة. أحد الطرق لمواجهة هذه المشكلة هو ما يُعرف بـ "القيادة الصديقة للبيئة" (Eco-driving)، وهي نظام يمكن تركيبه في السيارات ذاتية القيادة لتحسين كفاءتها. لكن السؤال الذي يطرح نفسه هو: ما الفرق الذي يمكن أن تحدثه هذه الأنظمة؟ هل يستحق الاستثمار فيها لتحقيق تقليل الانبعاثات؟ تحديات التحسين لإجابة على هذا السؤال الذي يشمل العديد من العناصر، يجب جمع جميع البيانات المتاحة حول النظام من مصادر مختلفة. توضح كاثي وو، أستاذة مساعدة في قسم الهندسة المدنية والبيئية ومعهد البيانات والأنظمة والمجتمع في معهد ماساتشوستس للتكنولوجيا (MIT)، أن هذه البيانات تشمل خريطة تقاطعات المدينة، بيانات الارتفاع من هيئة المسح الجيولوجي الأمريكية لتحديد ميل الطرق، بيانات درجة الحرارة والرطوبة، بيانات أنواع وموديلات السيارات، وأنواع الوقود المستخدمة. مفهوم القيادة الصديقة للبيئة القيادة الصديقة للبيئة تتضمن إجراء تعديلات صغيرة لتعظيم الكفاءة وتخفيض الاستهلاك الغير ضروري للوقود. على سبيل المثال، عندما تقترب السيارة من إشارة مرورية حمراء، لا يوجد فائدة من زيادة السرعة بشكل كبير، بل يمكن أن تستقر ببطء لعدم حرق الوقود أو الكهرباء أثناء الانتظار. إذا قللت سيارة آلية السرعة عند تقاطع، فسيكون على السيارات التقليدية التي تسير خلفها أيضًا التبطئ، مما يوسع نطاق تأثير القيادة الكفوءة. تحديات التعلم التعزيزي العميق تعد طرق التعلم التعزيزي العميق (DRL) من بين الأساليب المهمة لحل مشاكل التحكم المعقدة، لكن عدم وجود معايير مرجعية موحدة يعيق التقدم في هذا المجال. المشكلة الرئيسية هي عدم القدرة على تعميم النتائج عندما يتم إجراء تعديلات بسيطة على السيناريوهات، مثل إضافة مسار لدراجات أو تغيير توقيت الإشارات المرورية. هذه المشكلة ليست خاصة بالمرور فحسب، بل تتعلق أيضًا بمهام أساسية أخرى تستخدم لتقييم تقدم تصميم الخوارزميات. نظام التقييم الجديد "IntersectionZoo" طورت وو وزملاؤها نظام تقييم جديد يُطلق عليه "IntersectionZoo"، والذي تم تقديمه في المؤتمر الدولي لتمثيل التعلم لعام 2025 في سنغافورة. يهدف هذا النظام إلى تقييم القدرة على تعميم النتائج في التعلم التعزيزي العميق، مما يضيف قيمة كبيرة لطرق تقييم الخوارزميات. يحتوي "IntersectionZoo" على مليون سيناريو مروري مبني على البيانات، مما يجعله قادرًا على تطوير خوارزميات أكثر متانة وقابلية للتعميم. تطبيق الدراسة تركز الدراسات الجارية على تطبيق هذه الأداة الجديدة لتقييم تأثير القيادة الصديقة للبيئة في السيارات الذاتية القيادة على انبعاثات الغازات في المدينة، اعتمادًا على النسبة المئوية للسيارات الذاتية القيادة المنتشرة. لكن الهدف الرئيسي من هذه الدراسة هو دعم تطوير خوارزميات التعلم التعزيزي العميق العامة التي يمكن تطبيقها ليس فقط في هذا المجال، ولكن أيضًا في مجالات أخرى مثل القيادة الذاتية، الألعاب الإلكترونية، الأمن، الروبوتات، مستودعات البضائع، ومشاكل التحكم التقليدية. توفر الأداة للمجتمع البحثي ترى وو أن الهدف من المشروع هو تقديم هذه الأداة كأداة متاحة للباحثين مجانًا. يمكن الوصول إلى "IntersectionZoo" وتوثيق كيفية استخدامه على موقع GitHub. هذا العمل هو نتيجة جهود الباحثين الرئيسيين فيندولا جاياواردانا وبابتيست فريدت، بالإضافة إلى الباحثين المشاركين أو كو وكامرون هيكيرت وجوونغ شيا يان. تقييم الحدث من قبل المختصين يرى المختصون في مجال الذكاء الاصطناعي والتعلم الآلي أن تطوير "IntersectionZoo" يمثل خطوة مهمة في تحسين قابلية تعميم الخوارزميات في التعلم التعزيزي العميق. يعتبر هذا النظام أداة فعالة لمساعدة الباحثين على فهم كيف يمكن لهذه الخوارزميات التعامل مع التعديلات البسيطة في السيناريوهات، وهو أمر ضروري لتطبيقها في البيئات الحقيقية. نبذة تعريفية عن MIT معهد ماساتشوستس للتكنولوجيا (MIT) هو أحد أشهر وأعرق المؤسسات التعليمية في العالم، ويقع في مدينة كامبريدج بولاية ماساتشوستس، الولايات المتحدة الأمريكية. يتميز MIT ببروزه في مجالات العلوم والتكنولوجيا والهندسة والرياضيات (STEM)، وله تاريخ طويل من الإسهامات في البحوث العلمية والتكنولوجية المبتكرة. يضم معهد البيانات والأنظمة والمجتمع (IDSS) في MIT فريقًا من الباحثين الذين يعملون على تقنيات متقدمة لمعالجة المشكلات الاجتماعية والبيئية والاقتصادية باستخدام البيانات والذكاء الاصطناعي.