نيانتك تكشف كيف تحول Pokémon Go تصرفات اللاعبين إلى مجموعات بيانات للذكاء الاصطناعي

الخلاصة الرئيسية بسيطة: مجموعة البيانات الأكثر قيمة للذكاء الاصطناعي غالباً ما يتم جمعها ليس في المختبر، بل في اللحظة التي يلعب فيها الشخص ببساطة، أو يقود عبر المدينة، أو يحل بكلمة سرية، أو يرسم مساراً في تطبيق مألوف. تُظهر حالة بوكيمون جو هذا بوضوح خاص. قضت Niantic سنوات في بناء بنية تحتية للواقع المعزز حول اللعبة: التموضع البصري، والخرائط ثلاثية الأبعاد للمواقع، وجمع الصور من العالم الحقيقي من خلال هواتف المستخدمين الذكية.

في البداية، بدا هذا طريقة مريحة لمسح البيئة المحيطة، لكنه تحول لاحقاً إلى نظام متكامل لإنشاء مجموعات بيانات مكانية. نتيجة لذلك، أصبحت بوكيمون جو ليست مجرد لعبة محمولة بعلامات جغرافية، بل بيئة حيث تساعد أفعال ملايين الأشخاص النماذج على فهم أفضل للمساحة الفيزيائية. في وقت لاحق، بدأ استخدام هذه البيانات لنماذج جيوحضرية كبيرة وأنظمة الذكاء الاصطناعي المكاني التي تحتاج ليس فقط إلى التعرف على الصورة، بل ربط نقطة معينة بخريطة عالمية للمنطقة.

لهذا السبب، يُفهم شراكة Niantic مع Coco Robotics بمنطقية: التقنيات المُنشأة لسيناريوهات الواقع المعزز أثبتت فائدتها للروبوتات الموصلة، التي تحتاج أيضاً إلى التنقل بثقة عبر المدينة. الآلية هنا عالمية. يقوم المستخدم بفعل مفيد لنفسه—يمسح كائناً، يتجنب الازدحام، يركب دراجة هوائية على مسار مألوف أو يؤكد أنه ليس روبوتاً—بينما يستقبل النظام في نفس الوقت ملاحظات منظمة: صور مرتبطة بإحداثيات، مسارات الحركة، أحداث الطرق أو ردود بشرية حيث تفشل الأتمتة.

بعد التنظيف والتجميع، كل هذا يصبح مجموعات بيانات للرؤية والملاحة والتخطيط واتخاذ القرارات. ظهر مثال كلاسيكي لهذا النهج قبل وقت طويل من انفجار الذكاء الاصطناعي التوليدي: reCAPTCHA. بالنسبة للمستخدمين، كانت عملية تحقق بسيطة، لكن في الواقع، كان الأشخاص يساعدون النظام على التعرف على الكلمات التي كان البرنامج الضوئي يواجه صعوبة فيها عند رقمنة الكتب والصحف القديمة.

حتى في عام 2008، كانت reCAPTCHA تعمل على أكثر من 40 ألف موقع ويب وساعدت على التعرف بشكل صحيح على أكثر من 440 مليون كلمة. هذا مثال قديم لكن واضح جداً على كيفية أن الفعل الروتيني يصبح جزءاً من خط أنابيب الإنتاج للتعلم الآلي. في الخدمات الحضرية، يصبح هذا المبدأ مهماً أكثر، لأن البيانات تصف الواقع المادي مباشرة.

يجمع Strava Metro ويجهل بشكل مجهول مسارات المستخدمين بحيث يفهم مخططو المدن بشكل أفضل كيفية تحرك الأشخاص فعلياً في الشوارع، بدلاً من مجرد النظر إلى كيفية رسم شبكة الطرق. تجمع Waze معلومات عن الازدحام والحوادث والإصلاحات والإغلاقات في الوقت الفعلي، مما يحول الخريطة من طبقة ثابتة إلى تدفق شبه مستمر من الأحداث. بالنسبة لملاحة الذكاء الاصطناعي والروبوتات والتسليم، تكون هذه البيانات ذات قيمة خاصة: فهي تصف ليس مدينة نظرية، بل مدينة في الحركة.

ومع ذلك، هناك تحديد: جمهور خدمة معينة لا يتطابق دائماً مع هيكل السكان بأكملهم، لذلك حتى مجموعة بيانات مفيدة قد لا تكون ممثلة بالكامل وتتطلب تفسيراً حذراً. لقد كانت الألعاب لوقت طويل بيئة لتدريب الذكاء الاصطناعي، حتى لو لم تكن ذات علاقة بالشوارع والخرائط. في StarCraft II، يستخدم الباحثون إعادة تشغيل المباريات البشرية كسجلات للقرارات المعقدة تحت معلومات غير كاملة، حيث يجب توزيع الموارد وتغيير الخطط والتكيف مع سلوك الخصم.

في مجموعة بيانات واحدة، بعد الفلترة، ظلت حوالي 1.4 مليون لعبة و2.8 مليون حلقة و3.

5 مليار ملاحظة تدريبية—وهي نطاق يصعب الحصول عليه يدوياً في أي بيئة أخرى. وتوفر GTA V والعوالم الافتراضية المماثلة مشاهد اصطناعية للرؤية الحاسوبية والملاحة: يمكنك تغيير الطقس والإضاءة وكثافة المرور وموضع الكاميرا بسرعة، وجمع مجموعات بيانات كبيرة بدون رحلات ميدانية مكلفة وتعليقات يدوية. لذلك، يتعلم الذكاء الاصطناعي الحديث إما من آثار السلوك البشري أو من العوالم الرقمية الواقعية المُكيّفة خصيصاً لجمع البيانات.

ماذا يعني هذا عملياً: تعتمد المنافسة في الذكاء الاصطناعي بشكل متزايد ليس فقط على جودة النموذج، بل على من تمكن من دمج جمع البيانات في السلوك الطبيعي للمستخدم. الفائز ليس بالضرورة من يتحدث بأعلى صوت عن شبكة عصبية جديدة، بل من أنشأ خدمة حيث يُنتج الأشخاص أنفسهم، بدون أن يلاحظوا، بيانات للجيل القادم من الذكاء الاصطناعي.