TransportAgents: LLM רב-סוכנים לחיזוי חומרת תאונות

האם ניתן לשפר את תגובת החירום לתאונות דרכים באמצעות בינה מלאכותית? חוקרים מציגים את TransportAgents, מסגרת רב-סוכנים מבוססת מודלי שפה גדולים (LLM) שמתמודדת בהצלחה עם נתוני תאונות הטרוגניים. בעוד מודלים יחידים נכשלים בגלל הטיות וחוסר יציבות, TransportAgents מפצלת את הניתוח לסוכנים מיוחדים – כל אחד מתמקד בקטגוריה כמו דמוגרפיה, סביבה או פרטי אירוע – ומשלבת את התוצאות באמצעות רשת נוירונים פשוטה (MLP). כך נוצאת חיזוי מדויק יותר לחומרת התאונה, שחיוני לתכנון בטיחות ציבורית. המסגרת פועלת כך: סוכנים ייעודיים מנתחים תת-קבוצות מידע ספציפיות מתוך נתוני תאונות, מייצרים הערכות ביניים לחומרה, ואז מודול השילוב מאחד אותן לחיזוי סופי. לפי המחקר, TransportAgents נבחנה על שני מאגרי נתונים אמריקאיים משלימים: CPSRMS של ניהול סיכוני מוצרי צריכה ו-NEISS למעקב פציעות. התוצאות מרשימות – המסגרת עלתה על שיטות למידת מכונה מסורתיות ובסיסי LLM מתקדמים. בניסויים מקיפים, TransportAgents הוכיחה עליונות על פני שלושה 'עמודי תווך' מרכזיים: מודלים סגורים כמו GPT-3.5 ו-GPT-4o, ומודל פתוח כמו LLaMA-3.3. היא מציגה עמידות גבוהה, יכולת הרחבה והכללה בין מאגרי נתונים שונים. ניתוח הפצה נוסף מראה חיזויים מאוזנים ומכוילים יותר בהשוואה לגישות LLM יחידות, מה שמדגיש את אמינותה ליישומים קריטיים לבטיחות. למה זה משנה לעסקים ישראליים? תעשיית הרכב והביטוח בישראל סובלת מאלפי תאונות שנתיות, וכלים כמו TransportAgents יכולים לשפר תגובה מהירה של מד