بینش‌های مدیریت جاده‌ها، عامل هوش مصنوعی، بینش‌های مدیریت جاده‌ها، عامل هوش مصنوعی

هدف

عامل ADK مربوط به بینش‌های مدیریت جاده‌ها (RMI) یک رابط زبان طبیعی برای پرس‌وجو و تحلیل داده‌های RMI ذخیره‌شده در Google BigQuery ارائه می‌دهد. این عامل با بهره‌گیری از کیت توسعه عامل (ADK) گوگل و مدل‌های زبان بزرگ Gemini، کاربران را قادر می‌سازد تا بدون نوشتن دستی پرس‌وجوهای پیچیده SQL، بینش‌های کاربردی را از مجموعه داده‌های شبکه جاده‌ای و ترافیک در مقیاس بزرگ استخراج کنند.

معماری مرجع

این معماری شامل یک سیستم عامل سلسله مراتبی است که در آن یک عامل ریشه، تعاملات کاربر را برنامه‌ریزی و هماهنگ می‌کند و وظایف بازیابی داده‌های خاص و تولید SQL را به یک عامل فرعی تخصصی واگذار می‌کند.

نمودار معماری عامل RMI

قطعات

۱. عامل RMI (عامل ریشه)

  • نقش : رابط مکالمه‌ای اصلی و هماهنگ‌کننده وظایف.
  • مسئولیت‌ها :
    • زمینه مکالمه چند نوبتی را حفظ می‌کند.
    • درخواست‌های زبان طبیعی را به وظایف تحلیلی قابل اجرا تجزیه می‌کند.
    • وظایف بازیابی ساختاریافته داده‌ها را به BigQuery Agent واگذار می‌کند.
    • داده‌های جدولی خام بازگردانده شده توسط عامل فرعی را به بینش‌های مختصر و قابل خواندن توسط انسان تبدیل می‌کند.

۲. عامل BigQuery (عامل فرعی)

  • نقش : متخصص ترجمه SQL و عامل اجرای پایگاه داده.
  • مسئولیت‌ها :
    • دستورالعمل‌های زبان طبیعی را از Root Agent به کوئری‌های SQL بهینه‌شده‌ی BigQuery ترجمه می‌کند.
    • کوئری‌ها را مستقیماً روی مجموعه داده‌ی پیکربندی‌شده‌ی BigQuery اجرا می‌کند.
    • نتایج پرس و جوی خام و بدون تغییر را به Root Agent برمی‌گرداند.

۳. مجموعه داده BigQuery

  • نقش : انبار داده تحلیلی مبتنی بر ابر.
  • محتوا : جداول بینش‌های مدیریت جاده‌ها (RMI)، شامل داده‌های historical_travel_time و recent_roads_data ، که بر اساس طرح RMI BigQuery ساختار یافته‌اند.

۴. گوگل GenAI

  • نقش : موتور اصلی استدلال و تولید زبان.
  • مدل : از مدل‌های گوگل جمینی (مثلاً gemini-3.5-flash ) برای تقویت هماهنگی عامل‌ها، درک زبان طبیعی و تولید SQL استفاده می‌کند.

جریان اجرا

  1. درخواست کاربر : کاربر یک سوال به زبان طبیعی ارسال می‌کند (مثلاً «میانگین زمان سفر در جاده ۶۶ دیروز چقدر بود؟» ).
  2. برنامه‌ریزی و هماهنگ‌سازی : عامل RMI درخواست را دریافت می‌کند، مشخص می‌کند که داده‌های ترافیک تجربی مورد نیاز است و یک دستورالعمل بازیابی خاص را برای عامل فرعی تدوین می‌کند.
  3. نمایندگی : عامل RMI، عامل BigQuery را با دستورالعمل ساختاریافته و محدودیت‌های زمانی یا مکانی مربوطه فراخوانی می‌کند.
  4. تولید SQL : BigQuery Agent با بهره‌گیری از درک خود از طرح RMI، یک کوئری SQL بهینه‌شده‌ی BigQuery تولید می‌کند.
  5. اجرا و بازیابی داده‌ها : عامل BigQuery، پرس‌وجو را در مجموعه داده‌ی اصلی BigQuery اجرا می‌کند و رکوردهای جدولی حاصل را بازیابی می‌کند.
  6. سنتز پاسخ : عامل BigQuery داده‌های خام تغییر نیافته را به عامل RMI برمی‌گرداند، که نتایج را تفسیر می‌کند، شناسه‌های جاده‌ای گمشده را برطرف می‌کند و یک پاسخ زبان طبیعی واضح برای کاربر می‌سازد.

سناریوی مثال

چالش

یک برنامه‌ریز شهری باید تراکم ترافیک را در سراسر شبکه جاده‌ای کلان‌شهر ارزیابی کند تا مشخص شود که آیا زمان‌بندی چراغ‌های راهنمایی در ساعات اوج رفت و آمد عصر نیاز به تنظیم دارد یا خیر.

گردش کار راهکار

  1. پرسش کاربر : برنامه‌ریز با استفاده از رابط خط فرمان (CLI) یا رابط کاربری وب با عامل تعامل می‌کند و می‌پرسد:

    «پنج مسیر پرترافیک در مرکز شهر بوستون را جمعه گذشته ساعت ۵ بعد از ظهر شناسایی کنید.»

  2. پردازش عامل :

    • عامل RMI درخواست را تجزیه و تحلیل می‌کند. این عامل، مکان هدف ("مرکز شهر بوستون")، پنجره زمانی ("جمعه گذشته ساعت 5 بعد از ظهر") و هدف تحلیلی ("5 مسیر پرترافیک") را شناسایی می‌کند. این عامل تعیین می‌کند که "ترافیک" باید به صورت نسبت مدت زمان سفر در زمان واقعی به مدت زمان استاتیک ( duration_in_seconds / static_duration_in_seconds ) اندازه‌گیری شود.

    • این ابزار بازیابی داده‌ها را با یک دستورالعمل ساختاریافته به BigQuery Agent واگذار می‌کند:

      «بخش‌هایی از جاده‌های مرکز شهر بوستون را پیدا کنید و ۵ مورد برتر با بالاترین نسبت تراکم را برای جمعه، ۹ ژانویه ۲۰۲۶، ساعت ۵ بعد از ظهر، ارائه دهید.»

  3. بازیابی داده‌ها :

    • عامل BigQuery این دستورالعمل را به یک پرس‌وجوی SQL با هدف قرار دادن جدول historical_travel_time ترجمه می‌کند، نسبت تراکم را محاسبه می‌کند و نتایج را برای شناسایی ۵ بخش برتر مرتب می‌کند.
    • این پرس‌وجو را در BigQuery اجرا می‌کند.
    • BigQuery نتایج جدولی خام، مانند (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio) را برمی‌گرداند.

  4. تولید بینش :

    • عامل BigQuery لیست خام بخش‌ها را به عامل RMI ارسال می‌کند.
    • نماینده RMI سوابق را تجزیه و تحلیل می‌کند، بخش‌هایی از جاده را که نام‌های نمایشی یا ارجاعات فقط شناسه‌ای ندارند، مدیریت می‌کند و داده‌ها را در یک خلاصه اجرایی ترکیب می‌کند.

    • عامل پاسخ نهایی را می‌سازد:

      «در روز جمعه، ۹ ژانویه ۲۰۲۶، ساعت ۵ بعد از ظهر، شلوغ‌ترین مسیرهای مرکز شهر بوستون زمان سفر بسیار بالاتری نسبت به مدت زمان‌های معمول و ثابت خود تجربه کردند. در اینجا ۵ بخش پرترافیک بر اساس نسبت مدت زمان آگاهی از ترافیک به مدت زمان ثابت آورده شده است: جاده‌های مسیر/CgkJZ-tTXuNcW4s: این شلوغ‌ترین بخش بود، با زمان سفر ۶۶ ثانیه در مقایسه با مدت زمان ثابت فقط ۶ ثانیه (نسبت ازدحام ۱۱.۰x)...»

چت نمونه نماینده RMI

نتیجه‌گیری

با جدا کردن تعامل مکالمه‌ای و سنتز روایی از تولید SQL سطح پایین و بازیابی داده‌ها، معماری سلسله مراتبی عامل RMI ADK شکاف بین انبارهای داده مکانی پیچیده و کاربران نهایی را پر می‌کند. جداسازی اجرای پایگاه داده در یک زیرعامل تخصصی، ماژولاریتی، قابلیت نگهداری و ایمنی عملیاتی را ارتقا می‌دهد و در عین حال تصمیم‌گیرندگان را قادر می‌سازد تا به سرعت بینش‌های قابل تأیید را از طریق زبان طبیعی استخراج کنند.

مراحل بعدی

  • سفارشی‌سازی برای مورد استفاده شما : این معماری چندعاملی و طراحی سریع را با موارد استفاده خاص مکانی یا سازمانی خود تطبیق دهید.
  • با عوامل برنامه‌ریز تخصصی گسترش دهید : یک عامل برنامه‌ریز اختصاصی را برای هماهنگ کردن گردش‌های کاری تحلیلی پیچیده و چند مرحله‌ای به کار بگیرید.
  • ادغام منابع داده چندوجهی : با ترکیب داده‌های RMI با لایه‌های مکانی اضافی مانند رویدادهای آب و هوایی، برنامه‌های ساخت و ساز یا فیدهای زنده حوادث، بینش‌های مدیریت ترافیک و جاده‌ها را غنی کنید.
  • استقرار در محیط عملیاتی : با دنبال کردن راهنمای ثبت و مدیریت عامل‌های ADK میزبانی‌شده در پلتفرم عامل سازمانی Gemini، عامل خود را از نمونه اولیه به محیط سازمانی عملیاتی منتقل کنید.

مشارکت‌کنندگان

کل مارکرت | جغرافیدان فضای ابری