La movilidad revoluciona la comprensión de lugares en modelos de lenguaje

How mobility gives language models a deeper understanding of place

Investigadores de Google han desarrollado un marco dinámico que integra datos de movilidad en modelos de inteligencia artificial, permitiendo una comprensión más profunda de los lugares. Este enfoque, denominado Mobility-Embedded POIs (ME-POIs), mejora significativamente las predicciones sobre atributos del mundo real como horarios de apertura, niveles de precios y niveles de actividad. Tradicionalmente, los modelos de lenguaje se han basado en metadatos estáticos para representar lugares o puntos de interés (POIs). Sin embargo, el nuevo marco de ME-POIs incorpora patrones de movilidad agregados y anonimizados, como tiempos de llegada, duraciones de estancia y patrones de movimiento circundantes, para crear una representación más completa y dinámica de un lugar.

El sistema ME-POIs utiliza un enfoque auto-supervisado para combinar descripciones textuales con patrones de movilidad a gran escala, creando una representación numérica que codifica tanto la identidad de un lugar como su funcionalidad dinámica. Esta integración ha demostrado proporcionar una ventaja contextual que mejora en un 81.9% la predicción de la intención de visita, un 75.1% la clasificación de niveles de precios y un 24.7% la estimación de la actividad en lugares no vistos previamente.

El marco ME-POIs resuelve el persistente problema de la escasez de datos en la ciencia de datos geoespaciales, conocido como el problema de la «larga cola». Mientras que los lugares famosos generan abundantes datos de visitas, la mayoría de los negocios locales sufren de escasez de datos. ME-POIs aborda este problema mediante un mecanismo de propagación de visitas a múltiples escalas espaciales, transfiriendo patrones de visita de vecinos ricos en datos a lugares cercanos con datos escasos.

Fuente: https://research.google/blog/how-mobility-gives-language-models-a-deeper-understanding-of-place/