نشر شبكة لوجستية طارئة يقودها الذكاء الاصطناعي في بيئات ديناميكية

لماذا تسليمات الطوارئ الأذكى مهمة

عندما تضرب الكوارث — جائحة، عاصفة ثلجية، حادث كبير — فإن إيصال الأدوية والطعام والضروريات إلى الأماكن الصحيحة بسرعة قد يكون مسألة حياة أو موت حرفياً. ومع ذلك، غالباً ما تخمن أنظمة التوصيل الطارئة أين سيكون الطلب وتتبع خططاً جامدة تنهار عندما تتغير الحقيقة. تقدم هذه الدراسة نهجاً يقوده الذكاء الاصطناعي يساعد المدن على إعادة التفكير باستمرار في أماكن وضع المركبات والإمدادات بحيث يمكنها خدمة الناس بسرعة وباعتمادية، حتى عندما تكون الظروف فوضوية وغير مؤكدة.

رؤية المدينة كشَبكة حية

يعامل المؤلفون نظام اللوجستيات الطارئة في المدينة كشَبكة من المناطق والطرق المتصلة. يتصاعد الطلب على الرحلات أو التوصيل ويضعف من ساعة إلى أخرى ومن حي إلى آخر، خاصة خلال الأحداث الكبرى. غالباً ما تعتمد أدوات التخطيط التقليدية على المتوسطات أو الاتجاهات البسيطة، وهو ما يفشل عندما تعطل موجة مرض مفاجئة أو عاصفة ثلجية الأنماط الطبيعية. هنا تُنمذج المدينة كشبكة من العقد (مناطق بحاجة للخدمة) والروابط (الطرق)، مما يسمح للنظام بمراقبة كيف تمتد موجات الطلب عبر المكان والزمان بدلاً من التعامل مع كل منطقة بمعزل عن غيرها.

السماح للأحداث بإعادة تشكيل التوقع

في جوهر الإطار يوجد محرك تنبؤ مدفوع بالأحداث، وهو نوع من الشبكات العصبية المبنية على الرسوم البيانية. بدلاً من توقع الطلب المستقبلي اعتماداً على أرقام الماضي فقط، يستوعب أيضاً معلومات عن الصدمات الواقعية مثل انتشار الفيروسات، تحذيرات الطقس، أو إغلاق الطرق. يتعلم هذا النموذج كيف يتدفق الطلب عادةً بين المناطق المجاورة وكيف تُعطل الأحداث الكبرى تلك الأنماط أو تُغيرها. بدلاً من إخراج أفضل تقدير وحيد للطلب المستقبلي، ينتج مدى من القيم المحتملة ومدى عدم اليقين المرتبط بكل منها — باختصار سحابة احتمالية عما قد يحدث بعد ذلك في كل جزء من المدينة.

التخطيط للأسوأ بدون إهدار الموارد

التنبؤات، مهما كانت ذكية، ليست كاملة أبداً. إذا قام المخططون بالتحسين فقط حول توقع واحد، فقد تُفاجئهم الحقيقة عندما تكون أسوأ، مما يترك المركبات والإمدادات في الأماكن الخاطئة. للتعامل مع ذلك، تستخدم الدراسة نهجاً يسمى التحسين الصلب التكيفي. يأخذ تقديرات عدم اليقين من الذكاء الاصطناعي ويحوّلها إلى «مجموعة عدم يقين» مصممة بعناية تلتقط كيف قد ينحرف الطلب عن التوقع المركزي. ثم يُقسّم مشكلة التخطيط إلى مرحلتين: أولاً، تحديد أماكن وضع المستودعات والمركبات قبل الفترة التالية؛ ثانياً، بمجرد رصد الطلب الفعلي وظروف الطرق، تعديل المسارات وإعادة التزويد بأكثر شكل فعّال من حيث التكلفة. تعكس هذه المنطقية المكونة من خطوتين ما يفعله مديرو الطوارئ عملياً — الاستعداد بشكل واسع ثم التعديل أثناء التنفيذ — مع ضمان رياضي لأداء جيد حتى في أسوأ الحالات.

التعلم والتكيف أثناء تطور الأزمات

يعمل النظام الكامل في حلقة دائرية متكررة من التنبؤ–التحسين–التحديث. ساعة بساعة، يستقبل بيانات جديدة، يحدّث توقعاته، يعيد بناء مجموعة عدم اليقين، ويُعيد حساب خطط النشر والمسارات. اختبر الباحثون هذا الإطار المغلق على مجموعة بيانات ضخمة واقعية لسيارات الأجرة والعمل المؤجَّر في مدينة نيويورك من 2019 إلى 2022، والتي تتضمن تفشي كوفيد-19 وعاصفة ثلجية شديدة. في مهام توصيل طارئة محاكاة باستخدام هذه الظروف، زادت طريقتهم حصة الطلب الملبى من نحو 71% إلى أكثر من 96% وخفضت متوسط تأخيرات التوصيل من 45 دقيقة إلى نحو 12 دقيقة مقارنةً بأساس قوي كان يستخدم بالفعل تنبؤات الذكاء الاصطناعي لكنه اعتمد على تخطيط أبسط. كما استخدمت الأسطول بشكل أكثر كفاءة وحافظت على تكاليف التشغيل ضمن نطاقات معقولة، مما يظهر أن التخطيط الصلب لا يجب أن يكون مفرط الحذر أو مسرفاً.

ماذا يعني هذا لحالات الطوارئ المستقبلية

بعبارات بسيطة، تُظهر الدراسة أن الجمع بين قدرة الذكاء الاصطناعي على توقع تغير الطلب والتخطيط الحذر الواعي بالمخاطر يمكن أن يجعل توصيلات الطوارئ أسرع وأكثر موثوقية. من خلال الاستعداد صراحةً لعدم اليقين بدلاً من تجاهله، يحافظ الإطار على مستويات الخدمة مرتفعة حتى عندما تكون الكوارث في أشدها. ومع أن هناك حاجة لمزيد من الاختبارات في مدن وأنواع كوارث أخرى، فإن هذا العمل يشير إلى أنظمة لوجستيات طوارئ تفكر مسبقاً، تتكيف باستمرار، وتساعد في ضمان وصول الإمدادات الحرجة إلى أين ومتى تكون مطلوبة أكثر.

الاستشهاد: Mei, L., Chenjing, Y. & Sha, S. AI-driven emergency logistics network deployment in dynamic environments. Sci Rep 16, 11596 (2026). https://doi.org/10.1038/s41598-026-41708-8

الكلمات المفتاحية: اللوجستيات الطارئة, النشر الديناميكي, التحسين الصلب, تنبؤ الطلب, الاستجابة للكوارث