Uyarlanabilir düşük gecikmeli karar verme için büyük dil modelleri kullanarak araç ağlarında dinamik görev boşaltımı

Yoğun Araçlar İçin Daha Akıllı Yardım

Günümüzün bağlı araçları navigasyon, güvenlik uyarıları, sensörler ve hatta sürücüsüz özellikler gibi birçok işlevi aynı anda yürütür—bunların tümü hızlı hesaplama gücü gerektirir. Oysa tek bir aracın yerleşik bilgisayarı ve bataryası sınırlıdır, özellikle yoğun şehir trafiğinde. Bu makale, modern sohbet botlarının arkasındaki büyük dil modellerine benzer bir yapay zeka sistemi kullanarak bu dijital iş yükünü paylaşmanın yeni bir yolunu araştırıyor. Yol kenarı birimlerine yerleştirilen bu yapay zeka, her bir aracın dijital “işlerini” gerçek zamanlı olarak nereye göndermesi gerektiğine karar vermeye yardımcı oluyor; amaç işleri hızlı tamamlatmak ve enerji tüketimini azaltmak.

Araçlar Dijital İşlerini Nasıl Paylaşıyor

Modern bir trafik ağında araçlar sürekli küçük hesaplama görevleri üretir: sensör verilerini analiz etmek, yakın araçlarla koordinasyon sağlamak veya harita ve trafik bilgilerine danışmak gibi. Her görev üç şekilde ele alınabilir: araç kendisi işleyebilir, daha donanımlı başka bir araca gönderebilir veya yol kenarı ya da bulut bilgisayarına boşaltabilir. Zorluk, araçlar yüksek hızda hareket ederken ve ağ bağlantıları gelip giderken en iyi seçeneği saniyenin parçalarında belirlemektir. Geleneksel yöntemler sabit formüller veya eğitim şemalarına dayanır ve yollar kalabalıklaştığında, koşullar hızla değiştiğinde veya çok sayıda farklı faktör aynı anda dengelemesi gerektiğinde zorluk yaşar.

Yol Kenarına Güçlü Bir Beyin Koymak

Yazarlar, yol kenarındaki kenar düğümlerine—yol boyunca araçların ağa bağlanmasına hâlihazırda yardımcı olan akıllı kutulara—büyük bir dil modeli (LLM) yerleştirilmeyi öneriyor. Bu LLM cümleleri okumak yerine trafik durumunun yapılandırılmış anlık görüntülerini okur: her aracın hızı, konumu, kalan bataryası, mevcut hesaplama gücü ve kablosuz sinyal kalitesi ile bir görevin aciliyeti ve boyutu gibi görev ayrıntıları. Bu çok boyutlu girdilerden LLM, hangi araç veya kenar düğümünün belirli bir görevi yürütmesi gerektiği konusunda “akıl yürütür”; hızı, mesafeyi, bağlantı kararlılığını ve enerji maliyetlerini tek tek değil birlikte değerlendirir. Dijital işler için bir trafik kontrolörü gibi davranır ve her görevi zamanında ve mümkün olan en az batarya tüketimiyle tamamlanma olasılığı en yüksek seçeneğe yönlendirir.

Basit Kurallardan Uyarlanabilir Muhakemeye

Bu yaklaşımın faydalarını öne çıkarmak için çalışma, LLM tabanlı sistemi iki yaygın alternatifle karşılaştırıyor: sabit ağırlıklı bir puan kullanan basit kural tabanlı yöntem ve ağaç tabanlı gelişmiş makine öğrenmesi modelleri (Random Forest ve XGBoost). Bu temel yöntemler kararı katı bir formül veya karar ağaçları koleksiyonu olarak ele alır. Az sayıda araç ve basit koşullar altında makul şekilde çalışırlar, ancak trafik yoğunlaştıkça, araçlar daha hızlı hareket ettikçe veya değerlendirilmesi gereken çok sayıda durum sinyali olduğunda başarısız olurlar. Buna karşılık LLM, eğitim sırasında karmaşık ilişkileri öğrenir ve hangi faktörlerin daha önemli olduğuna anında uyum sağlayabilir—örneğin araçlar hızlı hareket ederken daha kararlı bir bağlantıyı tercih etmek veya ağ yoğun olduğunda bataryayı korumak gibi.

Simülasyonlar Ne Gösteriyor

Yazarlar çerçevelerini gerçek şehir yollarını, kablosuz bağlantıları ve hareketli araçları taklit eden ayrıntılı bir simülatörde test ediyor. Yolda kaç aracın olduğu, araçların ne kadar hızlı hareket ettiği ve her modele ne kadar bilginin beslendiği değiştiriliyor. Bu senaryoların tamamında LLM tabanlı sistem, önceki çalışmalarda bildirilen derin pekiştirmeli öğrenme yöntemlerine ve burada test edilen ağaç tabanlı modellere göre daha fazla görevi başarılı şekilde tamamlıyor, daha düşük gecikme ve daha iyi enerji kullanımı sağlıyor. Ortalama olarak, güçlü bir pekiştirmeli öğrenme karşılaştırmasına kıyasla görev bekleme süresini yaklaşık %15 oranında kısaltıyor ve enerji verimliliğini %20’den fazla iyileştirirken, görevlerin yaklaşık %97,5’ini tamamlamayı sürdürüyor. LLM, yol kenarındaki bir grafik işlem biriminde çalışacak şekilde ayarlandığında ve sıkıştırıldığında, kendi karar verme gecikmesi zaman kritik sürüş uygulamaları için yeterince küçülüyor.

Yol Kenarındaki Zorluklar

Bu kazançlar bazı ödünlerle geliyor. Büyük dil modelleri bellek ve hesaplama gücü açısından talepkârdır; bu da sınırlı donanım üzerinde çalışması gereken yol kenarı birimleri için bir endişe kaynağıdır. Araç ve görev sayısı arttıkça kenar düğümleri yüksek CPU ve bellek kullanımıyla karşılaşabilir. Bu tür modellerin kara kutu doğası ayrıca belirli bir görev için neden bir aracın seçildiğini açıklamayı zorlaştırır. Yazarlar, modeli sıkıştırmak, daha düşük hassasiyetli hesaplama kullanmak ve modelin seçim mekanizmasını ortaya çıkaran araçları geliştirmek gibi bu sorunları hafifletme yollarını tartışıyorlar.

Geleceğin Yolları İçin Ne Anlama Geliyor

Genel olarak çalışma, araç ağlarında karar motoru olarak LLM kullanmanın özellikle kalabalık ve hızla değişen koşullarda bağlı ve özerk araçları daha duyarlı ve enerji bilincine sahip hale getirebileceğini öne sürüyor. Tüm yol sistemini canlı, değişen bir bulmaca olarak ele alıp aynı anda birden çok sinyali değerlendirerek bu modeller, her dijital görevin nerede yürütüleceğini sabit kurallardan veya eski öğrenme yöntemlerinden daha etkili seçebilir. Mühendisler kaynak gereksinimlerini kontrol altına alabilirse, LLM destekli görev boşaltımı geleceğin akıllı ulaşım sistemlerinin ana bileşenlerinden biri haline gelebilir; trafik akışını daha düzgün ve güvenli hale getirirken araçların bataryalarını ve ağ kaynaklarını daha iyi yönetmeye yardımcı olabilir.

Atıf: Trabelsi, Z., Ali, M., Qayyum, T. et al. Dynamic task offloading in vehicular networks using large language models for adaptive low latency decision making. Sci Rep 16, 9144 (2026). https://doi.org/10.1038/s41598-026-39791-y

Anahtar kelimeler: araç kenarı bilişimi, görev boşaltımı, büyük dil modelleri, özerk araçlar, düşük gecikmeli ağlar