Google Research har præsenteret ME-POIs, et framework der tilføjer viden om, hvordan et sted faktisk bruges, til tekstbaserede stedbeskrivelser (POI-embeddings). Traditionelle sprogmodeller beskriver, hvad et sted er – men de fanger ikke, hvordan det bruges. ME-POIs løser dette ved at indkode hvert besøg som en kontekstualiseret vektor og justere den mod en lærerbar prototype per sted gennem kontrastiv læring. Derefter overføres besøgsfordelinger fra datarige områder til den lange hale af steder med få data, på tværs af tre rumlige skalaer.
Resultaterne er markante: På fem kortberigelsesopgaver med mobilitetsdata fra Los Angeles og Houston forbedrede ME-POIs 34 ud af 35 model-opgave-parringer i Los Angeles – med op til 81,9 % relativ F1-forbedring på besøgsintention og en reduktion på 24,7 % i MAE for travlhed. En variant, der kun bruger mobilitetsdata, overgik endda Googles egne Gemini-tekst-embeddings på prisklasse-klassificering. Detaljerne er beskrevet i MarkTechPost-artiklen.
For beslutningstagere betyder dette, at lokationsbaserede tjenester – fra kortapps til logistik og detailhandel – kan få langt mere præcise data om, hvordan steder bruges. Det kan forbedre alt fra anbefalinger til kapacitetsplanlægning, og det giver en konkurrencefordel for virksomheder, der investerer i mobilitetsdata. ME-POIs viser, at kombinationen af sprogmodeller og bevægelsesdata er et frugtbart forskningsområde med direkte kommerciel anvendelse.
