سایمون ویلیسون، برنامه‌نویس و تحلیل‌گر حوزه فناوری، در یک آزمایش کاربردی نشان داد که نسخه جدید ChatGPT Work با بهره‌گیری از مدل GPT-6 Astra (نسخه Max) قادر است با تحلیل داده‌های جغرافیایی باز، مسیرهای ورزشی شخصی‌سازی‌شده و دقیقی را طراحی کند. در این آزمایش، هوش مصنوعی پس از دریافت آدرس محل سکونت کاربر، مسیرهای دویدن ۵ و ۱۰ کیلومتری دایره‌ای (لوپ) را طراحی کرده و خروجی را به صورت نقشه تعاملی داخلی و فایل‌های قابل دانلود با فرمت‌های استاندارد GPX و GeoJSON ارائه داده است.
جزئیات فنی و نحوه عملکرد سیستم
طبق توضیحات ارائه شده، این سیستم برای موقعیت‌یابی آدرس کاربر از ابزار Nominatim و برای دریافت داده‌های جاده‌ها و مسیرهای محلی از Overpass (مربوط به پروژه OpenStreetMap) استفاده کرده و سپس محاسبات مربوط به ایجاد مسیرهای دایره‌ای را به صورت محلی انجام داده است. فرآیند پردازش و تولید این مسیرها حدود ۲۷ دقیقه به طول انجامیده است.
برای نمایش نقشه تعاملی در رابط کاربری ChatGPT، سیستم از قابلیت تجسم‌سازی (visualize skill) استفاده کرده و یک فایل HTML محلی ایجاد کرده است. این نقشه با استفاده از کتابخانه D3.js که از بسترهای توزیع محتوای مجاز (مانند jsdelivr) بارگذاری می‌شود، رندر شده و داده‌های هندسی مسیر را به نمایش می‌گذارد.
نقاط ضعف و محدودیت‌های شناسایی‌شده
با وجود موفقیت‌آمیز بودن خروجی، ویلیسون به دو چالش و محدودیت جدی در تجربه کاربری این ابزار اشاره کرده است:
- عدم شفافیت در اجرای کد: کدهای پایتون اجرا شده و جزئیات دقیق فرآیند محاسبات در رابط کاربری ChatGPT برای کاربر قابل مشاهده نیست که این موضوع یک ضعف در شفافیت عملکردی سیستم محسوب می‌شود.
- مشکل فشرده‌سازی تاریخچه گفتگو (Compaction): به دلیل فشرده‌سازی تاریخچه گفتگو در طول زمان توسط مدل، سیستم در مراحل بعدی گفتگو دیگر قادر به بازیابی و ارائه کدهای پایتون استفاده‌شده نبود. ویلیسون پیشنهاد می‌کند که سیستم‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) باید متن‌های پیش از فشرده‌سازی را حفظ کرده و آن‌ها را از طریق فراخوانی ابزارها (agent tool calls) در دسترس کاربران قرار دهند تا از بروز چنین مشکلاتی جلوگیری شود.