Mapy Google wiedzą, że się spóźnisz, zanim pojawią się korki. Jak to możliwe?

{reklama-artykul}Gigant z Mountain View chwali się, że Mapy Google coraz precyzyjniej przewidują szacowany czas przyjazdu do celu. W niektórych przypadkach przekłada się to 50-procentowy wzrost skuteczności. Jak to możliwe? We wpisie blogowym czytamy, że jest to wynik współpracy z DeepMind, czyli londyńskim laboratorium zajmującym się szeroko rozumianą sztuczną inteligencją.

Kiedy 97 proc. skuteczności to za mało

Jak tłumaczą naukowcy z DeepMind, za wszystkim stoi maszynowe uczenie. Dane dostarczane algorytmom zawierają m.in. anonimowe informacje od użytkowników sprzętu z Androidem przekazywane w czasie rzeczywisty czy historyczne dane o ruchu. Modele maszynowego uczenia jednocześnie dysponują informacjami (przekazywanymi od władz lokalnych) o remontach, ograniczeniach, a także jakości samej nawierzchni.

Cały zbiór przetwarzany jest przez sieci neuronowe, które następnie wyliczają szacowany czas przyjazdu (ETA). Google chwali się, że dotyczasowa dokładność szacunków utrzymywała się na poziomie 97 proc. Z kolei dzięki wsparciu DeepMind, w niektórych miejscach wyniki udało się poprawić nawet o 50 proc. (np. 3-milionowe miasto Taizhong na Tajwanie).

Miejsca, w których nastąpiła znaczna poprawa. | Źródło: DeepMind

Skąd taka poprawa? Jak informują przedstawiciele Google, modele maszynowego uczenia nadają priorytet wzorom wytworzonym w okresie od 2 do 4 tygodni, na bok spychając te starsze, dzięki czemu są w stanie szybko dostosować się do zmieniających warunków. Za przykład niech tu posłuży wprowadzenie lockdownu, który nagle spowodował 50-procentowy spadek ruchu na drogach. I tu uwaga: Mapy Google potrafią już precyzyjnie szacować czas dotarcia do celu przy uwzględnieniu nawet tak niecodziennych okoliczności.

Jak to działa?

W skrócie: model szatkuje mapę na tzw. Supersegmenty, czyli zbiór przyległych ulic dzielących ten sam ruch. Każda z tych wydzielonych części posiada swoją sieć neuronową, która szacuje m.in. ilość samochodów poruszających się z określoną prędkością – wszystko to przekłada się na terabajty danych, które należy regularnie przetwarzać.

Architektura modelu wykorzystywanego przez Google. | Źródło: DeepMind

Nie mamy informacji, jakich rozmiarów są te rzeczone Supersegmenty. Natomiast Google wspomina, że mogą się dynamicznie zmniejszać i rosnąć, w zależności od aktualnego ruchu ulicznego. Wiemy też, że centralną rolę w procesie “wyciągania wniosków” odgrywa model oparty na architekturze Graph Neural Networks.

Zdaniem Google jest on wyjątkowo wrażliwy na wszelkie zmiany, przez co idealnie nadaje się do przewidywań np. czy czas dotarcia do celu wydłuży się poprzez kroki, których jeszcze nie ma. Czyli na długo przed porannym budzikiem, Google już wie, że spóźnimy się do pracy.

Źródło: Google, DeepMind