Nowości

W jaki sposób Mapy Google wykorzystują narzędzia AI DeepMind do przewidywania czasu przybycia

Mapy Google to jeden z najczęściej używanych produktów firmy, a możliwość przewidywania zbliżających się korków sprawia, że ​​jest on niezbędny dla wielu kierowców. Google mówi, że każdego dnia z pomocą aplikacji pokonuje się ponad miliard kilometrów dróg. Ale, jak wyjaśnił gigant wyszukiwania w dzisiejszym poście na blogu, jego funkcje działają tylko dzięki narzędziom do uczenia maszynowego z DeepMind, londyńskiego laboratorium AI należącego do firmy macierzystej Google Alphabet.

W poście na blogu badacze Google i DeepMind wyjaśniają, w jaki sposób pobierają dane z różnych źródeł i wprowadzają je do modeli uczenia maszynowego w celu przewidywania przepływów ruchu. Dane te obejmują bieżące informacje o ruchu drogowym zebrane anonimowo z urządzeń z systemem Android, historyczne dane o ruchu drogowym, informacje, takie jak ograniczenia prędkości i place budowy od samorządów lokalnych, a także czynniki takie jak jakość, rozmiar i kierunek danej drogi. Tak więc, według szacunków Google, drogi utwardzone pokonują nieutwardzone, podczas gdy algorytm zdecyduje, że czasami szybsze jest pokonanie dłuższego odcinka autostrady niż pokonywanie wielu krętych ulic.

Google twierdzi, że użycie narzędzi AI DeepMind poprawiło dokładność ETA w Mapach nawet o 50 procent.
: Google

Wszystkie te informacje są wprowadzane do sieci neuronowych zaprojektowanych przez DeepMind, które wychwytują wzorce w danych i wykorzystują je do przewidywania przyszłego ruchu. Google twierdzi, że jego nowe modele poprawiły dokładność szacowanych czasów dotarcia do Google Maps w czasie rzeczywistym nawet o 50 procent w niektórych miastach. Zauważa również, że musiał zmienić dane, których używa, aby sformułować te prognozy po wybuchu COVID-19 i późniejszej zmianie w użytkowaniu dróg.

„Odnotowaliśmy nawet 50-procentowy spadek ruchu na całym świecie, gdy na początku 2020 r. Zaczęły się blokady” – pisze kierownik produktu Map Google, Johann Lau. „Aby uwzględnić tę nagłą zmianę, niedawno zaktualizowaliśmy nasze modele, aby stały się bardziej elastyczne – automatycznie nadając priorytety historycznym wzorcom ruchu z ostatnich dwóch do czterech tygodni i pozbawiając priorytetów wzorców z dowolnego wcześniejszego okresu”.

Modele działają, dzieląc mapy na tzw. „Supersegmenty” – skupiska sąsiadujących ulic, które dzielą natężenie ruchu. Każdy z nich jest powiązany z indywidualną siecią neuronową, która prognozuje ruch dla tego sektora. Nie jest jasne, jak duże są te supersegmenty, ale Googles zauważa, że ​​mają one „dynamiczne rozmiary”, co sugeruje, że zmieniają się wraz z ruchem i że każdy z nich pobiera „terabajty” danych. Kluczem do tego procesu jest użycie specjalnego typu sieci neuronowej znanej jako Graph Neural Network, która według Google jest szczególnie dobrze przystosowana do przetwarzania tego rodzaju danych mapowania.

Aby uzyskać więcej informacji, sprawdź nasze posty na blogu Google i DeepMind tutaj i tutaj.

Zostaw komentarz

Maciek Luboński
Z wykształcenia jestem kucharzem , ale to nie przeszkadza mi pisać dla Was tekstów z wielu ciekawych dziedzin , których sam jestem fanem.Piszę dużo i często nie na tak jak trzeba , ale co z tego skoro tak naprawdę liczy się pasja.

Najlepsze recenzje

Video

gallery

Facebook