Компания DeepMind, с помощью своей модели искусственного интеллекта (ИИ), улучшила навигацию в картах Google — по словам инженеров, они сделали расчет времени передвижений точнее на 50%. Эксперименты проводились сразу в нескольких регионах, включая Берлин, Джакарту, Сан-Паулу, Сидней, Токио и Вашингтон. Благодаря использованию методов машинного обучения, они смогли уменьшить погрешности прогнозирования движения, включив реляционное обучение, которое моделирует дорожные сети.
Google Maps анализирует трафик в реальном времени на дорогах по всему миру, однако оно не использует многие вводные — нагрузку на дороги, среднюю скорость передвижения на конкретном участке и прочие. Машинное обучение позволяет Google Maps сочетать условия дорожного движения с историческими моделями дорог по всему миру. Для достижения этой цели компания DeepMind разработала нейронные сети графиков, которая проводит пространственно-временные рассуждения.
Вся эта информация поступает в нейронные сети, разработанные DeepMind, которые выбирают закономерности в данных и используют их для прогнозирования будущего трафика. Google говорит, что ее новые модели улучшили точность прогнозирования, однако в будущем она станет еще точнее. При этом данные автоматически будут коррелироваться, для них не нужна помощь исследователей.
Модели работают путем разделения карт на то, что Google называет «суперсегментами» — общим трафиком соседних дорог. При этом каждый из них соединен с индивидуальной нейронной сетью, которая делает прогноз интенсивности движения для конкретного сектора. Неизвестно, насколько велики эти «суперсегменты», но Google отмечает, что они имеют «динамические размеры», для каждой из них используется террабаты данных. Уникальность подхода в том, что для этого используется специальная нейросеть, которая хорошо подходит для анализа картографических данных.
Читайте также:
— Ореол Андромеды приближается к нашей галактике. Рассказываем, почему это важно
— Симптомы коронавируса у детей. На что стоит обратить внимание?
— Разработана уникальная молекула для хранения солнечной энергии