گوگل مپس چگونه از هوش مصنوعی برای پیش‌بینی زمان رسیدن به مقصد استفاده می‌کند؟

محققان گوگل و دیپ مایند در بیانه ای  جدید که روی وبلاگ گوگل منتشر شد توضیح دادند که چگونه داده ها را از منابع مختلف دریافت و انها را به درون مدل های یادگیری ماشین تزریق می کنند تا به لطف فناوری یادگیری ماشین جریان ترافیک پیش بینی شود.

داده‌های موردبحث شامل مواردی مثل داده‌های ترافیکی جمع‌آوری‌شده به‌صورت ناشناس از دستگاه‌های اندرویدی، داده‌های مربوط به تاریخچه‌ی ترافیک و اطلاعاتی همچون محدودیت سرعت در جاده و مراکز ساخت‌و‌ساز از مقامات محلی است.

محققان گوگل همچنین فاکتورههایی نظیر کیفیت ابعاد ومسیر تمامی جاده ها را بررسی  و ان را به یادگیری ماشین تزریق میکند تا دقیق ترین پیش بینی ارائه شود.در معیارهای گوگل جاده های اسفالت شده بهتر از جاده های غیر اسفالت هستند.

الگوریتم یادگیری ماشین دیپ مایند گاهی اوقات به این نتیحع می رسد که طی کردن مسیر طولانی تری از بزرگ راه به مدت زمان کمتری نسبت به طی کردن مسیر در جاده های پر پیچ و خم نیاز دارد حال انکه راننده ممکن است خلاف این موضوع را فمر کند.

تمامی اده هایی که درباره ان ها بحث کردیم به درون شبکه های عصبی طراحی شده توسط دیپ مایند فرستاده می شوند این شبکه عصبی می تواند الگوهای موجود در داده ها را شناسایی کنند و از انها برای پیش بینی ترافیک اینده بهره بگیرند.

گوگل می گوید مدل های  یادگیری عمیق ماشین جدیدش میزان دقت تخمین مدت زمان رسیدن به مقصد را در برخی از شهرها 50 درصد افزایش داده اند گوگل می گوید پس از دنیاگیری ویروس کرونا و تعمیرات ناشی از ان در زمینه ی استفاده از جاده ها مجبور شد به منظور انجام پیش بینی  داده هایی را که استفاده می کند را تغییر دهد.

جوان لائو مدیر محصول گوگل مپس در بیانه ی جدید  گوگل می گوید او و اعضای تیمش پس از بررسی دقیق متوجه شدند که در اوایل 2020 پس از اغاز قرنطینه خانگی در پی همه گیر شدن ویروس کرونا ترفایک جهان به میزان 50 درصد کاهش پیدا کرده است.

گوگل در همین راستا مجبور شد مدل های  یادگیری عمیق  خود را متحول کند تا سیستم  پیش بینی  گوگل مپس با این تغییر ناگهانی انظابق یابد گوگل مپس در این مدل جدید الگوهای  ترافیکی دو تا  چهار  هفته ی اخیر هر جاده را بررسی  و انها را بصورت خودکار  اولویت بندی  میکندالگوهایی که متعلق به بازه زمانی قدیمی تری هستند از اولویت سیستم خارج میشوند.

گوگل می‌گوید مدل‌های جدیدش نقشه را به آنچه که این شرکت «اَبَربخش» می‌نامد تقسیم می‌کنند. منظور از ابربخش، دسته‌هایی از خیابان‌های مجاور هم است که حجم ترافیک، میان آن‌ها توزیع می‌شود. هر یک از این ابربخش‌ها درکنار شبکه‌ی عصبی مجزایی قرار می‌گیرد که به‌طور ویژه مشغول پیش‌بینی ترافیک برای آن ابربخشِ به‌خصوص می‌شود و کاری به بخش‌های دیگر ندارد. درحال‌حاضر به‌طور دقیق مشخص نیست‌ که ابربخش‌های تعریف‌شده توسط گوگل چقدر بزرگ هستند؛ بااین‌حال گوگل می‌گوید این ابربخش‌ها ابعاد پویا دارند، بدین معنی که هرچه ترافیک متحول شود، ابعاد این بخش‌های بزرگ نیز تغییر می‌کند. گوگل اعلام می‌کند که هر یک از این ابربخش‌ها از یک ترابایت داده استفاده می‌کند.

کلید اصلی برای امکان‌پذیرکردن تحلیل ترافیک در این ابربخش‌ها، استفاده از نوع خاصی از شبکه‌ی عصبی است که با نام Graph Neural Network شناخته می‌شود. گوگل می‌گوید این نوع خاص از شبکه‌ی عصبی به‌گونه‌ای طراحی شده که از پیش‌نیازهای لازم برای انجام کارهای مدنظر شرکت بهره می‌برد.