DeepMind ha conseguido mejorar la precisión de las ETA de conducción en tiempo real en Google Maps y las API de Google Maps Platform hasta en un 50% en algunas regiones utilizando técnicas de aprendizaje automático.
La startup británica de IA DeepMind adquirida por Google en 2014 ha creado desde una red neuronal que sabe jugar a los videojuegos como un humano a una máquina de Turing neural. Esta semana ha detallado que ha mejorado las predicciones de tráfico en tiempo real en Google Maps hasta en un 50% en algunas regiones, incluidas Berlín, Yakarta, São Paulo, Sydney, Tokio y Washington DC. Utilizando machine learning la startup pudo minimizar las imprecisiones en lap previsión al incorporar sesgos de aprendizaje relacional que modelan las redes de carreteras.
Google Maps analiza el tráfico en vivo de las carreteras de todo el mundo para calcular las ETA, lo que le da a la plataforma una imagen del tráfico actual, pero no tiene en cuenta las condiciones que los conductores pueden esperar ver en 10, 20 o 50 minutos en su ruta. Utilizando el aprendizaje automático es posible combinar las condiciones del tráfico con los patrones históricos de las carreteras de todo el mundo. Así, DeepMind se propuso conseguir este propósito a escala desarrollando redes neuronales de grafos, las cuales llevan a cabo un razonamiento espacio-temporal.
Así ayuda Google Maps a combatir los incendios a tiempo real
Google Maps divide las redes de carreteras en “supersegmentos”: varios segmentos adyacentes de carreteras que comparten un volumen de tráfico significativo. Un analizador de rutas procesa terabytes de información de tráfico para construir los supersegmentos, mientras que el modelo gráfico de red neuronal predice el tiempo de viaje para cada uno de ellos. La red neuronal de DeepMund trata cada red carreteras como un gráfico: las rutas son nodos y hayn bordes entre segmentos consecutivos y aquellos conectados a través de intersecciones.
En sus experimentos, la compñaía británica ha incrementado el poder predictivo al expandirse para incluir carreteras adyacentes. “Piensa en cómo un atasco en una calle lateral puede extenderse y afectar el tráfico en una carretera más grande”, detallan en su blog. “Al abarcar múltiples intersecciones, el modelo gana la capacidad de predecir de forma nativa retrasos en los giros, retrasos debidos a la fusión y el tiempo de recorrido general en el tráfico de paradas y arranques”.
Los MetaGradients adaptan dinámicamente la tasa de aprendizaje de la red neuronal gráfica durante el entrenamiento. De esta manera, el modelo no solo logra una calidad más alta que antes, sino que aprende a disminuir la tasa de aprendizaje automáticamente, estabilizando los resultados.“Juntos, pudimos superar tanto los desafíos de investigación como los problemas de producción y escalabilidad. Al final, el modelo y las técnicas finales condujeron a un lanzamiento exitoso”, apuntan desde DeepMind.
Más allá de sus proyectos con Google, DeepMind ha contribuido con algoritmos, marcos y metodologías para reforzar los sistemas de conducción autónoma de Waymo.