¿CÓMO AYUDARON LOS ALGORITMOS DEEPMIND A MEJORAR LA PRECISIÓN DE GOOGLE MAPS?

Google y DeepMind se asociaron para diseñar un modelo de inteligencia artificial que utiliza Graph Neural Network para Google Maps

DeepMind es una de las empresas que está liderando la carga de la IA y presenta usos innovadores de la IA. Este laboratorio de inteligencia artificial con sede en Londres ha estado bajo el paraguas de Alphabet desde que este último lo adquirió en enero de 2014. Si bien las empresas de inteligencia artificial de Google lo han mantenido en funcionamiento, DeepMind es más útil cuando se trata de Google Maps. Durante años, ha sido un desafío diseñar un algoritmo de aprendizaje automático para entrenar modelos y softwares de IA para ayudar en la navegación, especialmente en entornos no estructurados. Por lo tanto, comprender cómo la IA puede aprender a navegar a través de un entorno y guiarnos en el futuro es siempre un área de interés para los investigadores.

La razón por la que es una tarea ardua es principalmente que la navegación de largo alcance es una tarea cognitiva compleja que se basa en el desarrollo de una representación interna del espacio, basada en puntos de referencia familiares y un procesamiento visual robusto, que puede apoyar simultáneamente la autolocalización continua (“I estoy aquí ”) y una representación de la meta (“ voy allí ”). Aquí es donde el aprendizaje de refuerzo profundo de DeepMindayuda a resolver el problema. Además, es esencial abordar esto, ya que las personas confían en la precisión de Google Maps para ayudarlos. Todos los días, esta aplicación proporciona direcciones útiles, información de tráfico en tiempo real e información sobre negocios a millones de personas, junto con predicciones de tráfico precisas y tiempos estimados de llegada (ETA). Como resultado, es crucial reflejar el paisaje en constante cambio de las tierras urbanas.

Recientemente, los investigadores de DeepMind se asociaron con Google Maps para mejorar la precisión de las ETA en tiempo real hasta en un 50% en lugares como Berlín, Yakarta, São Paulo, Sydney, Tokio y Washington DC mediante el uso de técnicas avanzadas de aprendizaje automático. En la actualidad, el sistema de predicción de tráfico de Google Maps consiste en un analizador de rutas para procesar información de tráfico para construir Supersegmentos (múltiples segmentos adyacentes de la carretera que comparten un volumen de tráfico significativo). También cuenta con un modelo Graph Neural Network, que está optimizado con varios objetivos y predice el tiempo de viaje para cada Supersegmento.

Los datos recopilados para entrenar el modelo de aprendizaje automático de DeepMind se extrajeron de la entrada de datos autorizados de los gobiernos locales y los comentarios en tiempo real de los usuarios. Los datos autorizados permiten que Google Maps conozca los límites de velocidad, los peajes o las restricciones de la carretera debido a cosas como la construcción, los trabajos de excavación o el cierre de COVID-19. Mientras tanto, los comentarios de los usuarios le permiten a Google saber que las carreteras pavimentadas son mejores para conducir que las no pavimentadas. También ayuda a Google a hacer que un modelo de red neuronal opte por un largo tramo de autopista como rutas eficientes que por un atajo más pequeño con múltiples paradas.

Después de recopilar los datos, en el Gráfico Red neuronal, el modelo considera la red de carreteras locales como un gráfico, con cada segmento de ruta parecido a un nodo y bordes que existen entre los segmentos que son consecutivos en la misma carretera o conectados a través de una intersección. Cuando se ejecuta un algoritmo de paso de mensajes, las redes neuronales aprendieron esos mensajes y estudiaron su efecto en los estados y el borde de los nodos. Ahora, en el mundo real, estos supersegmentos son subgrafos de carreteras, que se muestrearon al azar en proporción a la densidad del tráfico. Cuando un solo modelo se entrenó con éxito a través de estos subgráficos, el algoritmo se implementó a escala.

A través de Graph Neural Network, los investigadores pudieron llevar a cabo el razonamiento espacio-temporal incorporando sesgos de aprendizaje relacional para modelar la estructura de conectividad de las redes de carreteras del mundo real. El gerente de producto de Google Maps, Johann Lau, dice: “Observamos una disminución de hasta un 50 por ciento en el tráfico mundial cuando comenzaron los bloqueos a principios de 2020. Para tener en cuenta este cambio repentino, recientemente actualizamos nuestros modelos para ser más ágiles, priorizando automáticamente el tráfico histórico patrones de las últimas dos a cuatro semanas y patrones de despriorización de cualquier momento anterior.