تعد خرائط Google أحد أكثر منتجات الشركة استخداما، وقدرتها على التنبؤ بالاختناقات المرورية القادمة تجعلها لا غنى عنها للعديد من السائقين. كل يوم، كما تقول Google، يتم تشغيل أكثر من مليار كيلومتر من الطرق بمساعدة التطبيق. ولكن، كما يشرح عملاق البحث في منشور مدونة اليوم، أصبحت ميزاته أكثر دقة بفضل أدوات التعلم الآلي من DeepMind، مختبر الذكاء الاصطناعي ومقره لندن والمملوك لشركة Google الأم Alphabet.
في منشور المدونة، يشرح باحثو Google و DeepMind كيفية أخذ البيانات من مصادر مختلفة وإدخالها في نماذج التعلم الآلي للتنبؤ بتدفقات حركة المرور. تتضمن هذه البيانات معلومات حركة المرور الحية التي تم جمعها من أجهزة Android، وبيانات حركة المرور التاريخية، ومعلومات مثل حدود السرعة ومواقع البناء من الحكومات المحلية، وكذلك عوامل مثل الجودة والحجم والاتجاه لأي طريق معين. لذلك، وفقا لتقديرات Google، تفوقت الطرق المعبدة على الطرق غير المعبدة، بينما ستقرر الخوارزمية أنه من الأسرع أحيانا أن تأخذ امتدادا أطول من الطريق
السريع من التنقل في عدة شوارع متعرجة.
يتم إدخال كل هذه المعلومات في الشبكات العصبية التي صممها DeepMind التي تنتقي الأنماط في البيانات وتستخدمها للتنبؤ بحركة المرور المستقبلية. تقول Google إن طرزها الجديدة قد حسنت دقة الوقت الفعلي المقدر للوصول إلى خرائط Google بنسبة تصل إلى 50% في بعض المدن. كما يشير إلى أنه كان عليه تغيير البيانات التي يستخدمها لإجراء هذه التنبؤات بعد تفشي COVID-19 والتغيير اللاحق في استخدام الطريق.
كتب Johann Lau، مدير منتج خرائط Google، "لقد رأينا انخفاضا بنسبة تصل إلى 50% في حركة المرور حول العالم عندما بدأت عمليات الإغلاق في أوائل عام 2020". "لمراعاة هذا التغيير المفاجئ، قمنا مؤخرا بتحديث نماذجنا لتصبح أكثر مرونة- مع إعطاء الأولوية لأنماط حركة المرور السابقة تلقائيًا من آخر أسبوعين إلى أربعة أسابيع، وإلغاء ترتيب الأولويات من أي وقت قبل ذلك."
تعمل النماذج من خلال تقسيم الخرائط إلى ما تسميه Google "الأجزاء الفائقة"- مجموعات من الشوارع المجاورة التي تشترك في حجم حركة المرور. يتم إقران كل منها بشبكة عصبية فردية تقوم بتنبؤات حركة المرور لهذا القطاع. ليس من الواضح حجم هذه الأجزاء العملاقة، لكن Google تلاحظ أن لديها "أحجامًا ديناميكية"، مما يشير إلى أنها تتغير وفقا لحركة المرور، وأن كل منها يعتمد على "تيرابايت" من البيانات. مفتاح هذه العملية هو استخدام نوع خاص من الشبكات العصبية المعروفة باسم Graph Neural Network، والتي تقول Google إنها مناسبة بشكل خاص لمعالجة هذا النوع من بيانات الخرائط.
