Google Maps: Deepmind-KI verbessert Reisezeit-Prognosen
Eine Google-Maps-Karte auf einem Smartphone-Bildschirm mit der erwarteten Ankunftszeit

Eine neue Deepmind-KI macht die Reisezeit-Prognosen von Google Maps um bis zu 50 Prozent genauer.

Seit knapp 13 Jahren liefert Google Maps bei der Navigation Zusatzinformationen wie die geschätzte Ankunftszeit. Maps-Nutzer planen damit Abfahrtszeiten, alternative Routen, vermeiden Staus, umfahren Baustellen oder informieren ihre Freunde über Verspätungen. Laut Google hat Maps mehr als eine Milliarde Nutzer monatlich.

In einem Blog-Eintrag stellen jetzt Google und die KI-Schwester Deepmind ein Update für Google Maps vor, mit dem die Vorhersagen der Reisedauer noch genauer werden sollen.

Dafür sammelt Deepmind zunächst unzählige Verkehrsdaten wie anonyme Live-Verkehrsdaten von Android-Smartphones, historische Verkehrsdaten, Geschwindigkeitsbegrenzungen, Baustellenorte und andere Faktoren wie die Qualität, Größe und Richtung jeder Straße. Mit diesen Daten trainierte Deepmind anschließend ein neuartiges KI-System (siehe unten).

Durch die neue KI soll Google Maps in Städten wie Berlin, Jakarta, São Paulo, Sydney, Tokio und Washington D.C bis zu 50 Prozent genauere Ankunftszeiten vorhersagen.

Google zeigt die Verbesserungen für Google Maps auf einer Karte

Je nach Stadt erzielt die neue KI-Hilfe von Deepmind bis zu 50 Prozent genauere Vorhersagen zur Verkehrslage und dadurch zur Ankunftszeit. | Bild: Deepmind

Deepmind teilt die Welt in Supersegmente auf

Für das KI-Training nutzt Deepmind sogenannte neuronale Graphennetzwerke (GNN). Ein Graphennetzwerk besteht aus mehreren neuronalen Netzen (Knoten), die miteinander verbunden sind und kommunizieren. Sie eigenen sich besonders gut, um Interaktionen zwischen einzelnen Einheiten abzubilden – so wie sie im Straßenverkehr laufend passieren.

Deepmind weist jedem Knoten im neuronalen Graphennetzwerk einen Straßenabschnitt zu, der Teil eines sogenannten „Supersegments“ ist. Als Supersegmente bezeichnen die Forscher größere, viel befahrene Straßennetzwerke, die sich Verkehr teilen. Jeder Knoten ist nur mit den Knoten in der unmittelbaren Nachbarschaft verbunden. Dadurch kann Deepmind komplexe Verkehrsknoten im neuronalen Graphennetzwerk repräsentieren.

Supersegmente als Teil des großen Ganzen

Da das Netzwerk mehrere Straßenkreuzungen plus Nebenstraßen umfasst, kann es Einflüsse außerhalb der Hauptroute in die Prognose einbeziehen. So erlangt es die Fähigkeit, Verzögerungen durch Abbiegungen, Zusammenführungen oder Stop-and-Go-Verkehr vorherzusagen.

Darstellung eines Graphennetzwerks

Deepmind nutzt die gesammelten Daten und Supersegmente, um ein neuronales Graphennetzwerk zu trainieren. Das gibt anschließend Vorhersagen zur erwarteten Ankunftszeit von Google-Maps-Nutzern ab. | Bild: Deepmind

Die einzelnen Graphen der Supersegmente dienen dann als Trainingsdaten für ein städteübergreifendes neuronales Graphennetzwerk, das lernt, aus den zur Verfügung stehenden Informationen korrekte Vorhersagen abzuleiten. Mehr Details den Hürden beim KI-Training stehen im Google Blog und im Deepmind Blog.

KI-Forscher verwendeten kürzlich ein neuronales Graphennetzwerk, um die Bewegung von Teilchen und die Masseverteilung von dunkler Materie zu beschreiben – und waren damit erfolgreich. Mehr dazu steht in unserem Artikel “KI in der Physik: Steht eine Wissenschaftsrevolution bevor?”.

Weiterlesen über Künstliche Intelligenz:

steady2

Filed under: Apps,Deepmind,google,KI und Forschung,Künstliche Intelligenz,Tools - @ 6. September 2020 9:34