IA : Google Maps s’associe à DeepMind pour rendre ses prévisions de trafic plus sûres

Cela fait près de 13 ans que Google Maps fournit des informations sur la circulation pour aider ses utilisateurs à se repérer tout en évitant les bouchons. Pour améliorer encore ces prévisions, Google et DeepMind, le laboratoire de recherche sur l’IA de sa maison-mère Alphabet, ont cherché à améliorer – jusqu’à 50 % – l’exactitude de l’heure d’arrivée estimée (ETA) dans des mégalopoles comme Sydney, Tokyo, Berlin, Jakarta, Sao Paulo ou encore Washington DC. Comment ? En utilisant une technique d’apprentissage automatique connue sous le nom de réseaux neuronaux de graphes.

Google Maps utilise désormais des données de localisation agrégées et des modèles de trafic historiques pour comprendre les conditions de circulation afin de déterminer les estimations de trafic actuelles, alors le logiciel ne tenait jusqu’à maintenant pas compte de ce à quoi le trafic pourrait ressembler si un embouteillage se produisait pendant le trajet. Résultat des courses, Google Maps se montre aujourd’hui plus précis que jamais. 

Pour Johann Lau, responsable produit de Google Maps, “nos prévisions d’ETA ont déjà une barre de précision très élevée, notamment grâce à cette technique qui permet à Google Maps de mieux prévoir si oui ou non vous serez affecté par un ralentissement qui n’a peut-être même pas encore commencé”.

Les réseaux neuronaux de graphes

Cette efficacité, Google Maps pourrait pourtant encore la renforcer en se basant sur les réseaux neuronaux de graphes, comme le notent les chercheurs de DeepMind, pour qui cela permettrait à Google Maps d’incorporer “des biais d’apprentissage relationnel pour modéliser la structure de connectivité des réseaux routiers du monde réel”. “Nos expériences ont démontré des gains de pouvoir prédictif en s’étendant pour inclure des routes adjacentes qui ne font pas partie de la route principale”, expliquent ainsi les équipes de DeepMind dans un article de blog.

“Pensez par exemple à la façon dont un embouteillage sur une rue latérale peut déborder pour affecter le trafic sur une route plus grande. En couvrant plusieurs intersections, le modèle permet de prédire les retards dans les virages, les retards dus à la fusion et le temps de parcours global dans les embouteillages. Cette capacité des réseaux neuronaux de graphes à se généraliser sur des espaces combinatoires est ce qui confère à notre technique de modélisation toute sa puissance”, rapportent ces derniers.

Une remarque reçue cinq sur cinq du côté de Google Maps, qui a mis à jour son modèle d’apprentissage automatique afin de prendre en compte les changements dans les schémas de circulation mondiaux. Le modèle de Google Maps donne désormais automatiquement la priorité aux modèles de trafic historiques des deux à quatre dernières semaines afin de déceler des changements majeurs qui pourraient avoir lieu, comme ce fut le cas pendant la récente période de confinement.

Ces modèles prédictifs de trafic sont désormais devenus un maillon essentiels dans la façon dont Google Maps détermine les itinéraires, en plus des données officielles des gouvernements locaux et des commentaires en temps réel des utilisateurs pour déterminer les changements de l’état des routes.

“Si nous prédisons que le trafic risque de devenir dense dans une direction, nous vous trouverons automatiquement une alternative moins fréquentée”, promet désormais Google Maps, qui entend également s’appuyer sur une analyse de la qualité des revêtements et du caractère direct ou non des routes pour nous faire arriver à bon port de manière encore plus rapide qu’auparavant.

Source : ZDNet.com