Mapy Google pokażą czas dojazdu o 50 proc. dokładniej. Im większe miasto, tym lepsze szacunki
Mapy Google staną się znacznie bardziej dokładne w szacowaniu czasu dojazdu. Stanie się to za sprawą współpracy z DeepMind i ich siecią neuronową.
![Nawigacja w Mapach Google z nowym głosem. Robot zastąpił człowieka](/_next/image?url=https%3A%2F%2Focs-pl.oktawave.com%2Fv1%2FAUTH_2887234e-384a-4873-8bc5-405211db13a2%2Fspidersweb%2F2020%2F05%2Fgoogle-mapy-nawigacja.jpg&w=1200&q=75)
Mapy Google są najprawdopodobniej najpopularniejszym systemem nawigacji na świecie. Nie są idealne, ale za to są darmowe, więc na wstępie wygrywają z większością konkurencji.
Lista braków i niedoróbek jest pokaźna, a Google postanowił poprawić parametr, który potrafi irytować kierowców zwłaszcza w dużych miastach, a już szczególnie w godzinach szczytu. Mowa o szacowanym czasie dojazdu na miejsce.
Czas dojazdu na miejsce w Mapach Google ma działać znacznie lepiej w dużych miastach.
![mapy google nowości urodziny](/_next/image?url=https%3A%2F%2Focs-pl.oktawave.com%2Fv1%2FAUTH_2887234e-384a-4873-8bc5-405211db13a2%2Fspidersweb%2F2020%2F02%2Fmapy-google-nowosci-urodziny.png&w=1200&q=75)
Czas dojazdu w Mapach Google jest liczony na żywo na bazie całej serii zmiennych, w tym natężenia ruchu, informacji o robotach drogowych, a także o nawykach kierowcy. Na długich trasach czasy dojazdu na ogół są dość dokładne, ale problem pojawia się w momencie, gdy miasto się korkuje.
W takim wypadku czas potrafi skoczyć nawet o godzinę względem początkowego, co wielu kierowcom potrafi podnieść ciśnienie. Często okazuje się, że wyjeżdżamy z korka po kilkunastu minutach, a wtedy czas wraca do pierwotnej wartości, czyli zmniejsza się o kilkadziesiąt minut.
Teraz takich sytuacji ma być mniej za sprawą współpracy Google i DeepMind, czyli firmy specjalizującej się w tworzeniu architektury sieci neuronowych (artificial neural networks). Pomysł jest zasadniczo bardzo prosty. DeepMind opracował technologię, która dzieli trasy na małe odcinki składające się z poszczególnych ulic lub segmentów pomiędzy skrzyżowaniami.
System bierze pod uwagę czas potrzebny na stanie na światłach i tym podobne czynniki. Poszatkowanie trasy na setki malutkich segmentów ma działać dużo lepiej niż system opracowany przez Google’a. Rozwiązanie DeepMind potrafi też analizować w czasie rzeczywistym jak bardzo rozluźni się ruch kiedy kierowcy zaczną korzystać z bocznych uliczek w celu ominięcia korków.
Zasadniczo im większe miasto, tym większy zysk z algorytmów DeepMind.
![](/_next/image?url=https%3A%2F%2Focs-pl.oktawave.com%2Fv1%2FAUTH_2887234e-384a-4873-8bc5-405211db13a2%2Fspidersweb%2F2020%2F09%2Fgoogle-deepmind.png&w=1200&q=75)
Poprawność wyznaczania czasu dojazdu znacznie wzrośnie w takich aglomeracjach jak Berlin, Dżakarta, Sao Paulo, Sydney, Tokio, czy Waszyngton. Na ogół mówimy o poziomie 20–30 proc. dokładniejszym, ale system potrafi też notować wyniki aż o 50 proc. lepsze. Przykładem jest Taizhong w zachodnim Tajwanie z populacją 2,8 mln mieszkańców.
Współpraca Google i DeepMind obejmie też inne obszary, w tym np. algorytmy rekomendacji w sklepie Google Play. Ciekaw jestem, czy w najbliższym czasie odczujemy jakieś różnice jeżdżąc z Mapami Google po Polsce. Można się spodziewać, że jest to tylko kwestią - nomen omen - czasu.
Nie przegap nowych tekstów. Obserwuj Spider's Web w Google News.