U3F1ZWV6ZTQ1OTM5OTE4NDM1OTY0X0ZyZWUyODk4Mjg3MzAxMzc3OA==

DeepMind تستخدم GNNs لتعزيز دقة ETA لخرائط Google بنسبة تصل إلى 50٪

DeepMind تستخدم GNNs لتعزيز دقة ETA لخرائط Google بنسبة تصل إلى 50٪




تم إطلاق خرائط Google قبل 15 عامًا ، وهو أفضل تطبيق ملاحة في العالم بهامش جيد ، بما يتوافق مع البوابة الألمانية على الإنترنت Statista. خلال منشور على مدونة Google Cloud نُشر في سبتمبر الماضي ، قال مدير منتج خرائط Google ، إيثان راسل ، إن عددًا لا بأس به من مليار شخص يستخدمون خرائط Google شهريًا ، ويصل عدد قليل من التطبيقات ومواقع الويب النشطة إلى منتجات Google Maps Platform بشكل سداسي.

في غضون ذلك ، يعمل باحثو DeepMind الدؤوبون باستمرار على تحسين خرائط Google ، وفي الأسبوع كشفت شركة AI ومختبر الذكاء الاصطناعي ومقرها المملكة المتحدة عن شراكة مع خرائط Google التي استفادت من شبكات Graph Neural Networks (GNN) المتقدمة لتعزيز الوقت المقدر للوصول ( ETA) الدقة.

عززت الجهود المنسقة دقة اتفاقيات التجارة الإلكترونية في الوقت الفعلي بنسبة تصل إلى 50 في المائة في مدن مثل برلين وجاكرتا وساو باولو وسيدني وطوكيو وواشنطن العاصمة.

تعد ETAs وتوقعات حركة المرور من الأدوات المفيدة التي تمكن المستخدمين من التخطيط بكفاءة لأوقات المغادرة ، وتجنب الاختناقات المرورية ، وإخطار الأصدقاء والعائلة بالوصول المتأخر غير المتوقع. هذه الميزات مهمة أيضًا للشركات مثل شركات النقل ومنصات التوصيل.

لحساب ETAs ، تحلل خرائط Google بيانات حركة المرور الحية العالمية لأجزاء الطريق ذات الصلة. على الرغم من أن هذا يوفر صورة دقيقة للظروف الحالية ، إلا أنه لا يأخذ في الحسبان ما قد يواجهه السائق بعد 10 أو 20 أو ربما 50 دقيقة من الرحلة.

للتنبؤ بدقة بحركة المرور في المستقبل ، تستخدم خرائط Google التعلم الآلي لمزج ظروف حركة المرور الحية مع أنماط حركة المرور التاريخية للطرق. غالبًا ما تكون هذه عملية فاخرة بفضل الاختلافات في جودة الطرق وحدود السرعة والحوادث والبناء وإغلاق الطرق ، وعلى سبيل المثال توقيت ساعات الذروة في عدة مواقع.

بينما يُظهر أن المقدر للوصول إلى خرائط Google التنبؤية دقيقة لعدد قليل من 97 بالمائة من الرحلات ، بدأ باحثو DeepMind في التخفيف من عدم الدقة المتبقية. لمحاولة القيام بذلك على نطاق عالمي ، استخدموا GNNs - بنية التعلم الآلي المعممة - لإجراء التفكير الزماني والمكاني من خلال دمج تحيزات التعلم العلائقية لنمذجة بنية الاتصال لشبكات الطرق في العالم الحقيقي.

قسّم الباحثون شبكات الطرق إلى "أجزاء فائقة" تتكون من عدة أجزاء متجاورة من الطريق تشترك في أحجام مرورية كبيرة. يتعامل نموذجهم مع شبكة الشارع المحلية كرسم بياني ، حيث يتوافق كل جزء من المسار مع عقدة وتتواجد الحواف بين الأجزاء المتتالية على طريق مكافئ أو متصلة عبر تقاطع. يتم أخذ عينات هذه الأجزاء الفائقة مثل الرسوم البيانية الفرعية للطريق بشكل عشوائي بما يتناسب مع كثافة المرور.

في GNN ، يتم تنفيذ خوارزمية تمرير الرسائل حيث يتم التعرف على الرسائل وحالات التقلب والتأثير الخاصة بها بواسطة الشبكات العصبية. لذلك يمكن تدريب نموذج واحد باستخدام الرسوم البيانية الفرعية التي تم أخذ عينات منها ونشرها على نطاق واسع.

في حين أن الهدف الأخير من نظام النمذجة الجديد هو تقليص الأخطاء في تقديرات السفر ، وجد الباحثون أيضًا أن إنشاء استخدام مجموعة خطية من وظائف الخسارة المتعددة (مرجحة بشكل مناسب) زاد بشكل كبير من قدرة التعميم للنموذج.

كان أحد التحديات الكبيرة التي واجهها الباحثون هو حساسية GNNs للتغييرات في مناهج التدريب. عند تدريب أنظمة التعلم الآلي ، عادةً ما يتم تقليل معدل التدريب بمرور الوقت ، حيث توجد مفاضلة بين تعلم أشياء جديدة ونسيان الميزات المهمة التي تم تعلمها بالفعل. طور الباحثون أسلوبًا فريدًا للتعلم التعزيزي مكّن نموذجهم من اكتشاف جدول معدل التعلم الأمثل الخاص به ، مما أدى إلى نتائج أكثر استقرارًا وتمكينهم من نشره بسرعة أكبر.
تعليقات
ليست هناك تعليقات
إرسال تعليق

إرسال تعليق

الاسمبريد إلكترونيرسالة