Введение

DeepMind был основан в 2010 году Демисом Хассабисом, Шейном Леггом и Мустафой Сулейманом. Изначально DeepMind начал работать над искусственными технологиями, обучая нейронную сеть старым играм семидесятых и восьмидесятых годов, что было довольно примитивно по сравнению с сегодняшней игрой. Некоторые из этих игр включали Breakout, Space Invaders и Pong. Эти игры были представлены ИИ, потому что без какого-либо предварительного знания его правил и после некоторого времени изучения игры ИИ в конечном итоге становился экспертом в игре. Конечной целью основателей было создание универсального ИИ, который может быть эффективным и полезным практически во всем. В 2014 году Google объявил о приобретении компании за 500 миллионов долларов.

Машинное обучение

Цель компании — объединить лучшие методы машинного обучения и системной нейронауки для создания самых умных алгоритмов общего назначения. Карты Google — одно из наиболее часто используемых приложений Google. В первую очередь карты используют дальнюю навигацию, и это была сложная когнитивная задача, основанная на развитии внутреннего представления о пространстве, основанного на знакомых ориентирах и надежной визуальной обработке, которая может одновременно поддерживать непрерывную самолокализацию («Я здесь» ) и представление цели («я иду туда»). Где DeepMind приходит к картинкам, чтобы решить заминку.

Чтобы решить проблему с Google Maps, исследователи DeepMind объединились с Google Maps, чтобы повысить точность расчета ожидаемого времени прибытия в реальном времени на 50% в таких местах, как Берлин, Сан-Паулу, Токио, Джакарта и Вашингтон, округ Колумбия, с помощью усовершенствованной машины. техники обучения. В настоящее время система прогнозирования трафика Google Maps состоит из анализатора маршрута для обработки информации о дорожном движении для построения суперсегментов (несколько смежных сегментов дороги, которые разделяют значительный объем трафика). Он также имеет модель графовой нейронной сети, которая оптимизирована для различных целей и прогнозирует время в пути для каждого суперсегмента.

Данные были собраны из авторитетных данных, введенных местными органами власти, и отзывов пользователей в режиме реального времени для обучения модели машинного обучения DeepMind. Достоверные данные позволяют Картам узнавать об ограничениях скорости, платных дорогах или дорожных ограничениях из-за таких вещей, как строительство, земляные работы или закрытие из-за COVID-19. Параллельно отзывы пользователей дают понять Google, что дороги с твердым покрытием лучше для вождения, чем грунтовые.

После обучения Graph Neural Network модель рассматривает локальную дорожную сеть как граф. с каждым сегментом маршрута, напоминающим узел и ребра, которые существуют между сегментами, которые следуют друг за другом на одной дороге или соединяются через перекресток. Когда выполняется алгоритм передачи сообщений, нейронные сети изучают эти сообщения и изучают их влияние на состояния узлов и границы. Теперь в реальном мире эти суперсегменты представляют собой дорожные подграфы, которые выбираются случайным образом пропорционально плотности трафика. Когда одна модель была успешно обучена с помощью этих подграфов, алгоритм был развернут в масштабе.

С помощью Graph Neural Network исследователи смогли проводить пространственно-временные рассуждения, включив предвзятость относительного обучения для моделирования структуры связности реальных дорожных сетей. Менеджер по продуктам Google Maps Иоганн Лау говорит: «Когда в начале 2020 года начались ограничения, объем трафика по всему миру сократился на 50 %. Чтобы учесть это внезапное изменение, мы недавно обновили наши модели, чтобы они стали более гибкими — автоматически расставляя приоритеты по трафику за прошлые периоды. паттерны за последние две-четыре недели и удаление паттернов из любого предшествующего периода.

Спасибо за чтение….