En 2014, Google rachète DeepMind, une entreprise Britannique spécialisée dans l’intelligence artificielle. L’entreprise utilise du DeepLearning permettant à l’IA d’apprendre de manière autonome sans programmation préalable.
« L’objectif de Deepmind est de créer des machines intelligentes capables d’apprendre et d’acquérir de nouvelles connaissances à la manière des êtres humains. » (Bastien L., 11 Av. 2019)
Présentation des nouvelles fonctionnalités de Google Maps (https://www.zdnet.fr/actualites/video-comment-l-intelligence-artificielle-a-contribue-a-ameliorer-google-maps-39898773.htm)
Google utilise les algorithmes DeepMind pour rendre plus intelligentes ses fonctionnalités proposées. C’est ainsi, que Google Maps a gagné en efficacité grâce à un nouveau procédé pour prédire la circulation et donc mieux diriger l’utilisateur. Ainsi, l’IA permet d’améliorer la justesse des heures d’arrivée estimées en temps réel (l’ETA).
Comment cela fonctionne ?
Plusieurs paramètres sont pris en compte pour calculer l’ETA. Tout d’abord, les résultats ne se fondent pas que sur le trafic actuel (observé via les smartphones des utilisateurs), mais peut aussi prédire le trafic à venir sur la route potentiellement empruntée, sur les différents trajets possibles. Le calcul se base aussi sur l’horaire de circulation, les limitations de vitesse, la qualité de la chaussée, la présence de chantiers sur le trajet ou encore les événements particuliers tels que des déviations, des embouteillages, un accident…
Toutes les routes, sont alors découpées en plusieurs segments adjacents contenant des informations caractérisant le trafic. ‘Cependant, étant donné la taille dynamique des supersegments, raconte DeepMind, nous avons eu besoin d’un modèle de réseau neuronal formé séparément pour chacun d’entre eux. Pour le déployer à grande échelle, nous aurions dû former des millions de ces modèles, ce qui aurait été un défi considérable en matière d’infrastructure ‘. Il leur a donc fallu utiliser un réseau de neurones artificiels spécifique. »
Le graph neural network
Le graphe traite le réseau routier où chaque segment d’itinéraire correspond à un nœud. Ce graphe permet d’exploiter la structure du réseau et sa connectivité. La mise en place du graphe apparait complexe puisque les segments peuvent être de longueurs et de complexités différentes, et un même trajet peut emprunter des voies différentes. Lorsqu’un utilisateur demande un trajet, toutes les données sont croisées afin de donner une estimation de l’heure d’arrivée.
Comment fonctionne le Graph Neural network ? (https://deepmind.com/blog/article/traffic-prediction-with-advanced-graph-neural-networks)
SOURCES :
https://www.lebigdata.fr/google-deepmind
https://deepmind.com/blog/article/traffic-prediction-with-advanced-graph-neural-networks