L’utilisation d’applications de navigation est devenue fréquente, voire même essentielle pour certains. Que ce soit en voiture, en transport en commun ou même à pied… En cela, la cartographie en ligne a progressivement remplacé les cartes Michelin, aujourd’hui devenues désuètes. Fidèle compagnon du touriste ou du travailleur qui cherche à rentrer chez lui plus rapidement, Google Maps est devenu, en un peu plus de 15 ans, un outil plébiscité mondialement.
Un problème d’anticipation
Jusqu’à présent, pour indiquer si oui ou non une route était encombrée, la méthode était relativement simple. Les algorithmes de Google Maps utilisaient les données collectées en temps réel combinées à l’historique des incidents et des bouchons. Toutefois, ces données ne donnaient pas de modèles sur l’état futur du réseau. En outre, il suffit qu’un bouchon se forme inopinément pour que l’estimation du temps de trajet de départ soit rallongée.
Pourquoi l’IA ?
Aujourd’hui, DeepMind, société fondée en 2010 et spécialisée dans l’IA (intelligence artificielle) s’allie a Google Maps pour améliorer ses algorithmes de prévision grâce au « machine leaning » ou « apprentissage automatique ». Le « machine leaning » se base sur la capacité de l’IA à apprendre et à résoudre des problèmes statistiques de manière autonome. Celle-ci traite les données afin d’élaborer un modèle prévisionnel. Elle vient préciser l’évolution du trafic en comparant les données en temps réel avec des données plus variées.
D’une part, l’historique des données de trafic les plus récentes (2 à 4 semaines) pour prendre en compte les nouveaux changements du trafic routier liés à un bouleversement des comportements, comme l’a illustré la crise du COVID-19.
D’autre part, l’IA analyse l’influence d’embouteillages d’axes secondaires sur des axes supérieurs en taille ou en densité. A cela s’ajoute, l’état de la chaussée, ainsi que des données saisonnières dont l’influence vient renforcer le degré de précision de l’estimation du temps de parcours. L’ensemble de ces données, essentiellement basées sur les commentaires des utilisateurs, améliore la précision du service. Ainsi, en permettant aux calculateurs d’itinéraires de considérer les futurs bouchons, elle permet de donner un temps de trajet réaliste. De la même façon, elle favorise la création d’itinéraires alternatifs pour les utilisateurs.
Trop d’influence pour Maps ?
Toutefois on peut se demander quelle sera l’influence de Google Maps sur l’état du trafic lui-même. En effet, le géant américain n’est pas le seul à proposer ses services de cartographie pour le calcul d’itinéraires. Cependant, il se place loin devant et « revendique actuellement un milliard d’utilisateurs » (L. Neveu, 2020). L’évolution de ces outils publics va sans aucun doute améliorer l’état du trafic routier mondial, mais aussi pousser davantage la société vers le « tout connecté ». Plus besoin de développer son sens de l’orientation, suivez Maps.
Sources :
Consultation des sites les 20/12/2022, 21/12/2022 et 22/12/2022.
Aimee Chanthadavong (2020), « IA : Google Maps s’associe à DeepMind pour rendre ses prévisions de trafic plus sûres », ZDNet [En ligne]
Léna Corot (2020), « Google Maps s’est rapproché de DeepMind pour améliorer l’estimation de l’heure d’arrivée en voiture », L’Usine Digitale [En ligne]
Louis Neveu (2020), « Google Maps améliore les temps de trajets grâce à l’IA », FuturaTech [En ligne]
Micka Hanitrarivo (2020), « Voilà comment l’IA rend Google Maps plus intelligent », Fredzone [En ligne]
Bastien L (2018), « Machine learning et big data : definition et explications », Le Big Data [En ligne]
Site officiel de DeepMind