Google Maps: Deepmind-KI verbessert Reisezeit-Prognosen
Eine neue Deepmind-KI macht die Reisezeit-Prognosen von Google Maps um bis zu 50 Prozent genauer.
Seit knapp 13 Jahren liefert Google Maps bei der Navigation Zusatzinformationen wie die geschätzte Ankunftszeit. Maps-Nutzer planen damit Abfahrtszeiten, alternative Routen, vermeiden Staus, umfahren Baustellen oder informieren ihre Freunde über Verspätungen. Laut Google hat Maps mehr als eine Milliarde Nutzer monatlich.
In einem Blog-Eintrag stellen jetzt Google und die KI-Schwester Deepmind ein Update für Google Maps vor, mit dem die Vorhersagen der Reisedauer noch genauer werden sollen.
Dafür sammelt Deepmind zunächst unzählige Verkehrsdaten wie anonyme Live-Verkehrsdaten von Android-Smartphones, historische Verkehrsdaten, Geschwindigkeitsbegrenzungen, Baustellenorte und andere Faktoren wie die Qualität, Größe und Richtung jeder Straße. Mit diesen Daten trainierte Deepmind anschließend ein neuartiges KI-System (siehe unten).
Durch die neue KI soll Google Maps in Städten wie Berlin, Jakarta, São Paulo, Sydney, Tokio und Washington D.C bis zu 50 Prozent genauere Ankunftszeiten vorhersagen.
Deepmind teilt die Welt in Supersegmente auf
Für das KI-Training nutzt Deepmind sogenannte neuronale Graphennetzwerke (GNN). Ein Graphennetzwerk besteht aus mehreren neuronalen Netzen (Knoten), die miteinander verbunden sind und kommunizieren. Sie eigenen sich besonders gut, um Interaktionen zwischen einzelnen Einheiten abzubilden - so wie sie im Straßenverkehr laufend passieren.
Deepmind weist jedem Knoten im neuronalen Graphennetzwerk einen Straßenabschnitt zu, der Teil eines sogenannten „Supersegments“ ist. Als Supersegmente bezeichnen die Forscher größere, viel befahrene Straßennetzwerke, die sich Verkehr teilen. Jeder Knoten ist nur mit den Knoten in der unmittelbaren Nachbarschaft verbunden. Dadurch kann Deepmind komplexe Verkehrsknoten im neuronalen Graphennetzwerk repräsentieren.
Supersegmente als Teil des großen Ganzen
Da das Netzwerk mehrere Straßenkreuzungen plus Nebenstraßen umfasst, kann es Einflüsse außerhalb der Hauptroute in die Prognose einbeziehen. So erlangt es die Fähigkeit, Verzögerungen durch Abbiegungen, Zusammenführungen oder Stop-and-Go-Verkehr vorherzusagen.
Die einzelnen Graphen der Supersegmente dienen dann als Trainingsdaten für ein städteübergreifendes neuronales Graphennetzwerk, das lernt, aus den zur Verfügung stehenden Informationen korrekte Vorhersagen abzuleiten. Mehr Details den Hürden beim KI-Training stehen im Google Blog und im Deepmind Blog.
KI-Forscher verwendeten kürzlich ein neuronales Graphennetzwerk, um die Bewegung von Teilchen und die Masseverteilung von dunkler Materie zu beschreiben - und waren damit erfolgreich. Mehr dazu steht in unserem Artikel "KI in der Physik: Steht eine Wissenschaftsrevolution bevor?".
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den „KI Radar“‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
Jetzt abonnierenKI-News ohne Hype
Von Menschen kuratiert.
- Mehr als 20 Prozent Launch-Rabatt.
- Lesen ohne Ablenkung – keine Google-Werbebanner.
- Zugang zum Kommentarsystem und Austausch mit der Community.
- Wöchentlicher KI-Newsletter.
- 6× jährlich: „KI Radar“ – Deep-Dives zu den wichtigsten KI-Themen.
- Bis zu 25 % Rabatt auf KI Pro Online-Events.
- Zugang zum kompletten Archiv der letzten zehn Jahre.
- Die neuesten KI‑Infos von The Decoder – klar und auf den Punkt.