Google-Entwickler:innen haben einen KI-Algorithmus entwickelt, der die Routenvorschläge in Google Maps genauer an die individuellen Präferenzen der Nutzer:innen anpassen soll.
Das 360 Millionen Parameter umfassende Modell analysiert laut Google anhand von realen Fahrdaten der Maps-Nutzer:innen, welche Faktoren diese bei ihren Routenentscheidungen berücksichtigen. In die KI-Berechnungen fließen beispielsweise Informationen wie Fahrzeit, Mautgebühren, Straßenzustand sowie persönliche Vorlieben ein. Die Technik basiert laut Google auf einem Ansatz namens "Inverse Reinforcement Learning" (IRL), bei dem das System aus dem Verhalten der Nutzer lernt.
"Receding Horizon Inverse Planning" für nah und fern
Möglich macht das eine IRL-Technik namens "Receding Horizon Inverse Planning" (RHIP), die Google in Zusammenarbeit mit seiner KI-Sparte DeepMind über mehrere Jahre entwickelt hat. RHIP nutzt verschiedene Verfahren: Im näheren Umfeld einer tatsächlich gefahrenen Route nutzt der Algorithmus rechenintensive stochastische Modelle, um auch unwahrscheinliche Optionen zu berücksichtigen. Für weiter entfernte Bereiche schaltet RHIP auf einfachere deterministische Methoden um, um Leistung zu sparen.
Laut Google kann RHIP damit in Tests die Trefferquote bei Routenvorschlägen für Fahrten und für Zweiräder im Durchschnitt um 16 bis 24 Prozent verbessern. Durch die Kombination der KI-Ansätze können die jeweiligen Stärken optimal kombiniert werden. Das System lernt aus den Bewegungen der Maps-Nutzer und soll mit der Zeit immer vorhersagen, welche Route sie bevorzugen.
In der Vergangenheit scheiterten laut Google Versuche, KI-Systeme im großen Stil für die Routenplanung einzusetzen, oft an der schieren Komplexität realer Straßennetze. Die Algorithmen konnten mit den unzähligen Möglichkeiten nicht umgehen. RHIP sei nun in der Lage, diese Hürde mit einem ausgeklügelten Ansatz zu überwinden.
Nach eigenen Angaben haben die Google-Entwickler mit RHIP die bisher größte Anwendung von "Inverse Reinforcement Learning" für die Routenplanung geschaffen und damit den Trend bestätigt, dass bessere Leistung mit Skalierung zusammenhängt, sowohl in Bezug auf den Datensatz als auch auf die Modellkomplexität.
Der Algorithmus wurde weltweit auf Google Maps Daten angewendet. Ausführliche Tests der Nutzer:innen müssen allerdings noch zeigen, ob sich die Technik in der Praxis bewährt und tatsächlich zu besseren Routen führt.
