Google ha compartido información acerca de cómo están evolucionando en DeepMind, su laboratorio de investigación sobre inteligencia artificial, los sistemas predictivos del tráfico rodado. Esta IA es quizá una de las formas más cercanas que tienen quienes conducen de ver el efecto que tiene la última tecnología en su día a día: básicamente porque es capaz de predecir qué va a suceder en las calles y carreteras antes de que suceda y calcular con precisión cuándo se llegará al lugar de destino.
La situación es muy típica: introducimos el destino en el navegador, comenzamos a circular por la ruta habitual y de repente aparece un aviso: «Hay otra opción de ruta que te ahorrará 15 minutos de atasco. ¿Quieres desviarte?» O bien, tras elegir un destino cualquiera, el navegador se empeña en ofrecer una ruta que no es para nada la habitual, sin que sepamos por qué. La decisión es a veces complicada: ¿guiarnos por el instinto o hacer caso a la IA?
A veces estamos seguros de ir por la ruta correcta, porque es por la que vamos todos los días. Sin embargo, la IA de Google puede haber elegido la opción óptima en ese momento por otras razones; las circunstancias cambian. De hecho, Google Maps parece saber, a veces, lo que va a suceder antes de que suceda. En realidad, pocas cosas hay más satisfactorias que hacer caso a la IA, cambiar de ruta, y al pasar el desvío ver que por donde íbamos a circular hay un monumental atasco inesperado.
Para todo esto, los algoritmos de IA de Google utilizan información como:
- Más de 1.000 millones de kilómetros recorridos cada día en rutas de Google Maps.
- Datos históricos acumulados durante 13 años.
- Información en tiempo real de los sistemas de tráfico de las ciudades.
- Avisos de incidencias: obras, accidentes, etc…
- Información inferida de la geolocalización de otros vehículos que usan Google Maps (posición, velocidad, paradas inesperadas),
Según explican en Google, el «tiempo de estimado de llegada» es preciso el 97% de las veces. Pero en realidad esto varía mucho de unas ciudades a otras, porque son muy distintas y la calidad de mapas y datos varían. Gracias a nuevos algoritmos se han podido mejorar esas predicciones para lugares como Berlin, Jakarta, São Paulo, Sidney, Tokio y Washington D.C, entre otros.
Una de las claves es dividir los mapas en los llamados supersegmentos que es como se llama a los grupos de vías similares, tanto en ciudades como en carretera, que manejan más o menos la misma cantidad de tráfico a la misma velocidad. No son un tramo concreto, ni una calle. En los supersegmentos varias carreteras y calles –aunque se crucen– se comportan al unísono y esto simplifica los cálculos. Además de eso, un nuevo modelo matemático de Red Neuronal Gráfica busca múltiples «objetivos» y predice los tiempos estimados de llegada; funciona mejor que otros modelos porque es más similar al efecto físico del tráfico rodado en una red.
Combinando todos estos valores la red neuronal aprende a calcular las pequeñas diferencias debidas a las intersecciones y cambios de vía, a las incorporaciones en las autopistas y el tiempo que se pierde en los atascos (el clásico «efecto acordeón» de arrancar y parar). Para comprobar si todas estas ideas son correctas se necesita validarlos con datos. Pero precisamente eso no es lo que falta en Google Maps. Con la información generada por millones de conductores a diario, convenientemente anonimizada, la red aprende y verifica que sus predicciones son acertadas.
El resultado son mejores algoritmos, que en algunos lugares han mejorado más de un 50% los cálculos de los tiempos estimados de llegada, con el 20%-30% como mejora, de promedio, en diversas ciudades del globo. Esto permite afinar mejor a la hora de seleccionar la ruta óptima, dado que la inteligencia artificial es capaz de predecir cómo variará el tiempo de desplazamiento en función de las diversas señales que recibe.
Foto | (CC) Chuttersnap @ Unsplash
