Google傘下のAI企業DeepMindは、Google Mapsと連携し同アプリケーションにおけるETA（Estimate Time of Arrival：到着予定）分析の最適化に成功したと発表した。同社によれば、同機能の精度をベルリン、ジャカルタ、サンパウロ、シドニー、東京、ワシントンDCなどのいくつかの地域で50%近く向上させたという。同社は機械学習を活用することで、交通渋滞のモデル化、さらには交通状態の予想のぶれを最小限に抑え込むことに成功したと主張している。

Google Mapsはユーザーの位置情報を活用し、交通状態のレベルを的確に、色合いに違いを出すことで表現してきた。しかし、10分、20分、50分などの間隔で正確に情報を伝え続けることは難題とされてきていた。DeepMindはグラフィカルニューラルネットワークと呼ばれるアーキテクチャーを開発し、時空間推論を実施した。今までにGoogleが行ってきた、世界中の交通情報を用いた機械学習のデータとDeepMindのアーキテクチャーが交わることで、正確性を飛躍させることに成功した。

具体的には、以下のようなフローとなる。

Google Mapsはまず、テラバイトを超える移動データや交通ネットワークを分析し、交通量が多く隣接する箇所を複数のセグメントに分割する。これは、「スーパーセグメント」と呼ばれる。グラフィカルニューラルネットワークは各スーパーセグメントを分析し、それぞれの移動予想時間を予測するといった流れで最適化が実施される。

グラフィカルニューラルネットワークは一般化することが可能。そのため各スーパーセグメントはそれぞれ特有な性質を持つこととなる。（例えば：数個のノード～数百を超えるノードを持つ道路情報）DeepMindのブログによれば、隣接する道路の状況をお互いが考慮し合わせるアーキテクチャー設計が、予想力向上の大きなきっかけに繋がったと述べている。

「例えば、わき道で起きている渋滞が隣接する本線に対してどのような影響を与えているかをモデルでは考慮しています。また、こうした情報が積み重なることで、カーブや合流による渋滞発生など様々な要素を横断的に用いて、予想することができるようになりました」。

「Google Mapsチームとのコラボレーションで、私たちのモデルを大規模に活用することができました。また、GoogleのAIチームと協力することで当初の目的に加え、生産性やスケーラビリティーの問題などの解決もスムーズに進みました。こうした協力関係のおかげで最終的な私たちのモデルは成功したと言えるでしょう」。

DeepMindとGoogleの協力関係は、今回以外にもGoogle Play Storeにおけるディスカバリーシステムの改善など、多岐に渡っている。また、Googleから独立したWaymoなどにも、同社は機械学習を活用したフレームワークを提供し、自動運転技術の促進に協力している。

【via VentureBeat】 @VentureBeat

【原文】