Wykorzystanie uczenia maszynowego do tworzenia map, które zapewniają inteligentniejsze porady dotyczące jazdy

W związku z Fundacja katarska

Jeśli jeździsz w Stanach Zjednoczonych, prawdopodobnie nie pamiętasz, kiedy ostatnio kupiłeś mapę papierową, wydrukowałeś mapę cyfrową, a nawet zatrzymałeś się, by zapytać o drogę. Dzięki globalnemu systemowi pozycjonowania (GPS) i mobilnym aplikacjom mapowym w naszych smartfonach oraz ich poradom dotyczącym wyznaczania tras w czasie rzeczywistym, nawigacja jest rozwiązanym problemem.

Ale w rozwijających się lub szybko rozwijających się częściach świata nie tak bardzo. Jeśli mieszkasz w miejscu takim jak Doha w Katarze, gdzie długość sieci drogowej potroiła się w ciągu ostatnich pięciu lat, komercyjne usługi mapowe Google, Apple, Bing lub innych dostawców po prostu nie nadążają za tempem infrastruktury zmiana.

Każdy z nas, który dorastał w Europie lub Stanach Zjednoczonych, prawdopodobnie nie może zrozumieć skali, w jakiej te miasta się rozwijają, mówi Rade Stanojevic, starszy naukowiec z Kataru Computing Research Institute (QCRI), części Uniwersytetu Hamada Bin Khalifa, fundacji Kataru. uniwersytet w Doha. Prawie każda dzielnica widzi nowe przejście podziemne, nowe wiadukt, nową dużą autostradę dodawaną co kilka miesięcy.

Ponieważ Katar radzi sobie z tym szybkim wzrostem — a zwłaszcza gdy przygotowuje się do organizacji Mistrzostw Świata FIFA w 2022 r. — złe porady dotyczące wyznaczania tras i narastające opóźnienia podróży wynikające z przestarzałych map cyfrowych są coraz bardziej kosztowne. Dlatego Stanojevic i współpracownicy z QCRI postanowili spróbować zastosować uczenie maszynowe do rozwiązania problemu.

Sieć drogową można interpretować jako gigantyczny wykres, w którym każde skrzyżowanie jest węzłem, a każda droga krawędzią – mówi Stanojevic, którego specjalnością jest ekonomia sieci. Odcinki dróg mogą mieć zarówno cechy statyczne, takie jak wyznaczone ograniczenie prędkości, jak i cechy dynamiczne, takie jak zatory w godzinach szczytu. Aby zobaczyć, dokąd naprawdę zmierza ruch — zamiast tego, dokąd według starej mapy powinien zmierzać — a następnie przewidzieć najlepsze trasy przez ciągle zmieniający się labirynt, model uczenia maszynowego potrzebuje tylko wielu aktualnych danych na temat zarówno czynniki statyczne, jak i dynamiczne. Na szczęście nowoczesne floty pojazdów mają te systemy monitorowania, które generują całkiem dużo danych, mówi Stanojevic.

Stanojevic mówi o taksówkach. Jego zespół w QCRI współpracował z firmą taksówkarską Karwa z siedzibą w Doha, aby zebrać pełne dane GPS o przyjeżdżaniu i odjeżdżaniu ich pojazdów. Wykorzystali te dane do zbudowania nowej usługi mapowania o nazwie QARTA, która oferuje porady dotyczące wyznaczania tras kierowcom w Karwa i innym operatorom, takim jak floty dostawcze.

Stanojevic mówi, że głębsze zrozumienie przez QARTA rzeczywistej sytuacji drogowej i drogowej w Doha pomaga kierowcom skrócić każdą podróż o dziesiątki sekund, co przekłada się na wzrost wydajności całej floty o 5% do 10%. Jeśli masz flotę 3000 samochodów, 5% z tego to 150 samochodów, mówi Stanojevic. Możesz w zasadzie usunąć z drogi 150 samochodów i nie stracić żadnego interesu.

Chociaż system QCRI prawdopodobnie nie może konkurować z dużymi dostawcami usług mapowych w rozwiniętym świecie, może pomóc miastom na Bliskim Wschodzie i innym rozwijającym się regionom w mądrzejszym zarządzaniu wzrostem, mówi Stanojevic. A za kilka lat, w miarę jak coraz więcej pojazdów autonomicznych wyjedzie na ulice, oparte na uczeniu maszynowym porady dotyczące wyznaczania tras mogą spojrzeć na szerszy obraz ruchliwego miasta i pomóc flotom ograniczyć emisje dwutlenku węgla, chroniąc kierowców przed korkami. Dzięki globalnemu spojrzeniu na to, co dzieje się w całym mieście, pojazdy autonomiczne mogą w rzeczywistości przekierować nas w celu uzyskania pewnego rodzaju globalnego równoważenia obciążenia, aby pomóc wszystkim w poprawie sytuacji.

Ten podcast został wyprodukowany we współpracy z Qatar Foundation.

Pokaż notatki i linki

Katarski Instytut Badawczy Informatyki

Kierowanie ruchem w ciągle zmieniającym się mieście Doha Sofiane Abbar, Rade Stanojevic, Shadab Mustafa i Mohamed Mokbel, Komunikaty ACM, kwiecień 2021

Pełna transkrypcja

Laur Ruma: Z MIT Technology Review, nazywam się Laurel, a to jest Business Lab, program, który pomaga liderom biznesu zrozumieć nowe technologie wychodzące z laboratorium i wprowadzane na rynek.

Nasz dzisiejszy temat, lepsze mapowanie dla szybko rozwijających się miast. Ruch drogowy. Ruch jest dla nas wszystkich utrudniony, ale przy rosnącej liczbie pojazdów na drogach i korkach, aplikacje, które próbują obliczyć najlepsze trasy, nie mogą w cudowny sposób tworzyć skrótów. Ale co się stanie, gdy w ciągu 10 lat twój kraj podwoi się? Nowe drogi, nowe dzielnice, nowe budynki: czas na nową mapę.

Dwa słowa dla Ciebie: Automatyczne mapowanie.

Moim gościem jest dr Rade Stanojevic, starszy naukowiec w Katar Computing Research Institute, będącym częścią Uniwersytetu Hamada Bin Khalifa, uniwersytetu Fundacji Kataru. Dr Stanojevic studiuje sieci komputerowe i ekonomię sieci. Obecnie wykorzystuje teorię grafów, uczenie maszynowe i inne techniki, aby spróbować zbudować dokładniejsze modele rzeczywistego ruchu w Doha, Katarze i innych miastach.

Przed dołączeniem do QCRI pracował jako pracownik naukowy w Madryckim Instytucie Sieci Badań Zaawansowanych oraz Telefonica I&D w Hiszpanii.

Ten odcinek Business Lab jest produkowany we współpracy z Qatar Foundation.

Witam, doktorze Stanojevic.

Rade Stanojevic: Wspaniale jest być z tobą dzisiaj, Laurel. Dziękuję Ci.

Laur: Ostatnio skupiłeś się na bardzo konkretnym pytaniu, jak napisać oprogramowanie mapujące, które może generować dokładniejsze szacunki czasu podróży, jeśli ktoś jedzie z punktu A do punktu B. I każdy, kto kiedykolwiek utknął w korku, ponieważ wybrali złe trasy mogą zrozumieć, dlaczego może to być przydatne. Ale czy możesz wyjaśnić, dlaczego zrozumienie ruchu jest problemem związanym z nauką o sieci i jakie spostrzeżenia może przynieść podejście do analizy sieci?

Rade : Aby dokładnie zrozumieć problem, o którym właśnie wspomniałeś, jak poprowadzić trasę z punktu A do punktu B, potrzebujesz dwóch rzeczy. Potrzebujesz dokładnej mapy i dokładnego modelu ruchu na górze tej mapy. Te dwa problemy to zarówno problemy z nauką o sieci, jak i uczeniem maszynowym. Więc jeśli myślisz o sieci drogowej jako sieci lub grafie, ta sieć jest w zasadzie listą krawędzi, listą węzłów i listą krawędzi, gdzie krawędź jest segmentem drogi. Ten odcinek drogi, co czyni tę sieć drogową i interesującym obiektem do badania, to złożoność, która wynika z charakterystyki tych krawędzi w sieci.

Tak więc charakterystykę tych odcinków dróg możemy podzielić na dwa rodzaje. Jedną z nich są cechy statyczne. Są to takie rzeczy jak ograniczenie prędkości, liczba pasów, rodzaj płatności itp. I to są rzeczy, w których raz zrobisz to dobrze, masz to na zawsze.

Z drugiej strony istnieją cechy sieci drogowej, które są bardziej dynamiczne. Więc to są rzeczy, które są związane z ruchem, poziomem korków, średnią prędkością, które zależą od pory dnia, dnia tygodnia. Niektóre zdarzenia, których tak naprawdę nie możemy przewidzieć z góry, i tak dalej. Zrozumienie zarówno ukrytej statycznej natury sieci drogowej, jak i dynamicznych części, które pochodzą z ruchu, sprawia, że ​​cały ten problem jest interesujący i użyteczny w życiu codziennym, a w szczególności w przypadkach biznesowych, o których prawdopodobnie porozmawiamy nieco później to, z czym mamy do czynienia.

Laur: Mówiąc o dynamice, populacja Kataru prawie się podwoiła w ciągu zaledwie 10 lat, a to stwarza ogromny problem, ponieważ budowane są nowe drogi i nowe budynki, a kierowcy stoją w korku, ale mieli te szybko przestarzałe mapy, które właśnie stały się nieaktualne . Jak postrzegałeś to jako okazję do pomocy tym kierowcom i samym miastom?

Rade : O chłopie. Tak więc każdy z nas, który dorastał w Europie lub Stanach Zjednoczonych, prawdopodobnie nie mógł lub nie może zrozumieć skali, w jakiej te miasta się rozwijają. Tak więc w moim rodzinnym mieście, które ma 200 lub 250 000 mieszkańców, jedyną prawdziwą zmianą w infrastrukturze sieci drogowej, która nastąpiła w ciągu ostatnich 20 lat, odkąd byłam dzieckiem, był tylko jeden most, który został zbudowany. Jednak w mieście Doha prawie każda dzielnica widzi nowe przejście podziemne, nowe wiadukty, nową dużą autostradę dodawaną co kilka miesięcy. Tak więc przy takim tempie, w jakim miasto się rozwija, tradycyjne usługi mapowe nie są w stanie nadążyć za tempem. I to spowodowało ogromną niespodziankę dla większości z nas, którzy przybyli z Europy lub Ameryki Północnej. Byliśmy zdumieni, kiedy przybyliśmy do miasta i zdaliśmy sobie sprawę, że wszystkie usługi, które uważamy za oczywiste, takie jak Mapy Google, Mapy Bing lub Mapy Apple, niezależnie od tego, jaka jest Twoja ulubiona mapa cyfrowa, po prostu nie działają. Nie pracują w mieście Doha.

A powodem, dla którego nie działają, jest to, że nie zostały zbudowane z założeniem, że infrastruktura zmienia się tak szybko, jak w Doha. Tak więc w Instytucie, w QCRI, zdaliśmy sobie sprawę, że na wiele z tych pytań można odpowiedzieć dzięki nauce sieciowej i uczeniu maszynowemu. Kilku z nas zaczęło przyglądać się problemowi automatycznego wnioskowania na mapie. Zaczęliśmy od tego w 2017 roku i zdaliśmy sobie sprawę, że ten problem jest zarówno niezwykle ważny dla wielu rozwijających się miast, jak i bardzo wymagający. I zrobiliśmy duży postęp w tej części, w zrozumieniu podstawowej sieci. A potem zdaliśmy sobie sprawę, jak możemy dodać do tego te dynamiczne właściwości mapy, które są związane z ruchem.

Laur: Myślę, że to naprawdę świetny sposób na wyjaśnienie ludziom, którzy mogą nie rozumieć dodawania nowej autostrady, nowej rampy wjazdowej lub nowego wiaduktu do każdej dzielnicy, to zdumiewające, prawda?

Rade : To zdumiewające. Tak więc w zasadzie w ciągu ostatnich siedmiu lat, od 2013 r., długość infrastruktury drogowej w mieście Doha potroiła się. Więc naprawdę trudno jest owinąć głowę wokół tej liczby. To niewiarygodna ilość infrastruktury, która jest budowana. To wszystko jest częścią projektu, który ma na celu zbudowanie odpowiedniej infrastruktury na Mistrzostwa Świata, które odbywają się za około 18 miesięcy tutaj, w Doha, mistrzostwa świata w piłce nożnej lub, jak powiedziałbyś w Ameryce Północnej, w piłkę nożną.

Laur: Dlaczego więc twórcy map, tacy jak Google, Bing i Apple Maps, mieli takie problemy z nadążaniem? Podoba Ci się, w jaki sposób tradycyjnie szacują czas podróży i mapowanie? Wysyłasz samochód Google, aby zobaczyć okolice na mapie?

Rade : Właściwie to interesujące pytanie. Tak więc w zasadzie większość tradycyjnych twórców map, takich jak Google Maps, Here Maps lub Bing Maps, zwykle ma statyczne mapy, które kupują raz na kilka lat od rządu lub lokalnych dostawców map. A potem działają z założeniem, że te mapy zmieniają się od czasu do czasu i że mogą te zmiany wychwycić, obserwując pewne dostępne dla nich dane, albo poprzez śledzenie telefonów, w których mają jakieś usługi umożliwiające lokalizację, lub w inny sposób. Podstawowe założenia, że ​​sieci drogowe nie zmieniają się tak często. Tak więc za każdym razem, gdy zmienia się sieć dróg, potrzebowaliby ludzkiego adnotatora, aby oznaczyć zmianę i zaktualizować mapę. Jednak w mieście takim jak Doha, gdzie zmiany zachodzą nieustannie i codziennie, to podstawowe założenie jest łamane.

Duże skrzyżowanie, które zostało zmienione w 2016 roku, kiedy się przeprowadziliśmy, kiedy przeprowadziłem się do Doha, zaledwie kilkaset metrów od naszego biura, zajęło około 18 miesięcy, aby to skrzyżowanie zostało odzwierciedlone w Mapach Google. Więc w zasadzie to skrzyżowanie było niewidoczne dla Google Maps przez około 18 miesięcy. A wszystkie te trasy, które powinny przebiegać przez to skrzyżowanie, w zasadzie zmuszałyby kierowców do pójścia i zrobienia dużego objazdu, który był całkowicie niepotrzebny. Z biegiem lat Google stawało się coraz lepsze, Google i inne usługi mapowe z biegiem czasu stawały się coraz lepsze. Rozpoznają problem i teraz nie zajmuje im 18 miesięcy, aby odzwierciedlić zmianę. Teraz ten proces został skrócony do kilku miesięcy. Ale nawet kilka miesięcy może być dużo, jeśli kierowca, taksówkarz lub kierowca dostawy wymaga dokładnej i optymalnej trasy. Postrzegaliśmy to jako okazję do rozwiązania problemu przy użyciu jak największej ilości danych i tak szybko, jak to możliwe.

Laur: Tak, dwumiesięczny czas reakcji wydaje się niemożliwy w życiu każdego z nas w czasie rzeczywistym, prawda? Więc w jaki sposób Ty i Twój zespół znaleźliście lepszy sposób na oszacowanie czasu podróży? Opowiedz mi historię o firmie taksówkowej Karwa.

Rade : To ciekawa historia, ale pozwólcie, że powiem tylko kilka słów o tym, co jest kluczowym składnikiem rozwiązania problemu dokładnych tras i dokładnych czasów podróży w szybko rozwijającym się mieście, jakim jest Doha. Kluczowym składnikiem jest ciągłe aktualizowanie map. Tak więc obserwowanie mapy, obserwowanie zachodzących zmian i reagowanie na nie tak szybko, jak to możliwe, najlepiej w sposób w pełni automatyczny, jest kluczowe. Nie moglibyśmy więc tego zrobić bez partnerstwa z Karwą.

Tak więc Karwa to lokalna firma taksówkarska, która obsługuje około 3000 pojazdów w mieście. Daje ogromną ilość informacji, które wykorzystujemy do budowy podstawowej mapy, a także do zbudowania modelu ruchu na górze tej mapy. I jest ciekawa historia o tym, jak rozpoczęliśmy ten projekt. Więc ten projekt zaczął się czysto jako projekt badawczy, jak wspomniałem, może gdzieś w 2017 lub na początku 2018 mieliśmy nasze pierwsze spotkanie z firmą taksówkarską. I w tym momencie poczyniliśmy pewne postępy w zakresie usług mapowych, projektu automatycznego wnioskowania o mapach, o którym wspomniałem kilka minut temu. Ale gdy udostępniliśmy im te wstępne wyniki, powiedzieli nam, że korzystają z Map Google. Nie byli z tego w stu procentach zadowoleni, ale fakt, że cała ta usługa była stosunkowo tania, gdzieś w przedziale od 10 000 do 20 000 USD rocznie, nie był dużą pozycją w ich rocznym rachunku. I w zasadzie powiedzieli nam, że tak naprawdę nie martwimy się tego rodzaju problemami, ponieważ kupujemy te informacje, które nie są idealnie dokładne, ale są wystarczająco tanie, abyśmy się tym nie przejmowali.

I wtedy się z tym zgodziliśmy. Po prostu tak jest. Jeśli Google lub komercyjne usługi mapowe mogą to sprzedać za tak niską cenę, nie ma sensu, aby firma taksówkarska zbytnio się tym przejmowała. Jednak Mapy Google, a także wielu innych dostawców map, pod koniec 2018 roku podniosło ceny usług API map od 10 do 20 razy. I w tym momencie, wraz ze wzrostem ich wolumenu, ich rachunki wzrosły dziesiątki tysięcy dolarów do setek tysięcy dolarów, prawie z dnia na dzień. W tamtym momencie byli o wiele bardziej otwarci na ideę zbudowania usługi, która pomoże im oszczędzić kilkaset tysięcy dolarów rocznie z tego rachunku za usługi mapowe. I w tym momencie zaczęliśmy przyglądać się problemowi. W tym momencie nie byliśmy w stanie powiedzieć, czy uda nam się zbudować produkt o jakości porównywalnej z mapami komercyjnymi. I tu zaczęła się nasza podróż.

Pod koniec 2018 roku mieliśmy już sporo zrozumienia i doświadczenia, jak robić tego rodzaju rzeczy. Ale tak naprawdę zaczęliśmy pracę nad produktem pod koniec 2018 roku, a do połowy 2019 roku mieliśmy produkt gotowy do testów. Kilka miesięcy testów zajęło nam ustalenie, jak dobrzy jesteśmy w porównaniu z Google Maps. Wyniki były naprawdę imponujące pod względem jakości naszych wyników, szybkości naszych odpowiedzi, dostępności naszych zasobów. A potem pod koniec 2019 r. lokalna firma taksówkarska z 3000 pojazdów przeszła z komercyjnych map, z Google Maps, na korzystanie z naszych usług.

Więc to była kamienista droga, zajęło nam to kilka lat jeżdżenia tam iz powrotem. Powiedziałbym, że prawdopodobnie głównym krokiem było wprowadzenie nowych cen, czas, w którym Google zdał sobie sprawę, że może na tym faktycznie zarabiać i podniósł ceny od 10 do 20 razy, co było dla nas przełamaniem umowy. Bez tego prawdopodobnie byśmy tego nie zrobili.

Laur: Jest to niewiarygodnie ogromny wzrost, jeśli prawdopodobnie jesteś firmą taksówkarską, która może, ale nie musi, dobrze sobie radzić, w zależności od tego, jak konkurencyjny jest ten rodzaj współdzielenia przejazdów.

Rade : Dokładnie, to zrobiło ogromny interes. Tak więc zasadniczo firmy taksówkarskie to firmy o bardzo niskich marżach zysku. Dlatego dbają o każdy mały grosz, który mogą zaoszczędzić.

Laur: Jak więc świadczyć podobne usługi po niższych kosztach? Czy to dlatego, że nie masz narzutu Mapy Google lub Waze?

Rade : Dlatego lubimy myśleć o naszym systemie jako o bardzo lekkich Mapach Google dla firm. Więc Mapy Google prawdopodobnie pochłaniają około 1 miliarda dolarów, to znaczy, trudno jest wymyślić dokładne oszacowanie, ile Google inwestuje w mapy każdego roku, ale niektóre przybliżone szacunki są rzędu wielkości 1 miliarda dolarów rocznie. A to ogromna inwestycja. Jednak w przypadku konkretnego rodzaju aplikacji, których potrzebują firmy kurierskie i taksówkarskie, tak naprawdę nie potrzebujesz wszystkich maszyn, które wdrażają Mapy Google. Lubimy więc myśleć o naszym systemie, który stworzyliśmy QARTA—QARTA jest słowem, które jest w wielu językach, słowem używanym dla map—więc nasz system o nazwie QARTA jest bardzo lekki, więc zasadniczo usuwamy wszystkie niepotrzebne bloki i przechowujemy wszystko, co jest niezbędne do odpowiedzi na pytania, których potrzebują firmy kurierskie, firmy kurierskie ostatniej mili, firmy logistyczne, firmy przewozowe lub firmy taksówkarskie, aby prowadzić swoją działalność. W ten sposób możemy utrzymać jak najmniejsze koszty eksploatacji.

Laur: QARTA, ale z Q, co jest ukłonem w stronę Kataru, co jest fantastyczne.

Rade : QARTA z Q. Jeśli przerobisz litery, otrzymasz nazwę kraju, w którym się znajdujemy, Katar.

Laur: Zgadza się. Opowiedz nam więc więcej o technologii. Korzystałeś z uczenia maszynowego na podstawie danych z Karwy, aby spróbować znaleźć najlepszy sposób na dostosowanie szacowanego czasu podróży w zależności od pory dnia i tak dalej. Czy możesz opowiedzieć trochę więcej o tym podejściu? Podoba Ci się, w jaki sposób faktycznie przechowujesz swoje dane w czasie rzeczywistym?

Rade : Uczenie maszynowe jest więc świetne, gdy z jednej strony chcesz uchwycić złożone relacje, a także masz wystarczającą ilość danych, aby uchwycić te relacje i przeszkolić modele uczenia maszynowego. Na szczęście nowoczesne floty pojazdów mają te systemy monitorowania, które generują całkiem sporo danych. Produkcja tych danych umożliwia uczenie maszynowe. Powiedziałbym, że 10 czy 15 lat temu większość taksówek nie miała włączonego śledzenia GPS. A bez takiego śledzenia GPS całe to uczenie maszynowe nie byłoby możliwe. Mamy jednak szczęście współpracować z firmą Karwa, która ma ten bogaty system monitorowania, który zasadniczo pomaga nam przechwytywać te dane, przetwarzać je i rozgryźć te dwa ważne składniki, o których właśnie wspomniałem, ale zamierzam je powtórzyć. zrozumienie podstawowej sieci drogowej z jednej strony i zrozumienie ruchu, który się na niej dzieje.

Tak więc wszystkie te informacje pozwalają nam być nie tylko porównywalnymi z komercyjnymi mapami, ale także oszczędzić kilkadziesiąt sekund błędów przy każdej podróży. A te kilkadziesiąt sekund przekłada się na wzrost wydajności od 5 do 10 procent. Naprawdę trudno jest podać dokładną liczbę poprawy wydajności przez poprawę błędów podstawowej mapy cyfrowej. To może nie brzmieć dużo, ale jak wspomniałem, w biznesie, który ma bardzo niską marżę zysku, poprawa wydajności o pięć procent to ogromna sprawa.

Innymi słowy, jeśli masz flotę 3000 samochodów, pięć procent z tego to 150 samochodów. Możesz w zasadzie usunąć z drogi 150 samochodów i nie stracić żadnego interesu. A usunięcie 150 samochodów oznacza redukcję kosztów o X milionów dolarów rocznie. Więc chcę powiedzieć, że wszystkie te małe rzeczy, kilka sekund tutaj, kilka procent tam, faktycznie mają znaczenie ze względu na zwiększoną wydajność, a zwiększona wydajność skutkuje lepszym równaniem kosztów i przychodów.

Laur: Jest to również ważne dla transportu publicznego, dla agencji rządowych, które próbują zaoszczędzić ten mały procent tu i tam, starając się być bardziej wydajnymi.

Rade : Absolutnie. Właściwie usługi publiczne tutaj, transport publiczny jest bardzo, bardzo niedojrzały. Tak więc wiele środków transportu publicznego korzysta z usług współdzielenia taksówek i przejazdów. Szacuje się, że usługi współdzielenia taksówek i przejazdów zajmują ponad 80 procent transportu publicznego. Tak więc sieć autobusowa jest bardzo rzadka. Więc przez większość czasu, jeśli nie masz samochodu i chcesz przenieść się z punktu A do punktu B, zadzwonisz po taksówkę lub Ubera lub podobną usługę transportową. Obecnie powstaje metro, a to część projektów infrastrukturalnych, o których mówiliśmy wcześniej. Pierwsza linia została otwarta w zeszłym roku. W tym roku otwierane są kolejne dwie linie. Miejmy nadzieję, że transport publiczny będzie nieco bardziej regularny, a sieć transportu publicznego nieco gęstsza, zapotrzebowanie na taksówki zmniejszy się.

Laur: Mówiąc więc o próbie budowania lepszego społeczeństwa, QCRI jest jednym z instytutów badawczych Fundacji Katar. A celami Qatar Foundation są, po pierwsze, rozwój pionierskich badań w obszarach priorytetowych dla Kataru, a po drugie, wspieranie zrównoważonego rozwoju i dywersyfikacji gospodarczej. Ale tego rodzaju cele mają tę zaletę, że pomagają całemu światu. Tak więc wyraźnie praca, którą wykonujesz, pasuje do obu tych kryteriów. Jakie jest szersze znaczenie budowania inteligentniejszych i tańszych systemów mapowania, a także systemów transportowych? W jaki sposób ta technologia może pomóc innym rozwijającym się ośrodkom miejskim na Bliskim Wschodzie iw reszcie świata?

Rade : Tak więc, jedna ciekawa rzecz dotycząca map komercyjnych i wielu zaawansowanych technologicznie produktów, które są budowane w Europie i Ameryce Północnej: są one budowane w świecie rozwiniętym i dla świata rozwiniętego. Więc mapy komercyjne nie są tam wyjątkiem. Są opracowywane z myślą o konkretnym użytkowniku, który zwykle ma głęboką kieszeń i zwykle przychodzi do świata, w którym drogi nie zmieniają się tak często. Te dwa założenia są łamane w rozwijającym się świecie. Płacenie kilku dolarów miesięcznie może nie być wielkim problemem dla taksówki działającej w Bostonie lub Madrycie. Ale kilka dolarów miesięcznie za taksówkę to może 10 procent pensji kierowcy w New Delhi czy Kuala Lumpur. Widzimy więc QARTA jako rozwiązanie, o którym wspomniałem, lekkie rozwiązanie, które może zaspokoić potrzeby bez zagłębiania się w kieszenie tych dostawców usług transportowych.

To poniekąd wpisuje się w misję Katar Foundation pomagania rozwijającemu się światu. Widzimy nasz rynek docelowy dla systemu, który budujemy w rozwijającym się świecie. Nie sądzę, abyśmy mogli konkurować z Google świata w rozwiniętym świecie z powodów, które właśnie opisałem. Nie mamy zasobów, a oczekiwania użytkowników na Zachodzie różnią się nieco od oczekiwań w krajach rozwijających się. Jest to jeden z powodów, dla których my i nasze kierownictwo jesteśmy podekscytowani naciskaniem na Katar.

Laur: To wspaniale. Jak jednak reagujesz na możliwą nową falę pojazdów autonomicznych? Czy to rzeczywiście pomaga ci sprostać temu wyzwaniu?

Rade : Och, tak, jestem bardzo, bardzo podekscytowany erą pojazdów autonomicznych. Trudno powiedzieć, kiedy nadejdzie ta epoka, ale im bliżej tej daty będziemy, tym ważniejsza będzie rola dokładnych map cyfrowych. Tak więc jedną z możliwości zgłaszania się pojazdów autonomicznych jest ich zdolność do optymalizacji tras i ogólnie jazdy w celu zmniejszenia nieefektywności podejmowania decyzji przez ludzi. Na przykład ludzie mają tendencję do korzystania z nieoptymalnych tras. Więc za każdym razem, gdy jadę z domu do pracy, za każdym razem, gdy wybieram tę trasę, tak naprawdę nie lubię zwiedzać. Mam znajomych, którzy właściwie za każdym razem, gdy wsiadają do samochodu, wpisują cel i szukają optymalnej trasy w danym momencie. Nie jestem jedną z tych osób. Codziennie jeżdżę tą samą trasą. Obciążenie poznawcze, abym się martwił o optymalną trasę, jest czymś, o co tak naprawdę nie chcę się martwić.

Jednak dzięki pojazdom autonomicznym ludzie nie musieliby się tym martwić. Wystarczyło nacisnąć przycisk, a autonomiczny pojazd pojechałby dla Ciebie optymalną trasą za każdym razem, gdy wsiądziesz do samochodu. To jeden ze sposobów, w jaki pojazdy autonomiczne pomogą Ci zaoszczędzić kilka minut tutaj, kilka minut tam, prawdopodobnie kilka godzin każdego miesiąca.

Dodatkowo, pojazdy autonomiczne z dokładnym zrozumieniem infrastruktury sieci drogowej i całej dynamiki, które się zachodzą, pojazdy autonomiczne mogą zoptymalizować do pewnego rodzaju globalnego optimum. Bardzo często ludzie są chciwi. A będąc zachłannym, wszyscy możemy skończyć na autostradzie. A mając nadzieję na zaoszczędzenie kilku minut, możemy spowodować tyle korków na autostradzie, że wszyscy będziemy cierpieć. Dzięki globalnemu spojrzeniu na to, co dzieje się w całym mieście, pojazdy autonomiczne mogą w rzeczywistości przekierować nas w celu uzyskania pewnego rodzaju globalnego równoważenia obciążenia, aby pomóc wszystkim w poprawie sytuacji.

A jak daleko jesteśmy od tego miejsca? Nie powiedziałbym, że jesteśmy tak daleko, ale prawdopodobnie dzieli nas kilka lat, jeśli nie dekada od tego globalnie optymalnego routingu, na który naprawdę, naprawdę nie mogę się doczekać. Bo jeśli się nad tym zastanowić, jest tak dużo infrastruktury drogowej. Jeśli pomyślisz o tym, ile ulic jest w Bostonie i mieście Doha. Jednak wykorzystanie tych zasobów jest niejako przekrzywione w kierunku bardzo niewielu głównych dróg, które są zatłoczone w godzinach szczytu. I naprawdę wierzę, że globalnie optymalne planowanie decyzji dotyczących wyznaczania tras może znacznie zmniejszyć zagęszczenie ruchu w mieście i ogólnie pomóc nam w życiu. Zasadniczo możemy spędzać kilka godzin tygodniowo mniej w ruchu w porównaniu do tego, co robimy obecnie. Z drugiej strony, jeśli podróżowanie będzie tak łatwe, może skończyć się na tym, że będziemy podróżować więcej. Ale to osobna rzecz, o którą należy się martwić.

Laur: [Zniekształcony dźwięk] wyzwania, takie jak zmniejszenie zużycia energii i projektowanie nowych usług internetowych?

Rade : Jedną z rzeczy, którymi ostatnio się zajmuję, jest wykorzystanie świata, który już mamy. A więc wszystko związane z mapami cyfrowymi i dokładnym zrozumieniem ruchu, aby pomóc w zmniejszeniu emisji CO2. Więc emisje CO2, to znaczy, są ludzie, którzy wierzą i są tacy, którzy nie wierzą w efekt cieplarniany i globalne ocieplenie, ale emisje CO2 i ogólnie zużycie benzyny to ogromna sprawa. A transport przyczynia się do tego w nietrywialny sposób. Jestem głęboko przekonany, że zrozumienie ruchu ulicznego może zmniejszyć o kilka procent emisję CO2, a także zużycie benzyny, co może mieć natychmiastowy wpływ na zmniejszenie rachunków, które płacimy za benzynę, ale także w dłuższej perspektywie emisji CO2 jest czymś w rodzaju obowiązkowej. Tak czy inaczej będziemy musieli znaleźć sposób na rozwiązanie tego problemu i uważam, że konieczne będzie połączenie autonomicznej jazdy, samochodów elektrycznych i pewnego rodzaju redukcji nieefektywności. W tym celu bardzo pomocna będzie mapa drogowa.

Więc podam tylko przykład. Jeśli Twój samochód i Ty jako kierowca wystarczająco dobrze rozumiecie, jak długo zielone światło będzie nadal zielone, możesz podjąć świadomą decyzję, czy chcesz kontynuować jazdę z prędkością 50 kilometrów na godzinę, czy może chcesz zwolnić w dół i nie marnuj benzyny, bo za kilka sekund światło zmieni się na czerwone, a ty będziesz marnował całą energię na pędzenie tuż przed światłami. Właśnie nad tym pracuję i mam nadzieję, że uda nam się coś ciekawego zgłosić, ale to wciąż trwa.

Laur: Doktorze Stanojevic, bardzo dziękuję za przyłączenie się do nas dzisiaj. To była świetna rozmowa na Business Lab.

Rade : Dziękuję bardzo, Laurel. Świetnie się z tobą rozmawiało.

Laur: Był to dr Rade Stanojevic, główny naukowiec z Qatar Computing Research Institute, części Uniwersytetu Hamada Bin Khalifa, uniwersytetu Kataru Fundacji, z którym rozmawiałem z Cambridge w stanie Massachusetts, siedziby MIT i MIT Technology Review, z widokiem na rzekę Charles.

To tyle w tym odcinku Business Lab. Jestem twoim gospodarzem, Laurel Ruma. Jestem dyrektorem Insights, działu custom publishing w MIT Technology Review. Zostałyśmy założone w 1899 w Massachusetts Institute of Technology i można nas znaleźć w druku, w Internecie i na wydarzeniach na całym świecie. Aby uzyskać informacje o nas i programie, odwiedź naszą stronę internetową technologyreview.com.

Ten program jest dostępny wszędzie tam, gdzie otrzymujesz podcasty. Jeśli podobał Ci się ten odcinek, mamy nadzieję, że poświęcisz chwilę, aby nas ocenić i zrecenzować. Business Lab to produkcja MIT Technology Review. Ten odcinek został wyprodukowany przez Collective Next. Dziękuję za słuchanie.

Ten odcinek podcastu został wyprodukowany przez Insights, dział zajmujący się treściami niestandardowymi MIT Technology Review. Nie został wyprodukowany przez redakcję MIT Technology Review.

ukryć