Google Maps revoluciona o roteamento com inteligência artificial da DeepMind

Algoritmo inédito aprende com motoristas e melhora sugestões em até 24%, prometendo rotas mais inteligentes e personalizadas.

O Google Maps está prestes a oferecer uma experiência de navegação significativamente aprimorada graças a um novo e poderoso algoritmo de inteligência artificial desenvolvido em colaboração com a DeepMind. A novidade promete tornar as sugestões de rotas não apenas mais precisas, mas também mais personalizadas, levando em conta uma gama mais ampla de fatores que influenciam as decisões dos motoristas no dia a dia. Em testes, a tecnologia demonstrou uma melhoria na precisão das sugestões de rota em uma média de 16 a 24 por cento para carros e veículos de duas rodas, como scooters e motocicletas.

A inteligência por trás das rotas personalizadas

No cerne dessa inovação está um modelo de IA com impressionantes 360 milhões de parâmetros. Este modelo não opera no vácuo, mas sim a partir de um vasto conjunto de dados reais de condução coletados de usuários do Maps. A inteligência artificial analisa detalhadamente quais fatores são mais valorizados pelos motoristas ao escolherem um trajeto. Isso inclui não apenas o tempo estimado de chegada e a presença de pedágios, mas também as condições específicas da estrada e as preferências pessoais de cada indivíduo. Essa abordagem permite que o Google Maps vá além do cálculo mais rápido, buscando a rota que realmente se alinha com o que o usuário considera ideal.

A tecnologia se baseia em uma metodologia avançada conhecida como “aprendizagem por reforço inverso” (IRL). Através do IRL, o sistema aprende observando o comportamento dos usuários e inferindo as regras e preferências que guiam suas escolhas. O algoritmo específico que potencializa essa capacidade é o chamado “Receding Horizon Inverse Planning (RHIP)”, ou “Planejamento Inverso do Horizonte Recuado”. A colaboração entre o Google e a DeepMind no desenvolvimento do RHIP se estende por vários anos, indicando um investimento significativo em pesquisa e desenvolvimento para alcançar este nível de sofisticação.

Adaptando a inteligência para diferentes distâncias

Uma das características mais notáveis do RHIP é sua capacidade de adaptação. Para rotas de curta distância, onde a precisão e a consideração de detalhes minuciosos são cruciais, o algoritmo emprega modelos estocásticos computacionalmente intensivos. Essa abordagem permite que ele explore e avalie uma vasta gama de opções, incluindo trajetos que poderiam parecer improváveis à primeira vista. Essa capacidade é fundamental para identificar atalhos ou desvios que podem otimizar o tempo de viagem, mesmo em cenários urbanos complexos.

Em contraste, para rotas de longa distância, o RHIP adota uma estratégia mais eficiente em termos de processamento. Ele transita para métodos determinísticos, que são computacionalmente mais simples e rápidos. Essa otimização garante que o sistema possa lidar com a escala global do Google Maps sem comprometer o desempenho ou o consumo de energia. Essa flexibilidade demonstra a maturidade do algoritmo, capaz de ajustar sua complexidade de acordo com a necessidade, garantindo eficiência e precisão em qualquer cenário de navegação.

Um exemplo prático dessa capacidade de aprendizado foi observado em Nottingham. O modelo esparso de 360M parâmetros identificou e corrigiu um erro de qualidade de dados. Uma rota preferida estava sendo incorretamente marcada como propriedade privada devido à presença de um portão que, na realidade, nunca é fechado. Essa marcação errônea atribuía um custo elevado à rota. O algoritmo, ao aprender com os dados de navegação, foi capaz de corrigir esse erro de dados, reconhecendo a rota como válida e evitando que os usuários fossem desviados para um trajeto alternativo longo e estreito. Essa correção resultou em uma grande recompensa positiva para o modelo, evidenciando sua capacidade de aprimoramento contínuo.

Superando desafios históricos da navegação

Historicamente, a aplicação de sistemas de IA em larga escala para o planejamento de rotas enfrentou obstáculos consideráveis. A enorme complexidade das redes rodoviárias globais apresentava um desafio monumental para os algoritmos, que muitas vezes se mostravam incapazes de processar a miríade de possibilidades e variáveis envolvidas. O RHIP, com sua abordagem sofisticada e adaptativa, parece ter superado essa barreira. O Google destaca que o RHIP representa a maior aplicação de aprendizado por reforço inverso para planejamento de rotas até o momento, reforçando a tendência de que um melhor desempenho está diretamente ligado à escala, tanto em termos de volume de dados quanto de complexidade do modelo.

O novo algoritmo já foi aplicado a dados do Google Maps em escala mundial. No entanto, o processo de aprimoramento é contínuo. O Google enfatiza a importância de testes extensivos com usuários para validar se a técnica não apenas funciona na teoria, mas também entrega consistentemente rotas melhores na prática, no mundo real. A expectativa é que, com o tempo e a contínua aprendizagem com os padrões de navegação dos usuários, o Google Maps se torne ainda mais intuitivo e eficiente, antecipando as necessidades e preferências de cada motorista.

Essa evolução marca um passo significativo na forma como interagimos com a navegação por GPS. Ao integrar a inteligência artificial da DeepMind, o Google Maps não está apenas calculando distâncias e tempos, mas sim aprendendo a pensar como um motorista experiente, capaz de considerar nuances e preferências individuais. A promessa é de viagens mais tranquilas, eficientes e, acima de tudo, personalizadas, transformando o ato de dirigir e navegar em uma experiência mais inteligente e adaptada às necessidades de cada um.