グーグルの開発者は、グーグルマップのルート提案をよりパーソナライズしたものにするAIアルゴリズムを開発した。
グーグルによると、3億6000万ものパラメーターを含むこのモデルは、マップユーザーの実際の運転データを使い、彼らがルートを決定する際にどのような要素を考慮するかを分析する。AIの計算には、所要時間、通行料金、道路状況、個人の好みなどの情報が含まれる。
グーグルによると、この技術は “逆強化学習”（IRL）と呼ばれるアプローチに基づいており、システムは “RHIP（Receding Horizon Inverse Planning）”と呼ばれる新しいIRLアルゴリズムに基づいてユーザーの行動から学習するという。
近くて遠い “Receding Horizon Inverse Planning”
グーグルによると、ディープマインドとは数年前からRHIPに取り組んできたという。このアルゴリズムは、実際に移動したルートの近くでは、計算集約的な確率モデルを使用して、ありそうもない選択肢を検討する。より遠方では、RHIPはより単純な決定論的手法に切り替えてエネルギーを節約する。
“360Mスパース・パラメータ・モデルがノッティンガムのデータ品質エラーを発見し修正した例。
優先ルートは、ゲート（決して閉じられない）の存在により、私有地と誤って表示されている、
高いコストがかかる。迂回ルートは細長い。スパース・モデルは
を修正するように学習する。”| 画像：グーグル
テストでは、RHIPは、よくチューニングされたマップのベースラインと比較して、車と二輪車（スクーター、バイク、原付など）のルート提案の精度を平均16～24％向上させることができた。AIアプローチを組み合わせることで、それぞれの長所を最大限に活かすことができる。システムはグーグルマップユーザーの動きから学習し、彼らがどのルートを好むかの予測は時間とともに改善されるはずだ。
グーグルによれば、これまでAIシステムを大規模に使ってルート計画を立てようとしても、現実の道路網が非常に複雑なため、失敗することが多かったという。アルゴリズムが無数の可能性に対応できなかったのだ。
RHIPは現在、洗練されたアプローチでこの障害を克服することができる。グーグルの開発者によると、RHIPはルート計画への逆強化学習の応用としてはこれまでで最大規模であり、データセットとモデルの複雑さの両方において、より良い性能は規模に関係するという傾向を裏付けるものだという。
このアルゴリズムは世界中のグーグルマップデータに適用されている。しかし、この手法が実際に機能し、実際に一貫してより良いルートを生成するかどうかを判断するには、広範なユーザーテストが必要である。
