211service.com
Bruke maskinlæring til å bygge kart som gir smartere kjøreråd
I samarbeid med Qatar Stiftelsen
Hvis du kjører i USA, er sjansen stor for at du ikke kan huske sist gang du kjøpte et papirkart, printet ut et digitalt kart, eller til og med stoppet for å spørre om veibeskrivelse. Takket være Global Positioning System (GPS) og mobile kartapper på smarttelefonene våre og deres sanntidsrutingsråd, er navigering et løst problem.
Men i utviklende eller raskt voksende deler av verden, ikke så mye. Hvis du bor på et sted som Doha, Qatar, hvor lengden på veinettet har tredoblet seg i løpet av de siste fem årene, kan kommersielle karttjenester fra Google, Apple, Bing eller andre leverandører rett og slett ikke holde tritt med infrastrukturen. endring.
Hver og en av oss som vokste opp i Europa eller USA kan sannsynligvis ikke forstå omfanget disse byene vokser med, sier Rade Stanojevic, seniorforsker ved Qatar Computing Research Institute (QCRI), en del av Hamad Bin Khalifa University, en Qatar Foundation universitetet i Doha. Stort sett hvert nabolag ser en ny undergang, ny overgang, ny stor motorvei som legges til annenhver måned.
Ettersom Qatar takler denne raske veksten – og spesielt når landet forbereder seg til å arrangere verdensmesterskapet i FIFA i 2022 – blir dårlige ruteråd og akkumulerende reiseforsinkelser fra utdaterte digitale kart stadig dyrere. Det er derfor Stanojevic og kolleger ved QCRI bestemte seg for å prøve å bruke maskinlæring på problemet.
Et veinett kan tolkes som en gigantisk graf der hvert veikryss er en node og hver vei er en kant, sier Stanojevic, hvis spesialitet er nettverksøkonomi. Veisegmenter kan ha både statiske egenskaper, for eksempel den angitte fartsgrensen, og dynamiske egenskaper, for eksempel rushtid. For å se hvor trafikken egentlig går – i stedet for hvor et gammelt kart sier at den skal gå – og deretter forutsi de beste rutene gjennom en labyrint i stadig endring, er alt en maskinlæringsmodell trenger mye oppdaterte data om både statiske og dynamiske faktorer. Heldigvis har moderne kjøretøyflåter disse overvåkingssystemene som produserer ganske mye data, sier Stanojevic.
Stanojevic snakker om drosjer. Teamet hans ved QCRI samarbeidet med et Doha-basert taxiselskap kalt Karwa for å samle inn fullstendige GPS-data om kjøretøyenes kommer og går. De brukte disse dataene til å bygge en ny karttjeneste kalt QARTA som tilbyr ruteråd til sjåfører hos Karwa og andre operatører som leveringsflåter.
Stanojevic sier at QARTAs dypere forståelse av den faktiske vei- og trafikksituasjonen i Doha hjelper sjåfører med å barbere seg titalls sekunder unna hver tur, noe som gir en effektivitetsgevinst på 5 % til 10 % for hele flåten. Hvis du kjører en flåte på 3000 biler, er 5 % av det 150 biler, sier Stanojevic. Du kan i utgangspunktet fjerne 150 biler fra veien og ikke miste noen virksomhet.
Selv om QCRIs system sannsynligvis ikke kan konkurrere med de store karttjenesteleverandørene i den utviklede verden, kan det hjelpe byer i Midtøsten og andre utviklingsregioner med å håndtere veksten mer klokt, sier Stanojevic. Og om noen år, ettersom flere autonome kjøretøyer går ut i gatene, kan maskinlæringsbaserte ruteråd se på helheten i en travel by og hjelpe flåter med å kutte karbonutslipp ved å holde sjåførene unna trafikkork. Ved å ha en slags global oversikt over hva som skjer i hele byen, kan autonome kjøretøy faktisk omdirigere oss til å ha en slags global lastbalansering, for å hjelpe alle til å ha det bedre.
Denne podcasten ble produsert i samarbeid med Qatar Foundation.
Vis notater og lenker
Qatar Computing Research Institute
Trafikkruting i den stadig skiftende byen Doha , Sofiane Abbar, Rade Stanojevic, Shadab Mustafa og Mohamed Mokbel, Communications of the ACM, april 2021
Full transkripsjon
Laurel Ruma: Fra MIT Technology Review heter jeg Laurel, og dette er Business Lab, showet som hjelper bedriftsledere å forstå nye teknologier som kommer ut av laboratoriet og inn på markedet.
Temaet vårt i dag, bedre kartlegging for raskt voksende byer. Trafikk. Trafikken er vanskelig for oss alle, men med et økende antall kjøretøy på veiene og kø kan ikke apper som prøver å beregne de beste rutene på mirakuløst vis lage snarveier. Men hva skjer når landet ditt dobler seg i størrelse på 10 år? Nye veier, nye nabolag, nye bygninger: det er på tide med et nytt kart.
To ord til deg: Automatisk kartlegging.
Min gjest er Dr. Rade Stanojevic, som er seniorforsker ved Qatar Computing Research Institute, en del av Hamad Bin Khalifa University, et Qatar Foundation-universitet. Dr. Stanojevic studerer datanettverk og nettverksøkonomi. For tiden bruker han grafteori, maskinlæring og andre teknikker for å prøve å bygge mer nøyaktige modeller av trafikk i den virkelige verden i Doha, Qatar og andre byer.
Før han begynte i QCRI, tilbrakte han tid som stabsforsker ved Madrid Institute for Advanced Studies Network Institute og Telefonica I&D i Spania.
Denne episoden av Business Lab er produsert i samarbeid med Qatar Foundation.
Velkommen, Dr. Stanojevic.
Rade Stanojevic: Det er flott å være sammen med deg i dag, Laurel. Takk skal du ha.
Laurel: Så i det siste har du fokusert på et veldig spesifikt spørsmål, som er hvordan du skriver kartprogramvare som kan generere mer nøyaktige estimater av reisetiden hvis noen kjører fra punkt A til punkt B. Og alle som noen gang har kjørt seg fast i trafikken pga. de valgte feil ruter kan forstå hvorfor det kan være nyttig. Men kan du forklare hvorfor det å forstå trafikk er et nettverksvitenskapelig problem og hvilken innsikt en nettverksanalysetilnærming kan gi?
Rade : Så for å få en nøyaktig forståelse av problemet du nettopp nevnte, hvordan du ruter fra punkt A til punkt B, trenger du i utgangspunktet to ting. Du trenger et nøyaktig kart og en nøyaktig trafikkmodell på toppen av det kartet. Og disse to problemene er både nettverksvitenskap og maskinlæringsproblemer. Så hvis du tenker på veinettet som et nettverk eller en graf, er dette nettverket i utgangspunktet en liste over kanter, en liste over noder og en liste over kanter, der kanten er veisegmentet. Dette veisegmentet, det som gjør dette veinettet til et interessant objekt å studere, er kompleksiteten som kommer fra egenskapene til disse kantene i nettet.
Så egenskapene til denne veisegmentene kan vi dele dem i to typer. Den ene er statiske egenskaper. Det er ting som fartsgrense, antall kjørefelt, type betaling osv. Og dette er den typen ting som når du først har fått det riktig, så har du det rett for alltid.
På den annen side er det egenskaper ved veinettet som er mer dynamiske. Så dette er den typen ting som er relatert til trafikken, kønivået, gjennomsnittshastigheten, som avhenger av tid på døgnet, dag i uken. Noen hendelser som vi egentlig ikke kan forutse på forhånd, osv. Å forstå både den underliggende statiske karakteren til veinettet så vel som de dynamiske delene som kommer fra trafikken er det som gjør hele denne problemstillingen interessant og nyttig for hverdagen, og spesielt business casene som vi nok skal snakke om litt senere det, som vi forholder oss til.
Laurel: Vel, når vi snakker om dynamisk, har Qatar nesten doblet seg i befolkning på bare 10 år, og så dette skaper et stort problem, ettersom nye veier og nye bygninger bygges og sjåfører sitter fast i trafikken, men de hadde disse raskt utdaterte kartene som nettopp ble utdaterte . Hvordan så du på dette som en mulighet til å hjelpe disse sjåførene og byene selv?
Rade : Å gutt. Så hver og en av oss som vokste opp i Europa eller USA kunne eller kan sannsynligvis ikke forstå omfanget som disse byene vokser med. Så i hjembyen min, som er en by med 200 eller 250 000 mennesker, var den eneste reelle endringen i veinettets infrastruktur som skjedde de siste 20 årene siden jeg var barn, bare den eneste broen som ble bygget. Imidlertid, i byen Doha, ser stort sett hvert nabolag en ny undergang, ny overgang, ny stor motorvei som legges til annenhver måned. Så med den typen hastighet som byen vokser med, kan de tradisjonelle karttjenestene ikke holde tritt med tempoet. Og det forårsaket en stor overraskelse for de fleste av oss som kom fra Europa eller Nord-Amerika. Vi ble overrasket da vi ankom byen og innså at alle tjenestene vi tar for gitt, som Google Maps eller Bing Maps eller Apple Maps, uansett hva det digitale favorittkartet ditt er, fungerer de rett og slett ikke. De jobber ikke i byen Doha.
Og grunnen til at de ikke fungerer er fordi de ikke ble bygget på antagelsen om at infrastrukturen endres like raskt som den gjør i Doha. Så i instituttet, ved QCRI, innså vi at mange av disse spørsmålene kan besvares med nettverksvitenskap og maskinlæring. Og flere av oss begynte å se på problemet med automatisk kartslutning. Vi begynte med dette en gang i 2017, og vi innså at dette problemet både er utrolig viktig for mange byer i utvikling, men også svært utfordrende. Og vi gjorde store fremskritt i den delen, med å forstå det underliggende nettverket. Og så senere, innså vi hvordan vi kan legge på toppen av det, disse dynamiske egenskapene til kartet, som er relatert til trafikken.
Laurel: Jeg tror det er en veldig fin måte å prøve å forklare for folk som kanskje ikke forstår at en ny motorvei blir lagt til eller en ny påkjøringsrampe eller en ny overgang til hvert nabolag, er det forbløffende, ikke sant?
Rade : Det er forbløffende. Så i utgangspunktet de siste syv årene, siden 2013, har lengden på veiinfrastrukturen i byen Doha tredoblet seg. Så det er veldig vanskelig å faktisk vikle hodet rundt det tallet. Det er utrolig mye infrastruktur som bygges. Alt dette er en del av prosjektet som er rettet mot å bygge den passende infrastrukturen for verdensmesterskapet som finner sted om omtrent 18 måneder her i Doha, verdensmesterskapet i fotball, eller som du i Nord-Amerika vil si fotball.
Laurel: Så hvorfor hadde kartprodusentene som Google, Bing og Apple Maps slike problemer med å følge med? Som hvordan estimerer de tradisjonelt reisetider og kartlegging? Sende Google-bilen rundt for å kartlegge nabolag?
Rade : Egentlig er det et interessant spørsmål. Så i utgangspunktet har de fleste tradisjonelle kartprodusenter som Google Maps eller Here Maps eller Bing Maps, de har normalt et statisk kart som de kjøper en gang hvert par år, enten fra myndighetene eller de lokale kartleverandørene. Og så kjører de under antagelsen om at disse kartene endres nå og da, og at de kan fange disse endringene, observere en slags data som er tilgjengelig for dem, enten ved å spore telefonene der de har en slags plasseringsaktiverte tjenester, eller på andre måter. De underliggende forutsetningene om at veinettet ikke endres så ofte. Så hver gang veinettet endres, ville de kreve en menneskelig annotator for å merke endringen og oppdatere kartet. Men i en by som Doha, hvor endringer skjer konstant og daglig, brytes denne underliggende antagelsen.
Et større kryss som ble endret en gang i 2016, da vi flyttet, da jeg flyttet til Doha, bare noen hundre meter fra kontoret vårt, tok det omtrent 18 måneder før det krysset ble reflektert i Google Maps. Så i utgangspunktet var krysset usynlig for Google Maps i omtrent 18 måneder. Og alle de rutene som skulle rutes gjennom det krysset, var i utgangspunktet, ville tvinge sjåførene til å gå og ta en stor omvei som var helt unødvendig. Og Google ble bedre med årene, Google og andre karttjenester, de ble bedre over tid. De kjenner igjen problemet, og nå tar det ikke 18 måneder før de gjenspeiler endringen. Nå er den prosessen forkortet til et par måneder. Men likevel kan selv de par månedene være mye hvis en sjåfør eller en taxi eller en leveringssjåfør krever en nøyaktig og optimal rute. Og vi så det som en mulighet til å løse problemet med så mye data vi kunne skaffe og så raskt som mulig.
Laurel: Ja, to måneders responstid virker umulig i alles sanntidsliv, ikke sant? Så hvordan fant du og teamet ditt en bedre måte å beregne reisetider på? Fortell meg historien om taxiselskapet Karwa.
Rade : Det er en interessant historie, men la meg bare si noen få ord om hva som er nøkkelingrediensen i å løse problemet med nøyaktige ruter og nøyaktige reisetider i den raskt utviklende byen Doha. Nøkkelingrediensen er kontinuerlig oppdatering av kartene. Så å observere kartet, observere endringene som skjer og adressere dem så raskt som mulig, ideelt sett på en helautomatisk måte, er nøkkelen. Så vi ville ikke vært i stand til å gjøre det uten partnerskapet med Karwa.
Så Karwa er et lokalt taxiselskap som driver rundt 3000 kjøretøy i byen. Det produserer en enorm mengde informasjon som vi bruker til å bygge det underliggende kartet og også for å bygge trafikkmodellen på toppen av det kartet. Og det er en interessant historie om hvordan vi startet dette prosjektet. Så dette prosjektet startet rent som et forskningsprosjekt, som jeg nevnte, kanskje en gang i 2017 eller tidlig i 2018, hadde vi vårt første møte med taxiselskapet. Og på det tidspunktet gjorde vi en viss fremgang angående karttjenestene, det automatiske kartslutningsprosjektet som jeg nevnte for noen minutter siden. Men etter at vi delte de første resultatene med dem, fortalte de oss at de brukte Google Maps. De var ikke hundre prosent fornøyde med det, men det faktum at hele tjenesten var relativt billig, et sted i størrelsesorden mellom $10.000 og $20.000 per år, det var ikke en stor post i deres årlige regning. Og de fortalte oss i utgangspunktet at vi egentlig ikke bekymrer oss for denne typen problemer fordi vi kjøper den informasjonen ikke er ideelt sett nøyaktig, men den er billig nok til at vi ikke bekymrer oss om den.
Og da var vi enige i det. Det var bare, sånn er det. Hvis Google eller kommersielle karttjenester kan selge det for en så lav pris, er det egentlig ikke fornuftig for taxiselskapet å bekymre seg mye om det. Imidlertid hevet Google Maps, og også mange andre kartleverandører, ganske mye prisene på disse kart-API-tjenestene med en faktor på 10 til 20 en gang på slutten av 2018. Og på det tidspunktet med veksten i volumet, vokste regningene deres fra titusenvis av dollar til hundretusenvis av dollar, stort sett over natten. På det tidspunktet var de mye mer mottakelige for ideen om å bygge tjenesten som kan hjelpe dem med å barbere av noen hundre tusen dollar per år av den karttjenesteregningen. Og på det tidspunktet begynte vi å se på problemet. På det tidspunktet kunne vi egentlig ikke si om vi kan bygge et produkt som har en kvalitet som kan sammenlignes med de kommersielle kartene. Og det var der reisen vår startet.
En gang på slutten av 2018 hadde vi allerede en god del forståelse og erfaring om hvordan man gjør slike ting. Men vi begynte faktisk å jobbe med produktet en gang på slutten av 2018, og i midten av 2019 hadde vi et produkt klart for testing. Og det tok et par måneder med testing for å finne ut hvor gode vi er sammenlignet med Google Maps. Og funnene var virkelig imponerende med tanke på kvaliteten på resultatene våre, hastigheten på svarene våre, tilgjengeligheten til ressursene våre. Og så en gang sent i 2019, byttet det lokale taxiselskapet med 3000 kjøretøy fra kommersielle kart, fra Google Maps, til å bruke tjenestene våre.
Så det var en steinete vei, det tok oss et par år med å gå frem og tilbake. Og jeg vil trolig si at det viktigste steget var introduksjonen av denne nye prisene, tiden da Google innså at de faktisk kan tjene penger på dette og hvor de hevet prisene med en faktor på 10 til 20, det var en avtalebryter for oss. Uten det ville vi sannsynligvis ikke fått dette til.
Laurel: Det er en utrolig enorm økning når du sannsynligvis er et drosjeselskap som kanskje eller kanskje ikke gjør det bra, avhengig av hvor konkurransedyktig den slags samkjøring er.
Rade : Akkurat, det gjorde en stor avtale. Så i utgangspunktet er taxivirksomheter generelt virksomheter med svært lav fortjenestemargin. Så de bryr seg om hver lille krone de kan spare.
Laurel: Så hvordan tilbyr du lignende tjenester til lavere kostnader? Er det fordi du ikke har overhead til et Google Map eller en Waze?
Rade : Så vi liker å tenke på systemet vårt som et veldig lett Google Maps for bedrifter. Så Google Maps tar sannsynligvis rundt 1 milliard dollar, offentligheten, jeg mener, det er vanskelig å komme med et nøyaktig anslag på hvor mye Google investerer i kart hvert år, men noen grove estimater er i størrelsesorden 1 milliard dollar per år. Og det er en stor investering. Men for den spesielle typen applikasjoner som leverings- og taxiselskaper trenger, trenger du egentlig ikke alle maskineriet som Google Maps distribuerer. Så vi liker å tenke på systemet vårt som vi laget QARTA – QARTA er et ord som er på mange språk, et ord som brukes for kart – så systemet vårt kalt QARTA er veldig lett, så vi fjerner i utgangspunktet alle unødvendige blokker og vi beholder alle tingene som er nødvendige for å svare på den typen spørsmål som leveringsselskapene, leveringsselskapene, logistikkselskapene eller samkjøringsselskapene eller drosjeselskapene krever for å drive virksomheten sin. Og ved å gjøre det kan vi holde driftskostnadene så lave som mulig.
Laurel: QARTA, men med en Q, som er et nikk til Qatar, som er fantastisk.
Rade : QARTA med en Q. Hvis du permuterer bokstavene får du navnet på landet vi befinner oss i, Qatar.
Laurel: Det er riktig. Så fortell oss mer om teknologien. Du brukte maskinlæring med dataene fra Karwa for å prøve å finne ut den beste måten å justere reisetidsanslagene på avhengig av tidspunktet på dagen, et cetera. Så kan du snakke litt mer om den tilnærmingen? Som hvordan holdt du faktisk dataene dine i sanntid?
Rade : Så maskinlæring er flott når du ønsker å fange komplekse forhold på den ene siden, og du også har nok data til å fange disse relasjonene og trene maskinlæringsmodellene dine. Så heldigvis har moderne kjøretøyflåter disse overvåkingssystemene som produserer ganske mye data. Produksjon av disse dataene gjør denne maskinlæringen mulig. Jeg vil si for 10 eller 15 år siden, de fleste drosjer ville ikke ha GPS-sporing aktivert. Og uten slik GPS-sporing ville all denne maskinlæringen ikke vært mulig. Imidlertid er vi heldige nok til å samarbeide med Karwa, som har det rike overvåkingssystemet som i utgangspunktet hjelper oss med å fange opp dataene, behandle dem og finne ut de to viktige ingrediensene som jeg nettopp nevnte, men jeg skal gjenta dem igjen, forstå det underliggende veinettet på den ene siden og forstå trafikken som går på toppen av det.
Så all den informasjonen gjør at vi ikke bare kan sammenlignes med kommersielle kart, men også kan barbere bort noen titalls sekunder med feil for hver tur. Og disse få titalls sekunder gir en økning i effektivitet på et sted mellom 5 og 10 prosent. Det er veldig vanskelig å komme opp med det nøyaktige antallet hvordan effektiviteten forbedres ved forbedring av feilene på det underliggende digitale kartet. Dette høres kanskje ikke mye ut, men som jeg nevnte, i en virksomhet som kjører med en veldig stram fortjenestemargin, er det en stor avtale å forbedre effektiviteten for fem prosent.
Eller med andre ord, hvis du kjører en flåte på 3000 biler, er fem prosent av det 150 biler. Du kan i utgangspunktet fjerne 150 biler fra veien og ikke miste noen virksomhet. Og å fjerne 150 biler tilsvarer X millioner dollar per år med kostnadsreduksjon. Så det jeg prøver å si er at alle disse små tingene, noen få sekunder her, noen få prosent der, faktisk betyr noe på grunn av den økte effektiviteten, og økt effektivitet resulterer i bedre kostnadsinntektsligning.
Laurel: Og det er også viktig for offentlig transport, for offentlige etater som prøver å spare den lille prosentandelen her eller der mens de prøver å bli mer effektive.
Rade : Absolutt. Egentlig offentlige tjenester her, offentlig transport her er veldig, veldig umodent. Så mye av offentlig transport er avhengig av taxi- og samkjøringstjenester. Det er en slags anslag at taxi- og samkjøringstjenestene tar over 80 prosent av offentlig transport. Så bussnettet er veldig sparsomt. Så mesteparten av tiden, hvis du ikke eier en bil og du ønsker å flytte fra A til B, kommer du til å ringe en taxi eller Uber eller lignende transporttjeneste. For øyeblikket bygges T-banen, og det er en del av infrastrukturprosjektene vi snakket om tidligere. Den første linjen ble åpnet i fjor. Og følgende to linjer åpnes i år. Forhåpentligvis vil behovet for drosjer forhåpentligvis gå ned med litt mer regelmessig kollektivtransport og litt tettere kollektivtrafikk.
Laurel: Så vi snakker om å prøve å bygge et bedre samfunn, QCRI er et av Qatar Foundations forskningsinstitutter. Og Qatar Foundations mål er å fremme banebrytende forskning på områder med nasjonal prioritet for Qatar, og to også å støtte bærekraftig utvikling og økonomisk diversifisering. Men slike mål har fordelen av å hjelpe hele verden. Så klart at arbeidet du gjør, oppfyller begge disse kriteriene. Hva er den bredere betydningen av å bygge smartere og rimeligere kartsystemer, så vel som transportsystemer? Hvordan kunne denne teknologien hjelpe andre voksende bysentre i Midtøsten og resten av verden?
Rade : Så en interessant ting om kommersielle kart og mange av de høyteknologiske produktene som er bygget i Europa og Nord-Amerika: De er bygget i den utviklede verden og for den utviklede verden. Så kommersielle kart er ikke et unntak der borte. De er utviklet med en bestemt bruker i tankene, og den brukeren kommer vanligvis med en dyp lomme, og kommer vanligvis i verden der veiene ikke endres så ofte. Disse to antakelsene brytes i utviklingsland. Å betale et par dollar per måned er kanskje ikke en stor sak for en taxi som kjører i Boston eller Madrid. Men noen få dollar per måned per taxi er kanskje 10 prosent av lønnen til en sjåfør i New Delhi eller Kuala Lumpur. Så vi ser på QARTA som en løsning som jeg nevnte, en lettvektsløsning, som kan dekke behovene uten å gå dypt i lommene til disse transportleverandørene.
Det følger litt med oppdraget til Qatar Foundation om å hjelpe utviklingsland. Vi ser vårt målmarked for systemet vi bygger i utviklingsland. Jeg tror ikke vi kan konkurrere med verdens Googles i den utviklede verden av de grunnene jeg nettopp beskrev. Vi har ikke ressursene, og forventningene til brukerne i Vesten er på en måte forskjellige fra forventningene i utviklingsland. Dette er en av grunnene til at vi og vårt lederskap er glade for å presse på for Qatar.
Laurel: Det er utmerket. Hvordan reagerer du på den mulige nye bølgen av autonome kjøretøy? Er det noe som faktisk hjelper deg å møte denne utfordringen?
Rade : Å wow, ja, jeg er veldig, veldig spent på epoken med autonome kjøretøy. Det er vanskelig å si når den epoken kommer, men jo nærmere vi kommer den datoen, desto viktigere blir rollen til nøyaktige digitale kart. Så en grad av rapporteringsmulighet for autonome kjøretøy er deres evne til å optimalisere rutene og kjøringen generelt, for å redusere ineffektiviteten i menneskelig beslutningstaking. Så for eksempel har mennesker en tendens til å bruke suboptimale ruter. Så hver gang jeg går hjemmefra til jobb, hver gang jeg tar denne ruten, liker jeg egentlig ikke å utforske. Jeg har venner som faktisk, hver gang de setter seg inn i bilen, skriver de inn destinasjonen og de ser etter den optimale ruten på det bestemte tidspunktet. Jeg er ikke en av de menneskene. Jeg tar samme rute hver dag. Den kognitive belastningen for meg å bekymre meg for den optimale ruten er noe jeg egentlig ikke vil bekymre meg for.
Men med autonome kjøretøyer trenger ikke folk å bekymre seg for det. Du kan bare trykke på knappen og det autonome kjøretøyet vil ta den optimale ruten for deg når du går inn i bilen. Så det er en måte for de autonome kjøretøyene å hjelpe deg med å spare et par minutter her, et par minutter der, sannsynligvis et par timer hver måned.
I tillegg kan autonome kjøretøyer med en nøyaktig forståelse av veinettets infrastruktur og alle dynamikkene som foregår, autonome kjøretøy optimalisere for et slags globalt optimum. Svært ofte har mennesker en tendens til å være grådige. Og ved å være grådige kan vi alle ende opp med å bruke motorveien. Og ved å håpe på å spare et par minutter, kan vi få så mye kø på motorveien at vi alle lider. Ved å ha en slags global oversikt over hva som skjer i hele byen, kan autonome kjøretøy faktisk omdirigere oss til en slags global lastbalansering for å hjelpe alle til å ha det bedre.
Og hvor langt er vi derfra? Jeg vil ikke si at vi er så langt, men vi er sannsynligvis noen år, om ikke et tiår unna den globalt optimale rutingen, som jeg virkelig, virkelig ser frem til. For hvis du tenker deg om, så er det så mye veiinfrastruktur der ute. Hvis du tenker på hvor mange gater som er der ute i byen Boston og byen Doha. Utnyttelsen av disse ressursene er imidlertid på en måte skjev mot svært få større veier som ender opp med å bli overbelastet i rushtiden. Og jeg er en sann troende på at globalt optimal planlegging av rutebeslutninger kan redusere overbelastningen i byen betydelig og hjelpe livene våre generelt. I utgangspunktet kan vi bruke noen timer mindre hver uke i trafikken sammenlignet med det vi gjør i dag. På baksiden, hvis det blir så enkelt å reise, kan vi ende opp med å reise mer. Men det er en egen ting å bekymre seg for.
Laurel: [Lydforstyrrede] utfordringer som å redusere energi og designe nye internettjenester?
Rade : En ting jeg har holdt meg opptatt med i det siste, er utnyttelsen av den verden vi allerede har. Så alt relatert til digitale kart og nøyaktig trafikkforståelse for å bidra til å redusere CO2-utslipp. Så CO2-utslipp, jeg mener, det er folk som tror, og det er folk som ikke tror på en drivhuseffekt og global oppvarming, men CO2-utslipp, og generelt, bensinforbruk er en stor del. Og transport bidrar til det på en ikke-triviell måte. Jeg har stor tro på at trafikkforståelse kan barbere bort et par prosent av CO2-utslippene og også bensinforbruket, og det kan ha en umiddelbar effekt i reduserte regninger vi betaler for bensin, men også langsiktig reduksjon. av CO2-utslipp er liksom obligatorisk. På en eller annen måte må vi finne en måte å håndtere det problemet på, og jeg tror at kombinasjonen av autonom kjøring, elbiler og en form for reduksjon av ineffektivitet vil være nødvendig. Og for å gjøre det, vil underliggende trafikkkart være til stor hjelp.
Så la meg bare gi deg et eksempel. Hvis bilen din og du som sjåfør hadde en god nok forståelse av hvor lenge det grønne lyset fortsatt vil være grønt, kan du ha en informert avgjørelse om du vil beholde kjøringen i 50 kilometer i timen, eller du kanskje vil sakte ned. ned og ikke kast bort den bensinen fordi lyset blir rødt i løpet av et par sekunder, og du vil bare kaste bort all energien med å kjøre fort rett foran lyskrysset. Dette er den typen ting jeg jobber med for øyeblikket, og forhåpentligvis vil vi kunne rapportere noe interessant, men dette pågår fortsatt.
Laurel: Dr. Stanojevic, tusen takk for at du ble med oss i dag. Det har vært en flott samtale på Business Lab.
Rade : Tusen takk, Laurel. Det var flott å snakke med deg.
Laurel: Det var Dr. Rade Stanojevic, en hovedforsker ved Qatar Computing Research Institute, en del av Hamad Bin Khalifa University, et Qatar Foundation-universitet, som jeg snakket med fra Cambridge, Massachusetts, hjemmet til MIT og MIT Technology Review, med utsikt over Charles River.
Det var det for denne episoden av Business Lab. Jeg er verten din, Laurel Ruma. Jeg er direktør for Insights, den tilpassede publiseringsavdelingen til MIT Technology Review. Vi ble grunnlagt i 1899 ved Massachusetts Institute of Technology, og du kan finne oss på trykk, på nettet og på arrangementer rundt om i verden. For informasjon om oss og showet, vennligst sjekk ut nettstedet vårt på technologyreview.com.
Dette programmet er tilgjengelig uansett hvor du får podcastene dine. Hvis du likte denne episoden, håper vi at du tar deg tid til å vurdere og anmelde oss. Business Lab er en produksjon av MIT Technology Review. Denne episoden ble produsert av Collective Next. Takk for at du lyttet.
Denne podcast-episoden ble produsert av Insights, den tilpassede innholdsarmen til MIT Technology Review. Den ble ikke produsert av MIT Technology Reviews redaksjon.