Google マップのユーザーの移動経路を誘導するために使用される機械学習モデルは、コロナウイルスの流行中の変化する交通状況に適応するために再トレーニングされました。
「COVID-19パンデミックが始まって以来、世界中の交通パターンは劇的に変化しました」と、グーグルマップのプロダクトマネージャー、ヨハン・ラウ氏は語った。
2020年初頭にロックダウンが始まった際、世界中の交通量は最大50%減少しました。その後、世界の一部地域では徐々に経済活動が再開されましたが、他の地域では制限が維持されています。この突然の変化に対応するため、私たちは最近、より機敏な対応ができるようモデルを更新しました。
Googleは、交通状況を表す共通パターンを古いデータに頼ることはもはや現実的ではないと述べた。AIエンジニアはより最新のデータに基づいてモデルを再トレーニングする必要があり、現在では過去2～4週間に記録された世界中の交通状況に基づいて到着予定時刻を概算している。
「当社の到着予定時刻予測は既に非常に高い精度を誇っています。実際、当社の予測は97%以上の旅行で一貫して正確であることが分かっています」とラウ氏は述べた。
芸術的ないたずら者が、ベルリン市内をカートいっぱいの古い携帯電話で歩き回り、Googleマップの交通渋滞を作り出す
続きを読む
チョコレートファクトリーは、精度をさらに向上させるため、アルファベット傘下のDeepMindと提携し、グラフニューラルネットワークアーキテクチャに基づくシステムを実装しました。このモデルは、実際の交通状況と過去のデータから収集した過去の交通パターンを組み合わせて使用します。
「私たちのモデルは、ローカル道路網をグラフとして扱います。各ルートセグメントはノードに対応し、同じ道路上で連続するセグメント間、または交差点で接続されたセグメント間にはエッジが存在します」とDeepMindは説明しています。「グラフニューラルネットワークでは、メッセージパッシングアルゴリズムが実行され、メッセージとそれらがエッジおよびノードの状態に与える影響がニューラルネットワークによって学習されます。」
道路の構造は場所によって異なります。静かで田舎の地域では、グラフは小さくノード数も少ないでしょう。一方、都市部の交通量の多い交差点では、グラフは大きくノード数も多くなります。そのため、これらの異なるグラフでニューラルネットワークを学習させるのは困難です。
「学術現場では見落とされがちな、実稼働の機械学習システムの大きな課題は、同じモデルを複数回トレーニング実行した際に生じる可能性のある大きな変動性です」とディープマインドは述べています。
モデルを安定化させる秘訣は、最適な学習率を導き出せる強化学習法を実装することでした。例えば、実際の交通状況やトレーニングデータとして記録された過去数週間のデータが時間の経過とともに劇的に変化した場合、学習率を高く設定することでモデルの精度が向上します。
こうすることで、例えば都市がロックダウン措置を解除し始め、道路の交通量が増えた場合など、変化にうまく適応できるようになります。学習速度を遅くすることは、変化がそれほど大きくない地域に適しています。
「学習中に学習率を自動的に調整することで、モデルは以前よりも高い品質を達成しただけでなく、学習率を自動的に下げることも学習しました。これにより、より安定した結果が得られ、この新しいアーキテクチャを本番環境で使用できるようになりました」とGoogleは結論付けています。®
