O Instituto de Pesquisa Avançada em Inteligência Artificial (IARAI), instituição global de pesquisa de machine learning criado pela HERE Technologies, anuncia os resultados e vencedores do Traffic4cast, seu concurso de previsão de tráfego, que visa solucionar desafios de mobilidade usando inteligência artificial (IA).

Os resultados apontam como a IA pode efetivamente fornecer insights para solucionar engarrafamento com os dados geoespaciais industriais da HERE.

O tráfego ocorre quando os motoristas tomam decisões simples que levam a padrões de comportamento complexos. Esses padrões dependem de vários fatores, como hora do dia, rede de estradas, situações de congestionamento, feriados, condições climáticas e dia da semana.

A identificação e análise eficazes dos padrões levam a previsões mais precisas de como o tráfego se moveria em determinadas estradas e determinados horários do dia.

Inteligência Artificial

A IA e, mais especificamente, as redes neurais – sistemas de computador que funcionam como os neurônios do cérebro humano – podem ajudar a resolver esse problema porque são muito bons em detectar padrões.

As redes neurais “aprendem” a executar tarefas considerando exemplos, como conjuntos de dados, geralmente sem serem programados com regras específicas da tarefa.

Essa capacidade em aprender, sem ser programada, significa que, embora as redes neurais sejam boas em identificar padrões seu funcionamento interno é um dos mistérios do machine learning, a chamada “caixa preta” AI, o que significa que os processos não podem ser facilmente entendidos ou testados pelos programadores.

Os resultados do Traffic4cast mostram que as redes neurais foram o método mais eficaz usado na previsão de tráfego e chegaram mais perto de simular o fluxo exato de tráfego.

Todos os principais participantes usaram redes neurais em vez de soluções “non-black box”, como máquinas de vetores de suporte, inferência bayesiana e outros algoritmos fixos.

Os vencedores da Coréia do Sul, Oxford/Zurique e Toronto estavam entre as mais de 40 equipes de todo o mundo que enviaram mais de 4.000 inscrições.

Trabalhando com à HERE, a IARAI forneceu aos participantes clipes de dados do mundo real em escala industrial de um ano focados em três cidades: Berlim, Istambul e Moscou. Os clipes foram criados usando dados baseados em um número sem precedentes de mais de 100 bilhões de pontos que foram recolhidos por uma grande frota de veículos de sonda.

Eles capturaram o tráfego da manhã, noite e da hora do rush. Cada quadro de filme resumia as trajetórias de GPS mapeadas para células espaço-temporais e mostraram vários canais coloridos, caracterizando o volume, velocidade e a direção do tráfego.

“Essa competição é especial por causa do escopo e tamanho dos dados”

Sepp Hochreiter, co-diretor fundador da IARAI e pioneiro em inteligência artificial

Sepp inventou a estrutura de rede neural de memória de curto prazo – LSTM.

“Reunimos diversos grupos para enfrentar um problema fundamental – prever processos geoespaciais – que está no coração da mobilidade sustentável de massas. Guiar a revolução da IA ​​para esse problema usando uma abordagem interdisciplinar através de bilhões de pontos de dados da vida real é uma novidade e uma mudança de paradigma que será refletida em muitas disciplinas científicas aplicadas. Os resultados parecem provar que o aprendizado de máquina da ‘caixa preta’ é mais eficaz na solução de problemas preditivos. Isso nos dá um ponto de partida para mais pesquisas sobre como a IA aprende”

Michael Kopp, chefe de pesquisa da HERE e co-diretor fundador da IARAI

Imagens: Divulgação