Google, "zor park etme" nin üstesinden gelmek için kitle kaynak kullanımı ve makine öğrenimini kullanır, Google Earth açık kaynaktır
1 Xinzhiyuan derlemesi
Kaynak: Google Blog
Derleyici: Hu Xiangjie
AI devam ediyor, Vientiane güncellendi!
Xinzhiyuan, tüm abonelerine iyi bir Horoz Yılı diliyor!
Xinzhiyuan yeni bir işe alım turu başlattı : COO, Genel Yayın Yönetmeni, Baş Editör, Kıdemli Derleyici, Baş Yazar, Operasyon Direktörü, Hesap Yöneticisi, Danışmanlık Direktörü, İdari Asistan ve diğer 9 pozisyon tamamen açıktır.
Teslime devam et: j obs@aiera.com.cn
HR WeChat: 13552313024
Xinzhiyuan, COO ve yönetici editörlere bir milyon yuan'a kadar yıllık maaş teşvikleri sağlar; kilit çalışanlar için en eksiksiz eğitim sistemini sağlar, Sektör ortalamasından daha yüksek maaşlar ve ikramiyeler.
Xinzhiyuan'a katılın ve dünyayı değiştirmek için yapay zeka endüstrisinin liderleriyle birlikte çalışın.
Xin Zhiyuan Rehberi "Zor park etme" araç sahipleri için büyük bir sorundur. Son zamanlarda, Google araştırmacıları bu sorunun üstesinden gelmek için makine öğrenimi yöntemlerini kullanmaya başladılar.
Araba sürerken çoğu zaman ya trafik sıkışıklığında ya da park yeri bulmada harcanır. Google Maps ve Waze gibi ürünlerin, insanların daha kolay ve verimli bir şekilde gezinmesine yardımcı olmak için uzun vadeli bir hedefi vardır. Ancak şimdiye kadar alıştığımız "zor park etme" sorununu hiçbir araç çözemedi.
Geçen hafta, Google Haritalar, Amerika Birleşik Devletleri'nin 25 şehrinde Andriod için yeni bir özellik yayınladı ve sürücülerin ilgili planları yapabilmesi için hedefin yakınında park etme hakkında tahminler sağladı. Bu özelliği sağlamak için aşağıdaki ana sorunların çözülmesi gerekir:
Boş park yerlerinin durumu zaman, hafta, hava durumu, özel etkinlikler ve tatiller gibi faktörlere göre oldukça değişkendir. Sorun o kadar karmaşık ki şu anda ücretsiz park yerleri hakkında neredeyse hiç gerçek zamanlı bilgi yok.
Boş park bilgilerini sağlamak için ağa bağlı parkmetreleri kullanan alanlarda bile, bu veriler yasa dışı park etme, lisanslı park etme veya erken ayrılma park etme bilgilerini içermez.
Yol iki boyutlu bir tablodan oluşur, ancak park grafiğinin yapısı daha karmaşık olabilir. Trafik akışının kesişimi birden fazla bilgi katmanı içerir ve farklı düzenler içerebilir. Park için arz ve talep sürekli değişiyor, bu nedenle en iyi sistemler bile inşa edilir edilmez eskimiş olma riski altındadır.
Bu zorlukları çözmek için, Google araştırmacıları, sürücülere varış noktasında park etme hakkında bilgi sağlayan ve hatta nasıl seyahat edeceğinize karar vermenize yardımcı olan bir sistem geliştirmek için kitle kaynak kullanımı ve makine öğrenimi teknolojisini birleştirdi.
Bir önizleme sürümünde, seyahat modu düğmesinin tıklama oranının önemli ölçüde arttığını gördüler. Bu, kullanıcıların park zorlukları sorununu daha iyi anladıktan sonra, araba kullanmak yerine toplu taşıma araçlarını seçmeye daha istekli olacakları anlamına gelir.
Park etme zorluğu sorununu çözmek için bir algoritma tasarlamak için, teknolojinin üç yönüne ihtiyaç vardır: kesin referans verilerini elde etmek için kitle kaynak kullanımı; uygun bir makine öğrenimi modeli ve modeli eğitmek için bir dizi kararlı özellik.
Kesin referans verileri
Yüksek kaliteli kesin referans verilerinin toplanması, genellikle herhangi bir makine öğrenimi çözümünün geliştirilmesi için önemli bir zorluktur. Google'ın yaklaşımı, park güçlükleriyle karşılaşıp karşılaşmadıklarını görmek için sürücülerle farklı yerlerde ve zamanlarda görüşmeler yapmaktır. Bununla birlikte, bu tür öznel sorular karşısında genellikle çelişkili yanıtlar olduğunu bulduk: Belirli bir yerde, bazı insanlar bir park yeri bulmayı "kolay" bulabilir, ancak diğerleri bunu "zor" bulabilir.
Model özellikleri
Bu mevcut verilerle bir sonraki adım, modeli eğitmek için kullanılan özellikleri seçmektir. Ortak akıl kullanarak proje, gerçek zamanlı trafik, popüler park süreleri ve ziyaret süresi ölçümleri için zaten önemli bir bilgi kaynağı olan kişisel konum verilerini paylaşmak isteyen kullanıcılardan anonim bilgiler topluyor.
Google araştırmacıları, kısa süre içinde, gerekli verilerle bile, bekleyen bazı benzersiz zorlukların olduğunu keşfettiklerini söylediler. Örneğin, birisi kapısının önüne veya özel bir park yerine park ederse, sistem yanlışlıkla park yerinin müsait olduğuna inanmamalıdır. Kullanıcılar taksiyle geldiklerinde kapının önünde çok fazla park yeri olduğu yanılsamasına neden olabileceği gibi, toplu taşıma kullanıcılarının da sistem tarafından halka açık istasyonlara park etmesi düşünülebilir. Bu yanlış algılamalar, makine öğrenimi sistemini yanlış yönlendirecektir.
Bu nedenle, sistemin tasarımı daha güçlü toplama özellikleri gerektirir. Şaşırtıcı olmayan bir şekilde, özelliklerden biri Google'ın bulunduğu Mountain View'dan ilham aldı. Google Navigasyon, öğle yemeği saatlerinde şehir merkezinde çok sayıda kullanıcının araç kullandığını gözlemlerse, park etmenin çok zor olabileceğini gösterir:
Google araştırmacıları, park zorlukları hakkındaki bu "ipuçlarını" bir eğitim özelliği olarak nasıl kullanacaklarını düşünüyorlar. Bu örnekte araştırmacı, araçla kapıya giden kullanıcılar ile gerçek varışları arasındaki farkı, daire çizmeyi, park etmeyi ve yürümeyi referans faktörleri olarak değerlendirdi. Çoğu kullanıcının ikisi arasında geçirdiği süre açısından önemli bir fark varsa, bir park sorunu ile karşılaştığı kabul edilir.
Oradan, belirli bir varış noktası, park yerlerinin dağılımını, günün saatini ve tarihe bağlı park etmeyi (örneğin, kullanıcı sabahın erken saatlerinde varış noktasına daha yakınsa, ancak yoğun zamanda daha uzaksa) dikkate alarak daha fazla özellik geliştirmeye devam ediyoruz. , Geçmiş park verileri vb.
Buna dayanarak araştırmacı, varış noktasının özelliğini, park alanlarının dağılımını, park etmenin zorluğunu belirleyen saat ve tarihi ve geçmiş park verilerini (örneğin, kullanıcı varsa) dikkate alarak daha fazla özellik geliştirmiştir. Sabah park etmek hedefe daha yakın ama daha yoğun olduğunda sadece daha uzağa park edebilirsiniz, ne olacak?) Sonunda 20'ye yakın farklı özellik ve 4 model aldılar. Bir sonraki adım, model performansını ayarlamaktır.
Model seçimi eğitimi
Bu özelliklere yanıt olarak, araştırmacılar standart bir regresyon makine öğrenimi modeli kullandılar. Bu seçimin birkaç nedeni vardır: Birincisi, lojistik regresyon ilkesi iyi bilinmektedir ve eğitim verilerinde gürültüye karşı dirençlidir; ikincisi, bu modellerin olabileceği doğaldır. Çıktı, zor park etme olasılığı olarak yorumlanır ve daha sonra "sınırlı park alanları" veya "kolay park etme" gibi açıklayıcı terimlerle eşleştirilebilir; üçüncü olarak, her bir özelliğin etkisini anlamak kolaydır, bu da modeli doğrulamayı daha makul hale getirir kolay. Örneğin, eğitime başladığımızda, çoğumuz yukarıda bahsedilen "işaret" işlevinin karşılaşılan sorunları çözebilecek "gümüş kurşun" (iyi reçete) olacağını düşünüyoruz. Şaşırtıcı bir şekilde, durum hiç de böyle değil, aslında park zorluklarının en güçlü öngörücülerinden biri olan park yerlerinin dağılım özelliklerine dayanıyor.
sonuç
Google resmi blogunda şunları yazdı: Modelimizi kullanarak, herhangi bir yerde ve zamanda park etmenin zorluğunun bir tahminini oluşturabiliriz. Aşağıdaki şekil, belirli bir varış noktası için park etmenin zorluğunun bir tahminini sağlamak için sistemimizin çıktısının birkaç örneğini vermektedir. Örneğin, Pazartesi sabahı, özellikle en işlek finans ve perakende bölgelerinde, şehrin her yerinde park etmek zordur. Cumartesi gecesi de zordur, ancak daha çok restoranlarda ve turistik yerlerde.
Google'ın araştırmacısı şunları söyledi: "Kullanıcı geri bildirimlerine dayanarak modellerin kalitesini iyileştirmeye devam etme fırsatına sahip olduğumuz için çok mutluyuz. Park etmenin zorluğunu daha iyi anlayabilirsek, yeni ve daha akıllı park yardım sistemleri geliştirebileceğiz. Makine öğreniminin gelecekteki uygulamaları için Çok heyecanlıyım ve yapay zekanın daha keyifli bir trafik deneyimi sunabileceğini umuyorum. "
Google Earth açık kaynak olacak
Google, Bahar Şenliği sırasında başka bir şey daha duyurdu: Google'ın resmi blogu 30 Ocak 2017'de açık kaynaklı Google Earth Kurumsal Sürümü (GEE) açacak. Bu kurumsal ürün, geliştiricilerin kendi özel haritalarını ve 3B kürelerini oluşturmalarına ve barındırmalarına olanak tanır. Bu versiyonda, GEE Fusion, GEE Server ve GEE Portable Server (470,000+ satırın tümü!) İçin kaynak kodu Mart ayında Apache2 lisansı altında GitHub'da yayınlanacaktır.
Google, Mart 2015'te kurumsal sürümün satışına son verildiğini duyurdu.
Müşterilere geçiş için yeterli süre vermek amacıyla Google, 22 Mart'ta sona erecek iki yıllık bir bakım dönemi sağlıyor. Google, açık kaynak GEE'nin müşteri topluluğuna projeyi iyileştirmeye ve tanıtmaya devam etmesini sağlayacağını söyledi. Google, Google Earth Kurumsal istemcisi, Google Haritalar JavaScript API V3 ve Google Earth API'nin açık kaynak olmadığını söyledi.
[AI Unicorn'u Arıyor] Xinzhiyuan, 10 büyük başkentle güçlerini birleştirdi
2017 Girişimcilik Yarışması'nı başlatın
AI Girişimcilik Yarışması, Xinzhiyuan ve 10 ana akım AI girişim sermayesi kuruluşundan oluşur: Blue Run Ventures, Sequoia Capital China Fund, Hillhouse Smart Artificial Intelligence Fund, Blue Lake Capital, Blue Elephant Capital, IDG Capital, Gaorong Capital, CITIC Jiantou Securities, Mingshi Capital ve Songhe Yuanwang Fund tarafından ortaklaşa başlatılan, Xinzhiyuan sponsorluğunda, Pekin Zhongguancun Bilim Parkı Yönetim Komitesi ve Zhongguancun Bilim Parkı Haidian Park Yönetim Komitesi tarafından desteklenen, AI teknoloji liderleri ve yatırım liderlerinin bir araya gelmesidir. Büyük olay. Xinzhiyuan, risk sermayesi kaynaklarıyla geleceğin iddialı AI tek boynuzlu atlarına bağlanmak için güçlü bir fırsat sunuyor ve en iyi risk sermayesi TS sizi bekliyor.
Orijinal metni okumak ve çevrimiçi başvuru formunu doldurmak için makalenin altına tıklayın. Seçime katılmak için kayıt formu gereklidir.
Daha fazla bilgiye sahipseniz (BP, vb.), Xzy100@aiera.com.cn adresine gönderebilirsiniz.Lütfen e-postanın konusuna şirket adını belirtin. Herhangi bir sorunuz varsa, posta kutusuna bir mektup da gönderebilirsiniz.
