Brug af maskinlæring til at bygge kort, der giver smartere køreråd

I forbindelse med Qatar Foundation

Hvis du kører i USA, kan du sandsynligvis ikke huske, hvornår du sidst købte et papirkort, udskrev et digitalt kort eller endda stoppede for at spørge om vej. Takket være Global Positioning System (GPS) og de mobile kortlægningsapps på vores smartphones og deres ruteråd i realtid er navigation et løst problem.

Men i udviklende eller hurtigt voksende dele af verden, ikke så meget. Hvis du bor et sted som Doha, Qatar, hvor længden af ​​vejnettet er tredoblet i løbet af de sidste fem år, kan kommercielle korttjenester fra Google, Apple, Bing eller andre udbydere simpelthen ikke følge med tempoet i infrastrukturen. lave om.

Hver enkelt af os, der er vokset op i Europa eller USA, kan sandsynligvis ikke forstå omfanget, hvormed disse byer vokser, siger Rade Stanojevic, seniorforsker ved Qatar Computing Research Institute (QCRI), en del af Hamad Bin Khalifa University, en Qatar Foundation universitet i Doha. Stort set alle nabolag ser en ny underføring, ny overkørsel, ny stor motorvej, der bliver tilføjet hvert par måneder.

Efterhånden som Qatar håndterer denne hurtige vækst – og især da det forbereder sig på at være vært for FIFA World Cup i 2022 – bliver de dårlige ruteråd og de akkumulerende rejseforsinkelser fra forældede digitale kort stadig dyrere. Derfor besluttede Stanojevic og kolleger hos QCRI at prøve at anvende maskinlæring på problemet.

Et vejnet kan tolkes som en kæmpe graf, hvor hvert kryds er et knudepunkt, og hver vej er en kant, siger Stanojevic, hvis speciale er netværksøkonomi. Vejsegmenter kan have både statiske egenskaber, såsom den angivne hastighedsgrænse, og dynamiske karakteristika, såsom trængsel i myldretiden. For at se, hvor trafikken virkelig går hen - i stedet for hvor et gammelt kort siger, den skal gå - og derefter forudsige de bedste ruter gennem en konstant foranderlig labyrint, er alt, hvad en maskinlæringsmodel har brug for, masser af opdaterede data om både de statiske og dynamiske faktorer. Heldigvis har moderne bilflåder disse overvågningssystemer, der producerer en hel del data, siger Stanojevic.

Stanojevic taler om taxaer. Hans team hos QCRI samarbejdede med et Doha-baseret taxaselskab kaldet Karwa for at indsamle fulde GPS-data om deres køretøjers komme og gå. De brugte disse data til at bygge en ny korttjeneste kaldet QARTA, der tilbyder rutevejledning til chauffører hos Karwa og andre operatører såsom leveringsflåder.

Stanojevic siger, at QARTAs dybere forståelse af den faktiske vej- og trafiksituation i Doha hjælper chauffører med at barbere titusvis af sekunder af hver tur, hvilket udmønter sig i en effektivitetsgevinst i hele flåden på 5 % til 10 %. Hvis du kører en flåde på 3.000 biler, er 5 % af det 150 biler, siger Stanojevic. Du kan stort set fjerne 150 biler fra vejen og ikke miste nogen forretning.

Selvom QCRIs system sandsynligvis ikke kan konkurrere med de store udbydere af korttjenester i den udviklede verden, kan det hjælpe byer i Mellemøsten og andre udviklingsregioner med at styre væksten mere klogt, siger Stanojevic. Og om et par år, efterhånden som flere selvkørende køretøjer går på gaden, kan maskinlæringsbaserede ruterådgivning se på det store billede i en travl by og hjælpe flåder med at reducere kulstofemissionerne ved at holde chaufførerne ude af trafikpropper. Ved at have en slags globalt overblik over, hvad der foregår i hele byen, kan autonome køretøjer faktisk omdirigere os til at have en form for global belastningsbalancering, for at hjælpe alle med at få det bedre.

Denne podcast blev produceret i samarbejde med Qatar Foundation.

Vis noter og links

Qatar Computing Research Institute

Trafikdirigering i den stadigt skiftende by Doha , Sofiane Abbar, Rade Stanojevic, Shadab Mustafa og Mohamed Mokbel, ACM's kommunikation, april 2021

Fuld afskrift

Laurel Ruma: Fra MIT Technology Review hedder jeg Laurel, og dette er Business Lab, showet, der hjælper virksomhedsledere med at forstå nye teknologier, der kommer ud af laboratoriet og ind på markedet.

Vores emne i dag, bedre kortlægning for hurtigt voksende byer. Trafik. Trafikken er vanskelig for os alle, men med et stigende antal køretøjer på vejene og trængsel, kan apps, der forsøger at beregne de bedste ruter, på mirakuløst vis ikke skabe genveje. Men hvad sker der, når dit land fordobles i størrelse på 10 år? Nye veje, nye kvarterer, nye bygninger: det er tid til et nyt kort.

To ord til dig: Automatisk kortlægning.

Min gæst er Dr. Rade Stanojevic, som er seniorforsker ved Qatar Computing Research Institute, en del af Hamad Bin Khalifa University, et Qatar Foundation-universitet. Dr. Stanojevic studerer computernetværk og netværksøkonomi. I øjeblikket bruger han grafteori, maskinlæring og andre teknikker til at forsøge at bygge mere nøjagtige modeller af trafik i den virkelige verden i Doha, Qatar og andre byer.

Før han kom til QCRI, brugte han tid som stabsforsker ved Madrid Institute for Advanced Studies Network Institute og Telefonica I&D i Spanien.

Denne episode af Business Lab er produceret i samarbejde med Qatar Foundation.

Velkommen, Dr. Stanojevic.

Rade Stanojevic: Det er dejligt at være sammen med dig i dag, Laurel. Tak skal du have.

Laurel: Så på det seneste har du fokuseret på et meget specifikt spørgsmål, som er, hvordan man skriver kortlægningssoftware, der kan generere mere præcise estimater af rejsetiden, hvis nogen kører fra punkt A til punkt B. Og enhver, der nogensinde er kørt fast i trafikken, fordi de valgte de forkerte ruter kan forstå, hvorfor det kan være nyttigt. Men kan du forklare, hvorfor forståelse af trafik er et netværksvidenskabeligt problem, og hvilken indsigt en netværksanalysetilgang kan give?

Rade : Så for at få en præcis forståelse af det problem, du lige nævnte, hvordan man ruter fra punkt A til punkt B, har du grundlæggende brug for to ting. Du har brug for et nøjagtigt kort og en nøjagtig trafikmodel oven på kortet. Og disse to problemer er både netværksvidenskab og maskinlæringsproblemer. Så hvis du tænker på vejnettet som et netværk eller en graf, er dette netværk dybest set en liste over kanter, en liste over knudepunkter og en liste over kanter, hvor kanten er vejsegmentet. Dette vejsegment, der gør dette vejnet til et interessant objekt at studere, er den kompleksitet, der kommer fra karakteristikaene af disse kanter i netværket.

Så karakteristikaene af denne vejsegmenter, vi kan opdele dem i to typer. Den ene er statiske egenskaber. Det er de ting som hastighedsbegrænsning, antallet af kørebaner, betalingsformen osv. Og det er den slags ting, at når du først har fået det rigtigt, så fik du det rigtigt for altid.

På den anden side er der karakteristika ved vejnettet, som er mere dynamiske. Så det er den slags ting, der er relateret til trafikken, niveauet af trængsel, gennemsnitshastigheden, der afhænger af tidspunktet på dagen, ugedagen. Nogle begivenheder, som vi ikke rigtig kan forudse på forhånd, osv. At forstå både den underliggende statiske karakter af vejnettet såvel som de dynamiske dele, der kommer fra trafikken, er det, der gør hele dette problem interessant og nyttigt for hverdagen, og især de business cases, som vi nok skal tale om lidt senere det, som vi beskæftiger os med.

Laurel: Nå, når vi taler om dynamisk, så fordoblede Qatar næsten sin befolkning på kun 10 år, og så dette skaber et stort problem, da nye veje og nye bygninger bliver bygget, og chauffører sidder fast i trafikken, men de havde disse hurtigt forældede kort, der lige er blevet forældede . Hvordan så du dette som en mulighed for at hjælpe disse chauffører og byerne selv?

Rade : Hold da op. Så hver enkelt af os, der voksede op i Europa eller USA, kunne eller kan sandsynligvis ikke forstå omfanget, hvormed disse byer vokser. Så i min hjemby, som er en by med 200 eller 250.000 mennesker, var den eneste reelle ændring i vejnettets infrastruktur, der skete i de sidste 20 år, siden jeg var barn, kun den ene bro, der blev bygget. Men i byen Doha ser stort set alle kvarterer en ny underføring, ny overkørsel, ny stor motorvej, der bliver tilføjet hvert par måneder. Så med den slags hastighed, hvormed byen vokser, kan de traditionelle korttjenester ikke rigtig følge med tempoet. Og det vakte en kæmpe overraskelse for de fleste af os, der kom fra Europa eller Nordamerika. Vi var forbløffede, da vi ankom til byen og indså, at alle de tjenester, vi tager for givet, såsom Google Maps eller Bing Maps eller Apple Maps, uanset hvad dit foretrukne digitale kort er, så virker de simpelthen ikke. De arbejder ikke i byen Doha.

Og grunden til, at de ikke virker, er, fordi de ikke blev bygget ud fra den antagelse, at infrastrukturen ændrer sig så hurtigt, som den gør i Doha. Så i instituttet på QCRI indså vi, at mange af disse spørgsmål kan besvares med netværksvidenskab og maskinlæring. Og flere af os begyndte at se på problemet med automatisk kortslutning. Vi startede med dette engang i 2017, og vi indså, at dette problem både er utrolig vigtigt for mange udviklingsbyer, men også meget udfordrende. Og vi gjorde mange fremskridt i den del, med at forstå det underliggende netværk. Og så senere indså vi, hvordan vi oven i købet kan tilføje disse dynamiske egenskaber på kortet, som er relateret til trafikken.

Laurel: Jeg synes, det er en rigtig god måde at forsøge at forklare for folk, der måske ikke forstår, at en ny motorvej bliver tilføjet eller en ny tilkørselsrampe eller en ny overkørsel til hvert kvarter som det er forbløffende, ikke?

Rade : Det er forbløffende. Så dybest set i de sidste syv år, siden 2013, er længden af ​​vejinfrastrukturen i byen Doha tredoblet. Så det er virkelig svært at vikle dit hoved omkring det nummer. Det er en utrolig mængde infrastruktur, der bliver bygget. Dette er alt sammen en del af projektet, der er målrettet mod at bygge den passende infrastruktur til verdensmesterskabet, der finder sted om cirka 18 måneder her i Doha, verdensmesterskabet i fodbold, eller som du i Nordamerika ville sige fodbold.

Laurel: Så hvorfor havde kortmagerne som Google, Bing og Apple Maps sådanne problemer med at følge med? Hvordan estimerer de traditionelt rejsetider og kortlægning? Sender du Google-bilen rundt for at kortlægge kvarterer?

Rade : Det er faktisk et interessant spørgsmål. Så dybest set har de fleste af de traditionelle kortproducenter som Google Maps eller Here Maps eller Bing Maps, de har normalt et statisk kort, som de køber en gang hvert par år, enten fra regeringen eller de lokale kortudbydere. Og så kører de under den antagelse, at disse kort ændrer sig i ny og næ, og at de kan fange disse ændringer, observere en slags data, der er tilgængelige for dem, enten ved at spore de telefoner, hvor de har en slags lokationsaktiverede tjenester, eller på anden vis. De underliggende antagelser om, at vejnettene ikke ændres så ofte. Så hver gang vejnettet ændres, ville de kræve en menneskelig annotator til at mærke ændringen og opdatere kortet. Men i en by som Doha, hvor ændringer sker konstant og dagligt, er denne underliggende antagelse brudt.

Et større vejkryds, der blev ændret engang i 2016, da vi flyttede, da jeg flyttede til Doha, kun få hundrede meter fra vores kontor, tog det omkring 18 måneder, før det kryds blev afspejlet i Google Maps. Så dybest set var det kryds usynligt for Google Maps i omkring 18 måneder. Og alle de ruter, der skulle føres gennem det kryds, ville i grunden tvinge chaufførerne til at gå og tage en stor omvej, som var totalt unødvendig. Og Google blev bedre med årene, Google og andre korttjenester, de blev bedre med tiden. De erkender problemet, og nu tager det dem ikke 18 måneder at afspejle forandringen. Nu er den proces forkortet til et par måneder. Men alligevel kan selv de par måneder være meget, hvis en chauffør eller en taxa eller en budchauffør kræver en præcis og optimal rute. Og det så vi som en mulighed for at løse problemet med så meget data, som vi kunne skaffe og så hurtigt som muligt.

Laurel: Ja, en to-måneders svartid virker umulig i alles realtidsliv, ikke? Så hvordan fandt du og dit team egentlig en bedre måde at estimere rejsetider på? Fortæl mig historien om taxaselskabet Karwa.

Rade : Det er en interessant historie, men lad mig bare sige et par ord om, hvad der er nøgleingrediensen i at løse problemet med nøjagtige ruter og nøjagtige rejsetider i den hastigt udviklende by som Doha. Nøgleingrediensen er konstant at opdatere kortene. Så det er nøglen at observere kortet, observere de ændringer, der sker og tage fat på dem så hurtigt som muligt, ideelt set på en fuldautomatisk måde. Så vi ville ikke være i stand til at gøre det uden partnerskabet med Karwa.

Så Karwa er et lokalt taxaselskab, der driver omkring 3.000 køretøjer i byen. Det producerer en enorm mængde information, som vi bruger til at bygge det underliggende kort og også til at bygge trafikmodellen oven på kortet. Og der er en interessant historie om, hvordan vi startede dette projekt. Så dette projekt startede udelukkende som et forskningsprojekt, som jeg nævnte, måske engang i 2017 eller begyndelsen af ​​2018, havde vi vores første møde med taxaselskabet. Og på det tidspunkt gjorde vi nogle fremskridt med hensyn til korttjenesterne, det automatiske kortslutningsprojekt, som jeg nævnte for et par minutter siden. Men efter at vi delte de første resultater med dem, fortalte de os, at de brugte Google Maps. Det var de ikke hundrede procent tilfredse med, men det faktum, at hele den service var relativt billig, et sted i størrelsesordenen mellem $10.000 og $20.000 om året, det var ikke en stor post i deres årlige regning. Og de fortalte os dybest set, at vi ikke rigtig bekymrer os om den slags problemer, fordi vi køber disse oplysninger er ikke ideelt nøjagtige, men det er billigt nok til, at vi ikke bekymrer os om det.

Og det var vi så enige om. Det var bare, sådan er det. Hvis Google eller kommercielle korttjenester kan sælge det til en så lav pris, giver det ikke rigtig mening for taxaselskabet at bekymre sig meget om det. Imidlertid hævede Google Maps, og også mange andre kortudbydere, stort set dette kort API-tjenesters priser med en faktor på 10 til 20 engang i slutningen af ​​2018. Og på det tidspunkt med væksten i deres volumen, voksede deres regninger fra titusindvis af dollars til hundredtusindvis af dollars, stort set fra den ene dag til den anden. På det tidspunkt var de meget mere modtagelige for ideen om at bygge den service, der kan hjælpe dem med at barbere et par hundrede tusinde dollars af om året af denne korttjenesteregning. Og på det tidspunkt begyndte vi at undersøge problemet. På det tidspunkt kunne vi ikke rigtig sige, om vi kan bygge et produkt, der har en kvalitet, der kan sammenlignes med de kommercielle kort. Og det var der, vores rejse startede.

Engang i slutningen af ​​2018 havde vi allerede en del forståelse og erfaring med, hvordan man gør den slags ting. Men vi begyndte faktisk at arbejde på produktet engang i slutningen af ​​2018, og i midten af ​​2019 havde vi et produkt klar til test. Og det tog et par måneders test at finde ud af, hvor gode vi er sammenlignet med Google Maps. Og resultaterne var virkelig imponerende med hensyn til kvaliteten af ​​vores resultater, i hastigheden af ​​vores svar, i tilgængeligheden af ​​vores ressourcer. Og så engang sidst i 2019 skiftede det lokale taxaselskab med 3.000 køretøjer fra de kommercielle kort, fra Google Maps til at bruge vores tjenester.

Så det var en stenet vej, det tog os et par år at gå frem og tilbage. Og jeg vil nok sige, at det vigtigste skridt var introduktionen af ​​denne nye prissætning, det tidspunkt, hvor Google indså, at de rent faktisk kan tjene penge på dette, og hvor de hævede priserne med en faktor på 10 til 20, det var en deal breaker for os. Uden det ville vi nok ikke få det til at ske.

Laurel: Det er en utrolig enorm stigning, når du sandsynligvis er et taxaselskab, der måske eller måske ikke klarer sig godt, afhængigt af hvor konkurrencedygtig den slags kørselsdeling er.

Rade : Præcis, det gjorde en kæmpe aftale. Så dybest set er taxavirksomheder generelt virksomheder med meget lav avance. Så de bekymrer sig om hver eneste lille krone, de kan spare.

Laurel: Så hvordan leverer du de lignende tjenester til lavere omkostninger? Er det fordi du ikke har overhead til et Google Map eller en Waze?

Rade : Så vi kan godt lide at tænke på vores system som et meget let Google Maps til virksomheder. Så Google Maps tager formentlig omkring 1 milliard dollars, offentligheden, jeg mener, det er svært at komme med et præcist estimat af, hvor meget Google investerer i kort hvert år, men nogle grove estimater er i størrelsesordenen 1 milliard dollars om året. Og det er en kæmpe investering. Til den særlige type applikationer, som leverings- og taxaselskaber har brug for, har du dog ikke rigtig brug for alt det maskineri, som Google Maps implementerer. Så vi kan godt lide at tænke på vores system, som vi opfandt QARTA - QARTA er et ord, der er på mange sprog, et ord, der bruges til kort - så vores system kaldet QARTA er meget let, så vi fjerner stort set alle de unødvendige blokke og vi opbevarer alle de ting, der er nødvendige for at besvare den type forespørgsler, som leveringsselskaberne, last-mile-leveringsselskaberne, logistikselskaberne eller samkørselsselskaberne eller taxaselskaberne kræver for at drive deres forretninger. Og ved at gøre det kan vi holde driftsomkostningerne så lave som muligt.

Laurel: QARTA, men med et Q, som er et nik til Qatar, hvilket er fantastisk.

Rade : QARTA med et Q. Hvis du permuterer bogstaverne, får du navnet på det land, vi er i, Qatar.

Laurel: Det er rigtigt. Så fortæl os mere om teknologien. Du brugte maskinlæring med data fra Karwa for at prøve at finde ud af den bedste måde at justere rejsetidsestimaterne på afhængigt af tidspunktet på dagen osv. Så kan du fortælle lidt mere om den tilgang? Som hvordan opbevarede du dine data i realtid?

Rade : Så maskinlæring er fantastisk, når du vil fange komplekse relationer på den ene side, og du også har nok data til at fange disse relationer og træne dine maskinlæringsmodeller. Så heldigvis har moderne bilflåder disse overvågningssystemer, der producerer en hel del data. Produktion af disse data gør denne maskinlæring mulig. Jeg vil sige for 10 eller 15 år siden, ville de fleste taxaer ikke have den GPS-sporing aktiveret. Og så uden sådan GPS-sporing ville al denne maskinlæring ikke have været mulig. Men vi er heldige nok til at samarbejde med Karwa, som har det rige overvågningssystem, der grundlæggende hjælper os med at fange disse data, behandle dem og finde ud af de to vigtige ingredienser, som jeg lige har nævnt, men jeg vil gentage dem igen, forstå det underliggende vejnet på den ene side og forstå den trafik, der går oveni.

Så al den information giver os mulighed for ikke kun at være sammenlignelige med kommercielle kort, men også at barbere et par titusvis af sekunders fejl for hver tur. Og disse få snese sekunder giver en stigning i effektiviteten på et sted mellem 5 og 10 procent. Det er virkelig svært at komme med det nøjagtige antal af, hvordan effektiviteten forbedres ved forbedring af fejlene på det underliggende digitale kort. Dette lyder måske ikke [som] meget, men som jeg nævnte, i en virksomhed, der kører med en meget stram fortjenstmargen, er forbedring af effektiviteten for fem procent en kæmpe aftale.

Eller med andre ord, hvis du kører en flåde på 3.000 biler, er fem procent af det 150 biler. Du kan stort set fjerne 150 biler fra vejen og ikke miste nogen forretning. Og fjernelse af 150 biler svarer til X millioner dollars om året med omkostningsreduktion. Så det, jeg prøver at sige, er, at alle disse små ting, et par sekunder her, et par procent der, faktisk betyder noget på grund af den øgede effektivitet, og øget effektivitet resulterer i en bedre ligning af omkostningsindtægter.

Laurel: Og det er også vigtigt for offentlig transport, for offentlige myndigheder, der forsøger at spare den lille procentdel her eller der, mens de forsøger at blive mere effektive.

Rade : Absolut. Faktisk offentlige tjenester her, offentlig transport her er meget, meget umoden. Så meget af den offentlige transport er afhængig af taxa- og samkørselstjenester. Der er en form for skøn, at taxa- og samkørselstjenesterne overtager 80 procent af den offentlige transport. Så busnettet er meget sparsomt. Så det meste af tiden, hvis du ikke ejer en bil, og du ønsker at flytte fra A til B, ringer du til en taxa eller Uber eller lignende transporttjeneste. I øjeblikket bygges Metroen, og det er en del af de infrastrukturprojekter, som vi talte om tidligere. Den første linje blev åbnet sidste år. Og de følgende to linjer åbnes i år. Forhåbentlig vil behovet for taxaer forhåbentlig falde, når den offentlige transport er en smule mere regulær, og det offentlige transportnet er lidt tættere.

Laurel: Så vi taler om at forsøge at bygge et bedre samfund, så er QCRI et af Qatar Foundations forskningsinstitutter. Og Qatar Foundations mål er, et, at fremme banebrydende forskning inden for områder af national prioritet for Qatar, og to, også at støtte bæredygtig udvikling og økonomisk diversificering. Men den slags mål har den fordel at hjælpe hele verden. Så det er klart, at det arbejde, du udfører, opfylder begge disse kriterier. Hvad er den bredere betydning af at bygge smartere og billigere kortsystemer såvel som transportsystemer? Hvordan kunne denne teknologi hjælpe andre voksende bycentre i Mellemøsten og resten af ​​verden?

Rade : Så en interessant ting om kommercielle kort og mange af de højteknologiske produkter, der er bygget i Europa og Nordamerika: De er bygget i den udviklede verden og til den udviklede verden. Så kommercielle kort er ikke en undtagelse derovre. De er udviklet med en bestemt bruger i tankerne, og denne bruger kommer normalt med en dyb lomme og kommer normalt i verden, hvor vejene ikke ændrer sig så ofte. Disse to antagelser er brudt i udviklingslandene. At betale et par dollars om måneden er måske ikke en stor sag for en taxa, der kører i Boston eller Madrid. Men få dollars om måneden pr. taxa er måske 10 procent af lønnen for en chauffør i New Delhi eller Kuala Lumpur. Så vi ser QARTA som en løsning, som jeg nævnte, en letvægtsløsning, der kan imødekomme behovene uden at gå dybt i lommen på disse transportudbydere.

Det går lidt sammen med Qatar Foundations mission om at hjælpe udviklingslandene. Vi ser vores målmarked for det system, vi bygger i udviklingslandene. Jeg tror ikke, vi kan konkurrere med verdens Googles i den udviklede verden af ​​de grunde, som jeg lige har beskrevet. Vi har ikke ressourcerne, og forventningerne fra brugerne i Vesten er på en måde anderledes end forventningerne i udviklingslandene. Dette er en af ​​grundene til, at vi og vores lederskab er begejstrede for at presse på for Qatar.

Laurel: Det er fremragende. Hvordan reagerer du dog på den mulige nye bølge af autonome køretøjer? Er det noget, der rent faktisk hjælper dig med at klare denne udfordring?

Rade : Åh wow, ja, jeg er meget, meget begejstret for æraen med autonome køretøjer. Det er svært at sige, hvornår den æra kommer, men jo tættere vi kommer på den dato, jo vigtigere bliver rollen som nøjagtige digitale kort. Så en grad af rapporteringsmulighed for autonome køretøjer er deres evne til at optimere ruterne og kørslen generelt for at reducere ineffektiviteten af ​​menneskelig beslutningstagning. Så for eksempel har mennesker en tendens til at bruge suboptimale ruter. Så hver gang jeg går hjemmefra til arbejde, hver gang jeg tager denne rute, kan jeg ikke rigtig lide at udforske. Jeg har venner, som faktisk, hver gang de sætter sig ind i bilen, indtaster destinationen, og de leder efter den optimale rute på det bestemte tidspunkt. Jeg er ikke en af ​​de mennesker. Jeg tager den samme rute hver dag. Den kognitive belastning for mig at bekymre mig om den optimale rute er noget, jeg egentlig ikke vil bekymre mig om.

Men med autonome køretøjer behøver folk ikke at bekymre sig om det. Du kan bare trykke på knappen, og det autonome køretøj vil tage den optimale rute for dig, hver gang du går ind i bilen. Så det er en måde for de autonome køretøjer at hjælpe dig med at spare et par minutter her, et par minutter der, sandsynligvis et par timer hver måned.

Derudover kan autonome køretøjer med en nøjagtig forståelse af vejnettets infrastruktur og alle de dynamiske ting, der foregår, optimere til en form for globalt optimum. Meget ofte har mennesker en tendens til at være grådige. Og ved at være grådige kan vi alle ende med at bruge motorvejen. Og ved at håbe på at spare et par minutter, kan vi skabe så meget trængsel på motorvejen, at vi alle lider. Ved at have en form for globalt overblik over, hvad der foregår i hele byen, kan autonome køretøjer faktisk omdirigere os til at have en form for global belastningsbalancering for at hjælpe alle med at få det bedre.

Og hvor langt er vi derfra? Jeg vil ikke sige, at vi er så langt, men vi er nok et par år, hvis ikke et årti væk fra den globalt optimale routing, som jeg virkelig, virkelig ser frem til. For hvis man tænker over det, er der så meget vejinfrastruktur derude. Hvis du tænker på, hvor mange gader der er derude i byen Boston og byen Doha. Udnyttelsen af ​​disse ressourcer er dog på en måde skæv mod meget få større veje, der ender med at være overbelastede i myldretiden. Og jeg er en sand overbevisning om, at globalt optimal planlægning af rutebeslutningerne væsentligt kan reducere trængslen i byen og hjælpe vores liv generelt. Grundlæggende kan vi bruge et par timer hver uge mindre i trafikken sammenlignet med, hvad vi gør i dag. På bagsiden, hvis det bliver så nemt at rejse, så kan vi ende med at rejse mere. Men det er en særskilt ting at bekymre sig om.

Laurel: [Lyd forvanskede] udfordringer som at reducere energi og designe nye internettjenester?

Rade : En ting, som jeg har holdt mig beskæftiget med på det seneste, er udnyttelsen af ​​den verden, vi allerede har. Så alt relateret til digitale kort og nøjagtig trafikforståelse for at hjælpe med at reducere CO2-udledningen. Så CO2-udledning, jeg mener, der er mennesker, der tror, ​​og der er dem, der ikke tror på en drivhuseffekt og global opvarmning, men CO2-udledning og generelt benzinforbrug er en kæmpe sag. Og transport bidrager til det på en ikke-triviel måde. Jeg er overbevist om, at forståelse for trafikken kan barbere et par procent af CO2-udledningen og også benzinforbruget af, og det kan have en umiddelbar effekt i reducerede regninger, som vi betaler for benzin, men også på lang sigt reduktionen. CO2-udledning er en slags obligatorisk. På den ene eller anden måde bliver vi nødt til at finde en måde at håndtere det problem på, og jeg tror, ​​at kombinationen af ​​autonom kørsel, elbiler og en form for reduktion af ineffektivitet vil være nødvendig. Og for at gøre det, vil det underliggende trafikkort være til stor hjælp.

Så lad mig lige give dig et eksempel. Hvis din bil og du som chauffør havde en god nok forståelse af, hvor længe det grønne lys stadig vil være grønt, kan du tage en informeret beslutning om, hvorvidt du vil holde din kørsel med 50 kilometer i timen, eller du måske vil sætte farten ned ned og spild ikke den benzin, fordi lyset bliver rødt om et par sekunder, og du vil bare spilde al energien ved at køre for hurtigt lige foran lyskrydset. Det er den slags ting, jeg arbejder på i øjeblikket, og forhåbentlig vil vi være i stand til at rapportere noget interessant, men dette er stadig i gang.

Laurel: Dr. Stanojevic, mange tak fordi du sluttede dig til os i dag. Det har været en god samtale på Business Lab.

Rade : Mange tak, Laurel. Det var dejligt at tale med dig.

Laurel: Det var Dr. Rade Stanojevic, en ledende videnskabsmand ved Qatar Computing Research Institute, en del af Hamad Bin Khalifa University, et Qatar Foundation-universitet, som jeg talte med fra Cambridge, Massachusetts, hjemsted for MIT og MIT Technology Review, med udsigt over Charles River.

Det var det for denne episode af Business Lab. Jeg er din vært, Laurel Ruma. Jeg er direktør for Insights, den tilpassede udgivelsesafdeling af MIT Technology Review. Vi blev grundlagt i 1899 på Massachusetts Institute of Technology, og du kan finde os på tryk, på nettet og ved begivenheder rundt om i verden. For information om os og showet, tjek venligst vores hjemmeside på technologyreview.com.

Dette show er tilgængeligt overalt, hvor du får dine podcasts. Hvis du kunne lide denne episode, håber vi, at du vil bruge et øjeblik på at bedømme og anmelde os. Business Lab er en produktion af MIT Technology Review. Denne episode blev produceret af Collective Next. Tak for at lytte.

Denne podcast-episode blev produceret af Insights, den tilpassede indholdsarm af MIT Technology Review. Den blev ikke produceret af MIT Technology Reviews redaktion.

skjule