Usar el aprendizaje automático para crear mapas que brinden consejos de conducción más inteligentes

En asociación con Fundación Qatar

Si conduce en los Estados Unidos, es probable que no recuerde la última vez que compró un mapa en papel, imprimió un mapa digital o incluso se detuvo para pedir direcciones. Gracias al Sistema de Posicionamiento Global (GPS) y las aplicaciones de mapas móviles en nuestros teléfonos inteligentes y sus consejos de ruta en tiempo real, la navegación es un problema resuelto.

Pero en partes del mundo en desarrollo o de rápido crecimiento, no tanto. Si vive en un lugar como Doha, Qatar, donde la longitud de la red de carreteras se ha triplicado en los últimos cinco años, los servicios comerciales de mapas de Google, Apple, Bing u otros proveedores simplemente no pueden seguir el ritmo de la infraestructura. cambio.

Todos los que crecimos en Europa o EE. UU. probablemente no podemos entender la escala a la que crecen estas ciudades, dice Rade Stanojevic, científico principal del Instituto de Investigación de Computación de Qatar (QCRI), parte de la Universidad Hamad Bin Khalifa, una fundación de Qatar. universidad, en Doha. Casi todos los vecindarios ven un nuevo paso subterráneo, un nuevo paso elevado, una nueva autopista grande que se agrega cada dos meses.

Mientras Qatar hace frente a este rápido crecimiento, y especialmente mientras se prepara para albergar la Copa Mundial de la FIFA en 2022, los malos consejos de ruta y la acumulación de retrasos en los viajes debido a mapas digitales obsoletos son cada vez más costosos. Es por eso que Stanojevic y sus colegas de QCRI decidieron intentar aplicar el aprendizaje automático al problema.

Una red de carreteras puede interpretarse como un gráfico gigante en el que cada intersección es un nodo y cada carretera es un borde, dice Stanojevic, cuya especialidad es la economía de redes. Los segmentos de carretera pueden tener características estáticas, como el límite de velocidad designado, y características dinámicas, como la congestión en las horas pico. Para ver hacia dónde se dirige realmente el tráfico, en lugar de hacia dónde indica un mapa antiguo, y luego predecir las mejores rutas a través de un laberinto en constante cambio, todo lo que necesitaría un modelo de aprendizaje automático es una gran cantidad de datos actualizados sobre tanto los factores estáticos como los dinámicos. Afortunadamente, las flotas de vehículos modernas tienen estos sistemas de monitoreo que producen una gran cantidad de datos, dice Stanojevic.

Stanojevic está hablando de taxis. Su equipo en QCRI se asoció con una empresa de taxis con sede en Doha llamada Karwa para recopilar datos de GPS completos sobre las idas y venidas de sus vehículos. Usaron esos datos para construir un nuevo servicio de mapas llamado QARTA que ofrece consejos de ruta a los conductores en Karwa y otros operadores, como las flotas de entrega.

Stanojevic dice que la comprensión más profunda de QARTA de la situación real de las carreteras y el tráfico en Doha ayuda a los conductores a ahorrar decenas de segundos en cada viaje, lo que se traduce en una ganancia de eficiencia en toda la flota del 5% al ​​10%. Si tiene una flota de 3000 automóviles, el 5 % son 150 automóviles, dice Stanojevic. Básicamente, puede eliminar 150 automóviles de la carretera y no perder ningún negocio.

Aunque el sistema de QCRI probablemente no pueda competir con los grandes proveedores de servicios de mapas en el mundo desarrollado, podría ayudar a las ciudades de Medio Oriente y otras regiones en desarrollo a administrar el crecimiento de manera más inteligente, dice Stanojevic. Y dentro de algunos años, a medida que más vehículos autónomos salgan a la calle, los consejos de ruta basados ​​en el aprendizaje automático podrían tener una visión general de una ciudad concurrida y ayudar a las flotas a reducir las emisiones de carbono al mantener a los conductores fuera de los atascos de tráfico. Al tener una especie de visión global de lo que sucede en toda la ciudad, los vehículos autónomos pueden en realidad redirigirnos para tener algún tipo de equilibrio de carga global, para ayudar a que todos estén mejor.

Este podcast fue producido en colaboración con la Fundación Qatar.

Mostrar notas y enlaces

Instituto de Investigación de Computación de Qatar

Enrutamiento del tráfico en la ciudad en constante cambio de Doha , Sofiane Abbar, Rade Stanojevic, Shadab Mustafa y Mohamed Mokbel, Comunicaciones de la ACM, abril de 2021

Transcripción completa

Laurel Ruma: De MIT Technology Review, soy Laurel, y esto es Business Lab, el programa que ayuda a los líderes empresariales a dar sentido a las nuevas tecnologías que salen del laboratorio y llegan al mercado.

Nuestro tema de hoy, un mejor mapeo para ciudades de rápido crecimiento. Tráfico. El tráfico es difícil para todos nosotros, pero con una cantidad cada vez mayor de vehículos en las carreteras y la congestión, las aplicaciones que intentan calcular las mejores rutas no pueden crear milagrosamente atajos. Pero, ¿qué sucede cuando su país duplica su tamaño en 10 años? Nuevas carreteras, nuevos barrios, nuevos edificios: es hora de un nuevo mapa.

Dos palabras para ti: Mapeo automático.

Mi invitado es el Dr. Rade Stanojevic, científico sénior del Instituto de Investigación de Computación de Qatar, parte de la Universidad Hamad Bin Khalifa, una universidad de la Fundación de Qatar. El Dr. Stanojevic estudia redes informáticas y economía de redes. Actualmente, utiliza la teoría de grafos, el aprendizaje automático y otras técnicas para tratar de construir modelos más precisos del tráfico del mundo real en Doha, Qatar y otras ciudades.

Antes de unirse a QCRI, pasó un tiempo como investigador de plantilla en el Instituto de Estudios Avanzados de Madrid Network Institute y Telefónica I&D en España.

Este episodio de Business Lab se produce en asociación con la Fundación Qatar.

Bienvenido, Dr. Stanojevic.

Rad Stanojevic: Es genial estar contigo hoy, Laurel. Gracias.

Laurel: Así que últimamente se ha centrado en una pregunta muy específica, que es cómo escribir un software de mapas que pueda generar estimaciones más precisas del tiempo de viaje si alguien conduce del punto A al punto B. Y cualquiera que alguna vez se haya quedado atascado en el tráfico porque eligieron las rutas equivocadas pueden entender por qué eso podría ser útil. Pero, ¿puede explicar por qué comprender el tráfico es un problema de ciencia de redes y qué conocimientos puede aportar un enfoque de análisis de redes?

rada : Entonces, para obtener una comprensión precisa del problema que acaba de mencionar, cómo enrutar del punto A al punto B, básicamente necesita dos cosas. Necesita un mapa preciso y un modelo de tráfico preciso encima de ese mapa. Y esos dos problemas son problemas de ciencia de redes y aprendizaje automático. Entonces, si piensa en la red de carreteras como una red o un gráfico, esta red es básicamente una lista de bordes, una lista de nodos y una lista de bordes, donde el borde es el segmento de la carretera. Este tramo de carretera, lo que hace de esta red vial un objeto interesante de estudio, es la complejidad que se deriva de las características de estos bordes de la red.

Entonces, las características de estos segmentos de carretera, podemos dividirlos en dos tipos. Uno son las características estáticas. Esas son cosas como el límite de velocidad, el número de carriles, el tipo de pago, etcétera. Y este es el tipo de cosas que una vez que lo haces bien, lo haces bien para siempre.

Por otro lado, hay características de la red vial que son más dinámicas. Estos son los tipos de cosas que están relacionadas con el tráfico, el nivel de congestión, la velocidad promedio, que dependen de la hora del día, el día de la semana. Algunos eventos que realmente no podemos anticipar de antemano, etcétera. Comprender tanto la naturaleza estática subyacente de la red de carreteras como las partes dinámicas que provienen del tráfico es lo que hace que todo este problema sea interesante y útil para la vida cotidiana y, en particular, los casos comerciales de los que probablemente hablaremos un poco más adelante. eso, que nos ocupamos.

Laurel: Bueno, hablando de dinámica, Qatar casi duplicó su población en solo 10 años, por lo que esto crea un gran problema, ya que se construyen nuevas carreteras y nuevos edificios y los conductores quedan atrapados en el tráfico, pero tenían estos mapas obsoletos rápidamente que simplemente quedaron obsoletos. . ¿Cómo vio esto como una oportunidad para ayudar a esos conductores y a las ciudades mismas?

rada : Oh chico. Entonces, cada uno de nosotros que crecimos en Europa o los EE. UU. probablemente no podíamos o no podemos entender la escala a la que crecen estas ciudades. Entonces, en mi ciudad natal, que es una ciudad de 200 o 250 000 habitantes, el único cambio real en la infraestructura de la red vial que ocurrió en los últimos 20 años desde que era niño fue solo el único puente que se construyó. Sin embargo, en la ciudad de Doha, casi todos los vecindarios ven un nuevo paso subterráneo, un nuevo paso elevado, una nueva gran autopista que se agrega cada dos meses. Entonces, con ese tipo de velocidad a la que crece la ciudad, los servicios de mapas tradicionales realmente no pueden seguir el ritmo. Y eso causó una gran sorpresa para la mayoría de los que veníamos de Europa o América del Norte. Nos quedamos asombrados cuando llegamos a la ciudad y nos dimos cuenta de que todos los servicios que damos por sentado como Google Maps o Bing Maps o Apple Maps, cualquiera que sea tu mapa digital favorito, simplemente no funcionan. No trabajan en la ciudad de Doha.

Y la razón por la que no funcionan es porque no se construyeron asumiendo que la infraestructura cambia tan rápidamente como en Doha. Entonces, en el Instituto, en QCRI, nos dimos cuenta de que muchas de estas preguntas se pueden responder con ciencia de redes y aprendizaje automático. Y varios de nosotros comenzamos a analizar el problema de la inferencia automática de mapas. Comenzamos con esto en algún momento de 2017 y nos dimos cuenta de que este problema es increíblemente importante para muchas ciudades en desarrollo, pero también muy desafiante. Y progresamos mucho en esa parte, en la comprensión de la red subyacente. Y luego, nos dimos cuenta de cómo podemos agregar, además de eso, estas propiedades dinámicas del mapa, que están relacionadas con el tráfico.

Laurel: Creo que es una excelente manera de tratar de explicarle a las personas que pueden no entender que se agregará una nueva autopista o una nueva rampa de acceso o un nuevo paso elevado para cada vecindario. Es asombroso, ¿verdad?

rada : es asombroso Básicamente, en los últimos siete años, desde 2013, la longitud de la infraestructura vial en la ciudad de Doha se triplicó. Entonces, es realmente difícil entender ese número. Es una cantidad increíble de infraestructura que se está construyendo. Todo esto es parte del proyecto que tiene como objetivo construir la infraestructura adecuada para la Copa del Mundo que se llevará a cabo en unos 18 meses aquí en Doha, la copa mundial de fútbol, ​​o como dirían ustedes en América del Norte, fútbol.

Laurel: Entonces, ¿por qué los creadores de mapas como Google, Bing y Apple Maps tienen tantos problemas para mantenerse al día? ¿Cómo estiman tradicionalmente los tiempos de viaje y el mapeo? ¿Enviar el auto de Google para mapear vecindarios?

rada : En realidad, esa es una pregunta interesante. Básicamente, la mayoría de los creadores de mapas tradicionales, como Google Maps o Here Maps o Bing Maps, normalmente tienen un mapa estático que compran una vez cada dos años, ya sea del gobierno o de los proveedores de mapas locales. Y luego asumen que estos mapas cambian de vez en cuando, y que pueden captar estos cambios, observando algún tipo de datos que están disponibles para ellos, ya sea mediante el seguimiento de los teléfonos donde tienen algún tipo de servicios de ubicación habilitados, o por algún otro medio. Las suposiciones subyacentes de que las redes de carreteras no cambian con tanta frecuencia. Entonces, cada vez que cambie la red de carreteras, necesitarán un anotador humano para etiquetar el cambio y actualizar el mapa. Sin embargo, en una ciudad como Doha, donde los cambios ocurren constantemente y a diario, esta suposición subyacente se rompe.

Una intersección importante que se cambió en algún momento de 2016, cuando nos mudamos, cuando me mudé a Doha, a solo unos cientos de metros de nuestra oficina, esa intersección tardó unos 18 meses en aparecer reflejada en Google Maps. Básicamente, esa intersección fue invisible para Google Maps durante aproximadamente 18 meses. Y todas esas rutas que deberían pasar por esa intersección, básicamente, obligarían a los conductores a tomar un gran desvío que era totalmente innecesario. Y Google mejoró con los años, Google y otros servicios de mapas mejoraron con el tiempo. Reconocen el problema y ahora no tardan 18 meses en reflejar el cambio. Ahora ese proceso se acorta a un par de meses. Pero aun así, incluso un par de meses pueden ser muchos si un conductor, un taxi o un repartidor requieren una ruta precisa y óptima. Y vimos eso como una oportunidad para resolver el problema con la mayor cantidad de datos que pudiéramos adquirir y lo más rápido posible.

Laurel: Sí, un tiempo de respuesta de dos meses parece imposible en la vida en tiempo real de todos, ¿verdad? Entonces, ¿cómo encontraron ustedes, usted y su equipo, una mejor manera de estimar los tiempos de viaje? Cuéntame la historia de la empresa de taxis Karwa.

rada : Esa es una historia interesante, pero permítanme decir algunas palabras sobre cuál es el ingrediente clave para abordar el problema de las rutas precisas y los tiempos de viaje precisos en una ciudad en rápida evolución como Doha. El ingrediente clave es actualizar constantemente los mapas. Por lo tanto, observar el mapa, observar los cambios que ocurren y abordarlos lo más rápido posible, idealmente de forma totalmente automática, es la clave. Por lo tanto, no podríamos hacerlo sin la asociación con Karwa.

So Karwa es una empresa de taxis local que opera alrededor de 3.000 vehículos en la ciudad. Produce una gran cantidad de información que utilizamos para construir el mapa subyacente y también para construir el modelo de tráfico sobre ese mapa. Y hay una historia interesante sobre cómo iniciamos este proyecto. Entonces, este proyecto comenzó puramente como un proyecto de investigación, como mencioné, tal vez en algún momento de 2017 o principios de 2018, tuvimos nuestra primera reunión con la compañía de taxis. Y en ese momento hicimos algunos avances con respecto a los servicios de mapas, el proyecto de inferencia automática de mapas que mencioné hace unos minutos. Pero después de que compartimos esos resultados iniciales con ellos, lo que nos dijeron fue que estaban usando Google Maps. No estaban cien por ciento contentos con eso, pero el hecho de que todo el servicio fuera relativamente barato, en algún lugar del orden de magnitud entre $ 10,000 y $ 20,000 por año, no era un elemento importante en su factura anual. Y básicamente nos dijeron que realmente no nos preocupamos por este tipo de problemas porque compramos esa información que no es idealmente precisa, pero es lo suficientemente barata como para que no nos preocupemos por eso.

Y luego estuvimos de acuerdo con eso. Era solo, así es. Si Google o los servicios comerciales de mapas pueden venderlo a un precio tan bajo, no tiene sentido que la compañía de taxis se preocupe mucho por eso. Sin embargo, Google Maps, y también muchos otros proveedores de mapas, aumentaron los precios de los servicios de la API de mapas en un factor de 10 a 20 en algún momento a fines de 2018. Y en ese momento, con el crecimiento de su volumen, sus facturas aumentaron de decenas de miles de dólares a cientos de miles de dólares, casi de la noche a la mañana. En ese momento, se mostraron mucho más receptivos a la idea de crear un servicio que pueda ayudarlos a ahorrar unos cientos de miles de dólares al año en la factura de los servicios de mapas. Y en ese momento, comenzamos a investigar el problema. En ese momento, no sabíamos realmente si podíamos construir un producto que tuviera una calidad comparable a los mapas comerciales. Y ahí es donde comenzó nuestro viaje.

En algún momento a fines de 2018, ya teníamos bastante conocimiento y experiencia sobre cómo hacer este tipo de cosas. Pero en realidad comenzamos a trabajar en el producto a fines de 2018 y, a mediados de 2019, teníamos un producto listo para probar. Y se necesitaron un par de meses de pruebas para determinar qué tan buenos somos en comparación con Google Maps. Y los hallazgos fueron realmente impresionantes en términos de calidad de nuestros resultados, en la velocidad de nuestras respuestas, en la disponibilidad de nuestros recursos. Y luego, a fines de 2019, la compañía de taxis local con 3000 vehículos cambió de los mapas comerciales, de Google Maps, a usar nuestros servicios.

Así que fue un camino rocoso, nos llevó un par de años ir y venir. Y diría que probablemente el paso más importante fue la introducción de este nuevo precio, el momento en que Google se dio cuenta de que realmente podía monetizar esto y aumentó los precios en un factor de 10 a 20, eso fue un factor decisivo para nosotros. Sin eso, probablemente no haríamos que esto suceda.

Laurel: Ese es un aumento increíblemente enorme cuando usted es probablemente una compañía de taxis a la que le puede ir bien o no, dependiendo de qué tan competitivo sea ese tipo de viaje compartido.

rada : Exacto, eso hizo un gran problema. Entonces, básicamente, las empresas de taxis en general son empresas de muy bajo margen de beneficio. Así que se preocupan por cada centavo que pueden ahorrar.

Laurel: Entonces, ¿cómo proporciona esos servicios similares a costos más bajos? ¿Es porque no tienes la sobrecarga de un Google Map o un Waze?

rada : Así que nos gusta pensar en nuestro sistema como un Google Maps muy ligero para empresas. Por lo tanto, Google Maps probablemente se lleva alrededor de $ 1 mil millones, el público, quiero decir, es difícil llegar a una estimación precisa de cuánto invierte Google en mapas cada año, pero algunas estimaciones aproximadas están en el orden de magnitud de $ 1 mil millones por año. Y eso es una gran inversión. Sin embargo, para el tipo particular de aplicaciones que necesitan las empresas de taxis y entregas, en realidad no necesita toda la maquinaria que implementa Google Maps. Así que nos gusta pensar en nuestro sistema que acuñamos QARTA, QARTA es una palabra que está en muchos idiomas, una palabra que se usa para mapas, por lo que nuestro sistema llamado QARTA es muy liviano, por lo que básicamente eliminamos todos los bloques innecesarios y conservamos todo lo necesario para responder el tipo de consultas que las empresas de entrega, las empresas de entrega de última milla, las empresas de logística, las empresas de viajes compartidos o las empresas de taxis requieren para llevar a cabo sus negocios. Y al hacerlo, podemos mantener el costo de funcionamiento lo más bajo posible.

Laurel: QARTA, pero con Q, que es un guiño a Qatar, que es fantástico.

rada : QARTA con una Q. Si permutas las letras obtienes el nombre del país en el que estamos, Qatar.

Laurel: Así es. Cuéntanos más sobre la tecnología. Estaba utilizando el aprendizaje automático con los datos de Karwa para tratar de averiguar la mejor manera de ajustar las estimaciones de tiempo de viaje según la hora del día, etcétera. Entonces, ¿puedes hablar un poco más sobre ese enfoque? ¿Cómo mantuvo realmente sus datos en tiempo real?

rada : Por lo tanto, el aprendizaje automático es excelente cuando desea capturar relaciones complejas por un lado, y también tiene suficientes datos para capturar esas relaciones y entrenar sus modelos de aprendizaje automático. Entonces, afortunadamente, las flotas de vehículos modernas tienen estos sistemas de monitoreo que producen una gran cantidad de datos. La producción de esos datos hace posible este aprendizaje automático. Diría que hace 10 o 15 años, la mayoría de los taxis no tenían activado el seguimiento por GPS. Y luego, sin ese seguimiento GPS, todo este aprendizaje automático no habría sido posible. Sin embargo, tenemos la suerte de colaborar con Karwa, que tiene ese rico sistema de monitoreo que básicamente nos ayuda a capturar esos datos, procesarlos y descubrir esos dos ingredientes importantes que acabo de mencionar, pero los repetiré nuevamente, comprender la red de carreteras subyacente por un lado y comprender el tráfico que va por encima de eso.

Entonces, toda esa información nos permite no solo ser comparables con los mapas comerciales, sino también eliminar algunas decenas de segundos de errores en cada viaje. Y estas pocas decenas de segundos se traducen en un aumento de la eficiencia de entre el 5 y el 10 por ciento. Es realmente difícil determinar el número exacto de cómo se mejora la eficiencia mediante la mejora de los errores del mapa digital subyacente. Esto puede no parecer mucho, pero como mencioné, en un negocio que funciona con un margen de beneficio muy ajustado, mejorar la eficiencia en un cinco por ciento es un gran problema.

O, en otras palabras, si tiene una flota de 3000 automóviles, el cinco por ciento son 150 automóviles. Básicamente, puede eliminar 150 automóviles de la carretera y no perder ningún negocio. Y la eliminación de 150 automóviles se traduce en una reducción de costos de X millones de dólares por año. Entonces, lo que estoy tratando de decir es que todas estas pequeñas cosas, unos segundos aquí, un pequeño porcentaje allá, realmente importan debido a la mayor eficiencia, y una mayor eficiencia da como resultado una mejor ecuación de costos e ingresos.

Laurel: Y eso también es importante para el transporte público, para las agencias gubernamentales que intentan ahorrar ese pequeño porcentaje aquí o allá mientras intentan ser más eficientes.

rada : Absolutamente. En realidad, los servicios públicos aquí, el transporte público aquí es muy, muy inmaduro. Por lo tanto, gran parte del transporte público depende de los servicios de taxi y viajes compartidos. Hay algún tipo de estimación de que los servicios de taxi y viaje compartido ocupan más del 80 por ciento del transporte público. Así que la red de autobuses es muy escasa. Entonces, la mayoría de las veces, si no tiene un automóvil y desea moverse de A a B, llamará a un taxi o Uber o un servicio de transporte similar. Actualmente se está construyendo el Metro, y eso es parte de los proyectos de infraestructura de los que hablábamos antes. La primera línea se inauguró el año pasado. Y las siguientes dos líneas se están abriendo este año. Con suerte, dado que el transporte público es un poco más regular y la red de transporte público es un poco más densa, es de esperar que la necesidad de taxis disminuya.

Laurel: Entonces, hablando de tratar de construir una sociedad mejor, el QCRI es uno de los institutos de investigación de la Fundación Qatar. Y los objetivos de la Fundación Qatar son, uno, avanzar en la investigación pionera en áreas de prioridad nacional para Qatar, y dos, apoyar también el desarrollo sostenible y la diversificación económica. Pero este tipo de objetivos tienen el beneficio de ayudar al mundo entero. Claramente, el trabajo que estás haciendo se ajusta a ambos criterios. ¿Cuál es la importancia más amplia de construir sistemas de mapeo más inteligentes y menos costosos, así como sistemas de transporte? ¿Cómo podría esta tecnología ayudar a otros centros urbanos en crecimiento en el Medio Oriente y el resto del mundo?

rada : Entonces, algo interesante sobre los mapas comerciales y muchos de los productos de alta tecnología que se construyen en Europa y América del Norte: se construyen en el mundo desarrollado y para el mundo desarrollado. Así que los mapas comerciales no son una excepción allí. Se desarrollan pensando en un usuario en particular, y ese usuario normalmente viene con un bolsillo profundo, y normalmente viene al mundo donde las carreteras no cambian con tanta frecuencia. Esos dos supuestos se rompen en el mundo en desarrollo. Pagar un par de dólares al mes puede no ser gran cosa para un taxi que opera en Boston o Madrid. Pero unos pocos dólares al mes por taxi es quizás el 10 por ciento del salario de un conductor en Nueva Delhi o Kuala Lumpur. Entonces, vemos a QARTA como una solución que mencioné, una solución liviana, que puede abordar las necesidades sin tener que gastar mucho dinero en los bolsillos de estos proveedores de transporte.

Eso va de alguna manera con la misión de la Fundación Qatar de ayudar al mundo en desarrollo. Vemos nuestro mercado objetivo para el sistema que estamos construyendo en el mundo en desarrollo. No creo que podamos competir con los Google del mundo en el mundo desarrollado por las razones que acabo de describir. No tenemos los recursos y las expectativas de los usuarios en Occidente son un poco diferentes de las expectativas en el mundo en desarrollo. Esta es una de las razones por las que nosotros mismos y nuestro liderazgo estamos entusiasmados de impulsar Qatar.

Laurel: Eso es excelente. Sin embargo, ¿cómo responde a la posible nueva ola de vehículos autónomos? ¿Es eso algo que realmente te ayuda a enfrentar este desafío?

rada : Vaya, sí, estoy muy, muy entusiasmado con la era de los vehículos autónomos. Es difícil decir cuándo llegará esa era, pero cuanto más nos acerquemos a esa fecha, más importante será el papel de los mapas digitales precisos. Entonces, una tasa de oportunidad de informes para los vehículos autónomos es su capacidad para optimizar las rutas y la conducción en general, para reducir las ineficiencias de la toma de decisiones humanas. Entonces, por ejemplo, los humanos tienden a usar rutas subóptimas. Entonces, cada vez que voy de casa al trabajo, cada vez que tomo esta ruta, no me gusta explorar. Tengo amigos que, de hecho, cada vez que se suben al automóvil, escriben el destino y buscan la ruta óptima en ese momento en particular. Yo no soy una de esas personas. Tomo la misma ruta todos los días. La carga cognitiva para mí de preocuparme por la ruta óptima es algo con lo que realmente no quiero preocuparme.

Sin embargo, con los vehículos autónomos, la gente no tendría que preocuparse por eso. Simplemente presione el botón y el vehículo autónomo tomará esa ruta óptima para usted cada vez que ingrese al automóvil. Esa es una forma en que los vehículos autónomos pueden ayudarlo a ahorrar un par de minutos aquí, un par de minutos allá, probablemente un par de horas cada mes.

Además, los vehículos autónomos con una comprensión precisa de la infraestructura de la red de carreteras y todas las cosas dinámicas que están sucediendo, los vehículos autónomos pueden optimizar para algún tipo de óptimo global. Muy a menudo, los humanos tienden a ser codiciosos. Y siendo codiciosos, todos podemos terminar usando la carretera. Y con la esperanza de ahorrar un par de minutos, podemos poner tanta congestión en la carretera que todos sufrimos. Al tener una especie de visión global de lo que sucede en toda la ciudad, los vehículos autónomos pueden en realidad redirigirnos para tener algún tipo de equilibrio de carga global para ayudar a todos a estar mejor.

¿Y a qué distancia estamos de allí? No diría que estamos tan lejos, pero probablemente estemos a algunos años, si no a una década, de esa ruta globalmente óptima, que estoy muy, muy ansiosa. Porque si lo piensas bien, hay mucha infraestructura vial por ahí. Si piensas en cuántas calles hay en la ciudad de Boston y la ciudad de Doha. Sin embargo, la utilización de estos recursos está algo sesgada hacia muy pocas carreteras principales que terminan congestionadas en las horas pico. Y soy un verdadero creyente de que la programación globalmente óptima de las decisiones de enrutamiento puede reducir sustancialmente la congestión en la ciudad y ayudar a nuestras vidas en general. Básicamente, podemos pasar algunas horas cada semana menos en el tráfico en comparación con lo que hacemos hoy en día. Por otro lado, si va a ser tan fácil viajar, es posible que terminemos viajando más. Pero eso es algo aparte de lo que preocuparse.

Laurel: [Audio distorsionado] ¿Desafíos como reducir el consumo de energía y diseñar nuevos servicios de Internet?

rada : Una cosa con la que me mantengo ocupado últimamente es la utilización del mundo que ya tenemos. Entonces, todo lo relacionado con mapas digitales y una comprensión precisa del tráfico para ayudar a reducir las emisiones de CO2. Entonces, las emisiones de CO2, quiero decir, hay personas que creen y hay personas que no creen en el efecto invernadero y el calentamiento global, pero las emisiones de CO2 y, en general, el consumo de gasolina es un gran problema. Y el transporte contribuye a eso de una manera no trivial. Soy un firme creyente de que la comprensión del tráfico puede reducir un dos por ciento las emisiones de CO2 y también el consumo de gasolina, y eso puede tener un efecto inmediato en la reducción de las facturas que pagamos por la gasolina, pero también en la reducción a largo plazo. de las emisiones de CO2 es algo obligatorio. De una forma u otra, tendremos que encontrar una manera de abordar ese problema, y ​​​​creo que será necesaria la combinación de conducción autónoma, automóviles eléctricos y algún tipo de reducción de ineficiencias. Y para ello, el mapa de tráfico subyacente será de gran ayuda.

Así que déjame darte un ejemplo. Si su automóvil y usted, como conductor, entendieron lo suficientemente bien cuánto tiempo permanecerá verde esa luz verde, puede tomar una decisión informada sobre si desea mantener su conducción a 50 kilómetros por hora, o tal vez desea reducir la velocidad. baja y no desperdicies esa gasolina porque el semáforo se pondrá rojo en un par de segundos, y estarás desperdiciando toda la energía de acelerar justo frente al semáforo. Este es el tipo de cosas en las que estoy trabajando en este momento y, con suerte, podremos informar algo interesante, pero esto aún es un trabajo en progreso.

Laurel: Dra. Stanojevic, muchas gracias por acompañarnos hoy. Ha sido una gran conversación en Business Lab.

rada : Muchas gracias, Laurel. Fue genial hablar contigo.

Laurel: Ese fue el Dr. Rade Stanojevic, científico principal del Instituto de Investigación de Computación de Qatar, parte de la Universidad Hamad Bin Khalifa, una universidad de la Fundación de Qatar, con quien hablé desde Cambridge, Massachusetts, sede del MIT y MIT Technology Review, con vista al río Charles.

Eso es todo por este episodio de Business Lab. Soy su anfitrión, Laurel Ruma. Soy el director de Insights, la división de publicaciones personalizadas de MIT Technology Review. Fuimos fundados en 1899 en el Instituto de Tecnología de Massachusetts y puede encontrarnos impresos, en la web y en eventos en todo el mundo. Para obtener información sobre nosotros y la feria, visite nuestro sitio web en technologyreview.com.

Este programa está disponible dondequiera que obtenga sus podcasts. Si disfrutó de este episodio, esperamos que se tome un momento para calificarnos y comentarnos. Business Lab es una producción de MIT Technology Review. Este episodio fue producido por Collective Next. Gracias por su atención.

Este episodio de podcast fue producido por Insights, el brazo de contenido personalizado de MIT Technology Review. No fue producido por el equipo editorial de MIT Technology Review.

esconder