211service.com
Machine learning gebruiken om kaarten te maken die slimmer rijadvies geven
In associatie met Qatar Stichting
Als u in de Verenigde Staten rijdt, is de kans groot dat u zich niet kunt herinneren wanneer u voor het laatst een papieren kaart hebt gekocht, een digitale kaart hebt afgedrukt of zelfs bent gestopt om de weg te vragen. Dankzij Global Positioning System (GPS) en de mobile mapping apps op onze smartphones en hun realtime routeadvies is navigatie een opgelost probleem.
Maar in zich ontwikkelende of snelgroeiende delen van de wereld niet zozeer. Als u in een plaats als Doha, Qatar woont, waar de lengte van het wegennet de afgelopen vijf jaar is verdrievoudigd, kunnen commerciële kaartservices van Google, Apple, Bing of andere providers het tempo van de infrastructuur gewoon niet bijhouden verandering.
Ieder van ons die in Europa of de VS is opgegroeid, kan waarschijnlijk de schaal waarop deze steden groeien niet begrijpen, zegt Rade Stanojevic, senior wetenschapper aan het Qatar Computing Research Institute (QCRI), onderdeel van Hamad Bin Khalifa University, een Qatar Foundation universiteit, in Doha. Vrijwel elke buurt ziet een nieuwe onderdoorgang, een nieuw viaduct, een nieuwe grote snelweg die om de paar maanden wordt toegevoegd.
Aangezien Qatar deze snelle groei het hoofd moet bieden - en vooral omdat het zich voorbereidt op het hosten van de FIFA Wereldbeker in 2022 - wordt het slechte routeadvies en de oplopende reisvertragingen door verouderde digitale kaarten steeds duurder. Daarom besloten Stanojevic en collega's van QCRI om machine learning op het probleem toe te passen.
Een wegennetwerk kan worden geïnterpreteerd als een gigantische grafiek waarin elk kruispunt een knooppunt is en elke weg een rand, zegt Stanojevic, wiens specialiteit netwerkeconomie is. Wegsegmenten kunnen zowel statische kenmerken hebben, zoals de vastgestelde snelheidslimiet, als dynamische kenmerken, zoals congestie in de spits. Om te zien waar het verkeer werkelijk naartoe gaat - in plaats van waar een oude kaart zegt dat het naartoe zou moeten gaan - en om vervolgens de beste routes door een steeds veranderend doolhof te voorspellen, heeft een machine learning-model alleen maar veel actuele gegevens nodig over zowel de statische als de dynamische factoren. Gelukkig hebben moderne wagenparken deze monitoringsystemen die behoorlijk veel data produceren, zegt Stanojevic.
Stanojevic heeft het over taxi's. Zijn team bij QCRI werkte samen met een in Doha gevestigd taxibedrijf genaamd Karwa om volledige GPS-gegevens te verzamelen over het komen en gaan van hun voertuigen. Ze gebruikten die gegevens om een nieuwe kaartservice te bouwen, QARTA genaamd, die routeadvies biedt aan chauffeurs bij Karwa en andere operators, zoals bezorgvloten.
Stanojevic zegt dat QARTA's diepere kennis van de feitelijke weg- en verkeerssituatie in Doha chauffeurs helpt om tientallen seconden minder te besparen op elke rit, wat zich vertaalt in een efficiëntiewinst van 5 tot 10% voor het hele wagenpark. Als je een vloot van 3.000 auto's hebt, is 5% daarvan 150 auto's, zegt Stanojevic. U kunt in principe 150 auto's van de weg halen en geen omzet verliezen.
Hoewel het systeem van QCRI waarschijnlijk niet kan concurreren met de grote kaartserviceproviders in de ontwikkelde wereld, zou het steden in het Midden-Oosten en andere ontwikkelingsregio's kunnen helpen om de groei verstandiger te beheren, zegt Stanojevic. En over een paar jaar, als meer autonome voertuigen de straat op gaan, kan op machine learning gebaseerd routeadvies het grote geheel in een drukke stad bekijken en wagenparken helpen de CO2-uitstoot te verminderen door chauffeurs uit de files te houden. Door een soort globaal beeld te hebben van wat er in de hele stad gaande is, kunnen autonome voertuigen ons daadwerkelijk omleiden naar een soort van globale taakverdeling, zodat iedereen beter af is.
Deze podcast is gemaakt in samenwerking met de Qatar Foundation.
Toon notities en links
Qatar Computing Research Institute
Verkeersroutering in de steeds veranderende stad Doha , Sofiane Abbar, Rade Stanojevic, Shadab Mustafa en Mohamed Mokbel, Communicatie van de ACM, april 2021
Volledig transcript
Laurel Ruma: Van MIT Technology Review, ik ben Laurel, en dit is Business Lab, de show die bedrijfsleiders helpt om nieuwe technologieën te begrijpen die uit het lab en op de markt komen.
Ons onderwerp van vandaag, betere kaarten voor snelgroeiende steden. Verkeer. Verkeer is moeilijk voor ons allemaal, maar met een toenemend aantal voertuigen op de wegen en congestie, kunnen apps die proberen de beste routes te berekenen niet op wonderbaarlijke wijze snelkoppelingen maken. Maar wat gebeurt er als uw land in 10 jaar in omvang verdubbelt? Nieuwe wegen, nieuwe buurten, nieuwe gebouwen: het is tijd voor een nieuwe kaart.
Twee woorden voor jou: Automatisch in kaart brengen.
Mijn gast is Dr. Rade Stanojevic, senior wetenschapper aan het Qatar Computing Research Institute, onderdeel van Hamad Bin Khalifa University, een universiteit van Qatar Foundation. Dr. Stanojevic bestudeert computernetwerken en netwerkeconomie. Momenteel gebruikt hij grafentheorie, machine learning en andere technieken om te proberen nauwkeurigere modellen te bouwen van het echte verkeer in Doha, Qatar en andere steden.
Voordat hij bij QCRI kwam, bracht hij tijd door als stafonderzoeker bij het Madrid Institute for Advanced Studies Network Institute en Telefonica I&D in Spanje.
Deze aflevering van Business Lab is tot stand gekomen in samenwerking met de Qatar Foundation.
Welkom, Dr. Stanojevic.
Rade Stanojevic: Het is geweldig om vandaag bij je te zijn, Laurel. Dank u.
Laurier: Dus de laatste tijd concentreer je je op een heel specifieke vraag, namelijk hoe je kaartsoftware schrijft die nauwkeurigere schattingen kan maken van de reistijd als iemand van punt A naar punt B rijdt. En iedereen die ooit vast is komen te zitten in het verkeer omdat ze de verkeerde routes hebben gekozen, kunnen begrijpen waarom dat nuttig kan zijn. Maar kunt u uitleggen waarom het begrijpen van verkeer een netwerkwetenschappelijk probleem is en welke inzichten een netwerkanalyse-aanpak kan opleveren?
Rade : Dus om een nauwkeurig begrip te krijgen van het probleem dat je zojuist noemde, hoe je van punt A naar punt B moet reizen, heb je eigenlijk twee dingen nodig. Je hebt een nauwkeurige kaart nodig en een nauwkeurig verkeersmodel bovenop die kaart. En die twee problemen zijn zowel netwerkwetenschap als machine learning-problemen. Dus als je het wegennet ziet als een netwerk of een grafiek, dan is dit netwerk eigenlijk een lijst met randen, een lijst met knopen en een lijst met randen, waarbij de rand het wegsegment is. Dit wegsegment, wat dit wegennet tot een interessant object maakt om te bestuderen, is de complexiteit die voortkomt uit de kenmerken van deze randen in het netwerk.
Dus de kenmerken van deze wegsegmenten, we kunnen ze in twee typen splitsen. Een daarvan zijn statische kenmerken. Dat zijn zaken als de snelheidslimiet, het aantal rijstroken, het soort betaling, et cetera. En dit zijn het soort dingen dat als je het eenmaal goed hebt, je het voor altijd goed hebt.
Anderzijds zijn er kenmerken van het wegennet die dynamischer zijn. Dit zijn dus het soort dingen dat te maken heeft met het verkeer, de mate van congestie, de gemiddelde snelheid, die afhankelijk zijn van het tijdstip van de dag, de dag van de week. Sommige gebeurtenissen waar we niet echt op kunnen anticiperen, et cetera. Het begrijpen van zowel de onderliggende statische aard van het wegennet als de dynamische delen die uit het verkeer komen, maakt dit hele probleem interessant en nuttig voor het dagelijks leven, en in het bijzonder de businesscases die we waarschijnlijk later zullen bespreken dat, waar we mee te maken hebben.
Laurier: Welnu, over dynamisch gesproken, Qatar verdubbelde bijna in bevolking in slechts 10 jaar, en dit creëert dus een enorm probleem, aangezien nieuwe wegen en nieuwe gebouwen worden aangelegd en chauffeurs vastzitten in het verkeer, maar ze hadden deze snel verouderde kaarten die net verouderd waren . Hoe zag je dit als een kans om die chauffeurs en de steden zelf te helpen?
Rade : O jongen. Dus ieder van ons die in Europa of de VS is opgegroeid, kon of kan de schaal waarop deze steden groeien waarschijnlijk niet begrijpen. Dus in mijn geboorteplaats, een stad met 200 of 250.000 mensen, was de enige echte verandering in de wegennetwerkinfrastructuur die plaatsvond in de afgelopen 20 jaar sinds ik een kind was, de enige brug die werd gebouwd. In de stad Doha ziet vrijwel elke buurt echter om de paar maanden een nieuwe onderdoorgang, een nieuw viaduct en een nieuwe grote snelweg. Dus met de snelheid waarmee de stad groeit, kunnen de traditionele kaartdiensten het tempo niet echt bijhouden. En dat zorgde voor een enorme verrassing voor de meesten van ons die uit Europa of Noord-Amerika kwamen. We waren verbaasd toen we in de stad aankwamen en realiseerden ons dat alle diensten die we als vanzelfsprekend beschouwen, zoals Google Maps of Bing Maps of Apple Maps, wat je favoriete digitale kaart ook is, gewoon niet werken. Ze werken niet in de stad Doha.
En de reden waarom ze niet werken, is omdat ze niet zijn gebouwd in de veronderstelling dat de infrastructuur zo snel verandert als in Doha. Dus in het Instituut, bij QCRI, realiseerden we ons dat veel van deze vragen kunnen worden beantwoord met netwerkwetenschap en machine learning. En sommigen van ons begonnen te kijken naar het probleem van automatische kaartinferentie. We zijn hiermee ergens in 2017 begonnen en we realiseerden ons dat dit probleem zowel ongelooflijk belangrijk is voor veel steden in ontwikkeling, maar ook een grote uitdaging is. En op dat onderdeel, in het begrijpen van het onderliggende netwerk, hebben we veel vooruitgang geboekt. En later realiseerden we ons hoe we daar bovenop nog deze dynamische eigenschappen van de kaart konden toevoegen, die gerelateerd zijn aan het verkeer.
Laurier: Ik denk dat dat echt een geweldige manier is om te proberen uit te leggen aan mensen die misschien niet begrijpen dat een nieuwe snelweg wordt toegevoegd of een nieuwe oprit of een nieuw viaduct naar elke buurt, dat is verbazingwekkend, toch?
Rade : Het is verbazingwekkend. Dus eigenlijk in de afgelopen zeven jaar, sinds 2013, is de lengte van de wegeninfrastructuur in de stad Doha verdrievoudigd. Dus het is echt moeilijk om je hoofd rond dat aantal te wikkelen. Er wordt ongelooflijk veel infrastructuur gebouwd. Dit maakt allemaal deel uit van het project dat gericht is op het bouwen van de juiste infrastructuur voor het WK dat over ongeveer 18 maanden plaatsvindt hier in Doha, het wereldkampioenschap voetbal, of zoals u in Noord-Amerika voetbal zou zeggen.
Laurier: Dus waarom hadden de kaartenmakers zoals Google, Bing en Apple Maps dan zulke problemen om bij te blijven? Hoe schatten ze traditioneel reistijden en kaarten in? De Google-auto rondsturen om buurten in kaart te brengen?
Rade : Eigenlijk is dat een interessante vraag. Dus eigenlijk hebben de meeste traditionele kaartenmakers, zoals Google Maps of Here Maps of Bing Maps, normaal gesproken een statische kaart die ze eens in de paar jaar kopen bij de overheid of de lokale kaartaanbieders. En dan gaan ze ervan uit dat deze kaarten zo nu en dan veranderen, en dat ze deze veranderingen kunnen opvangen, waarbij ze een soort van gegevens observeren die voor hen beschikbaar zijn, ofwel door de telefoons te volgen waarop ze een soort van locatie-geactiveerde diensten hebben, of op een andere manier. De onderliggende aannames dat het wegennet niet zo vaak verandert. Dus wanneer het wegennet verandert, hebben ze een menselijke annotator nodig om de verandering te labelen en de kaart bij te werken. In een stad als Doha, waar veranderingen constant en dagelijks plaatsvinden, wordt deze onderliggende veronderstelling echter doorbroken.
Een groot kruispunt dat ergens in 2016 werd gewijzigd, toen we verhuisden, toen ik naar Doha verhuisde, op slechts een paar honderd meter van ons kantoor, duurde het ongeveer 18 maanden voordat dat kruispunt werd weergegeven in Google Maps. Dus eigenlijk was dat kruispunt ongeveer 18 maanden onzichtbaar voor Google Maps. En al die routes die via dat kruispunt zouden moeten worden gerouteerd, zouden de chauffeurs in feite dwingen een grote omweg te maken die totaal onnodig was. En Google werd in de loop der jaren beter, Google en andere kaartservices werden in de loop van de tijd beter. Ze herkennen het probleem en nu hebben ze geen 18 maanden nodig om de verandering te weerspiegelen. Nu is dat proces ingekort tot een paar maanden. Maar zelfs de paar maanden kunnen veel zijn als een chauffeur of een taxi of een bezorger een nauwkeurige en optimale route nodig heeft. En we zagen dat als een kans om het probleem op te lossen met zoveel mogelijk gegevens en zo snel mogelijk.
Laurier: Ja, een responstijd van twee maanden lijkt onmogelijk in het realtime leven van iedereen, toch? Dus hoe hebben u, u en uw team eigenlijk een betere manier gevonden om reistijden in te schatten? Vertel me het verhaal over het taxibedrijf Karwa.
Rade : Dat is een interessant verhaal, maar laat me een paar woorden zeggen over wat het belangrijkste ingrediënt is bij het aanpakken van het probleem van nauwkeurige routes en nauwkeurige reistijden in de snel evoluerende stad als Doha. Het belangrijkste ingrediënt is het voortdurend bijwerken van de kaarten. Dus het observeren van de kaart, het observeren van de veranderingen die plaatsvinden en het zo snel mogelijk aanpakken, idealiter op een volledig automatische manier, is de sleutel. We zouden dit dus niet kunnen doen zonder de samenwerking met Karwa.
Dus Karwa is een lokaal taxibedrijf dat zo'n 3.000 voertuigen in de stad exploiteert. Het produceert een enorme hoeveelheid informatie die we gebruiken om de onderliggende kaart te bouwen en ook om het verkeersmodel bovenop die kaart te bouwen. En er is een interessant verhaal over hoe we dit project zijn begonnen. Dus dit project begon puur als een onderzoeksproject, zoals ik al zei, misschien ergens in 2017 of begin 2018, we hadden onze eerste ontmoeting met het taxibedrijf. En op dat moment hebben we enige vooruitgang geboekt met betrekking tot de kaartservices, het automatische kaartinferentieproject dat ik een paar minuten geleden noemde. Maar nadat we die eerste resultaten met hen hadden gedeeld, vertelden ze ons dat ze Google Maps gebruikten. Daar waren ze niet honderd procent blij mee, maar het feit dat die hele dienst relatief goedkoop was, ergens in de orde van grootte tussen $ 10.000 en $ 20.000 per jaar, was geen groot item op hun jaarrekening. En ze vertelden ons eigenlijk dat we ons niet echt zorgen maken over dit soort problemen, omdat we die informatie kopen die niet ideaal nauwkeurig is, maar het is goedkoop genoeg om ons er geen zorgen over te maken.
En daar waren we het toen mee eens. Het was gewoon, zo is het. Als Google of commerciële kaartenservices dat voor zo'n lage prijs kunnen verkopen, heeft het geen zin dat het taxibedrijf zich daar veel zorgen over maakt. Google Maps, en ook vele andere kaartaanbieders, hebben echter de prijzen van deze API-services voor kaarten ergens eind 2018 met een factor 10 tot 20 verhoogd. En op dat moment, met de groei van hun volume, stegen hun rekeningen van tienduizenden dollars tot honderdduizenden dollars, vrijwel van de ene op de andere dag. Op dat moment stonden ze veel meer open voor het idee om een dienst te bouwen waarmee ze een paar honderdduizend dollar per jaar van die rekening voor kaartservices zouden kunnen besparen. En op dat moment begonnen we het probleem te onderzoeken. Op dat moment konden we niet echt zeggen of we een product konden bouwen dat een kwaliteit heeft die vergelijkbaar is met de commerciële kaarten. En daar begon onze reis.
Ergens eind 2018 hadden we al aardig wat begrip en ervaring om dit soort dingen te doen. Maar we begonnen ergens eind 2018 aan het product te werken en medio 2019 hadden we een product klaar om te testen. En het kostte een paar maanden testen om erachter te komen hoe goed we zijn in vergelijking met Google Maps. En de bevindingen waren echt indrukwekkend in termen van de kwaliteit van onze resultaten, in de snelheid van onze reacties, in de beschikbaarheid van onze middelen. En ergens eind 2019 stapte het lokale taxibedrijf met 3.000 voertuigen over van de commerciële kaarten, van Google Maps, naar het gebruik van onze diensten.
Het was dus een rotsachtige weg, het kostte ons een paar jaar heen en weer. En ik zou zeggen dat waarschijnlijk de belangrijkste stap de introductie van deze nieuwe prijsstelling was, de tijd waarin Google zich realiseerde dat ze hier echt geld mee konden verdienen en waar ze de prijzen met een factor 10 tot 20 verhoogden, dat was een dealbreaker voor ons. Zonder dat zouden we dit waarschijnlijk niet voor elkaar krijgen.
Laurier: Dat is een ongelooflijk enorme stijging als je waarschijnlijk een taxibedrijf bent dat het al dan niet goed doet, afhankelijk van hoe competitief dat soort ritdelen is.
Rade : Precies, dat maakte een enorme deal. Dus in feite zijn taxibedrijven in het algemeen bedrijven met een zeer lage winstmarge. Dus ze geven om elke kleine cent die ze kunnen besparen.
Laurier: Dus hoe levert u die vergelijkbare diensten tegen lagere kosten? Komt dat omdat je niet de overhead hebt van een Google Map of een Waze?
Rade : Dus we beschouwen ons systeem graag als een zeer lichtgewicht Google Maps voor bedrijven. Dus Google Maps kost waarschijnlijk ongeveer $ 1 miljard, het publiek, ik bedoel, het is moeilijk om een nauwkeurige schatting te maken van hoeveel Google elk jaar in kaarten investeert, maar sommige ruwe schattingen liggen in de orde van grootte van $ 1 miljard per jaar. En dat is een enorme investering. Voor het specifieke type applicaties dat bezorg- en taxibedrijven nodig hebben, hebt u echter niet echt alle machines nodig die Google Maps inzet. Dus we denken graag na over ons systeem dat we QARTA hebben bedacht - QARTA is een woord dat in veel talen voorkomt, een woord dat wordt gebruikt voor kaarten - dus ons systeem genaamd QARTA is erg licht van gewicht, dus we verwijderen in feite alle onnodige blokken en we bewaren alle dingen die nodig zijn voor het beantwoorden van het soort vragen dat de bezorgbedrijven, last-mile bezorgbedrijven, logistieke bedrijven, taxibedrijven of taxibedrijven nodig hebben om hun bedrijf te runnen. En door dit te doen, kunnen we de bedrijfskosten zo laag mogelijk houden.
Laurier: QARTA, maar met een Q, dat is een knipoog naar Qatar, dat is fantastisch.
Rade : QARTA met een Q. Als je de letters permuteert, krijg je de naam van het land waar we zijn, Qatar.
Laurier: Dat is juist. Dus vertel ons meer over de technologie. Je gebruikte machine learning met de gegevens van Karwa om erachter te komen wat de beste manier is om de geschatte reistijden aan te passen aan het tijdstip van de dag, enzovoort. Dus kun je iets meer vertellen over die aanpak? Zoals hoe heb je je gegevens eigenlijk in realtime bewaard?
Rade : Dus machine learning is geweldig als je enerzijds complexe relaties wilt vastleggen, en je ook genoeg gegevens hebt om die relaties vast te leggen en je machine learning-modellen te trainen. Gelukkig beschikken moderne wagenparken dus over deze monitoringsystemen die behoorlijk wat data produceren. De productie van die data maakt deze machine learning mogelijk. Ik zou zeggen dat 10 of 15 jaar geleden de meeste taxi's die GPS-tracking niet hadden ingeschakeld. En zonder zo'n GPS-tracking zou al deze machine learning niet mogelijk zijn geweest. We hebben echter het geluk om samen te werken met Karwa, die dat rijke monitoringsysteem heeft dat ons in feite helpt die gegevens vast te leggen, te verwerken en die twee belangrijke ingrediënten te achterhalen die ik zojuist noemde, maar ik ga ze nog een keer herhalen, enerzijds inzicht in het onderliggende wegennet en anderzijds inzicht in het verkeer dat daar overheen gaat.
Al die informatie stelt ons dus in staat om niet alleen vergelijkbaar te zijn met commerciële kaarten, maar ook om enkele tientallen seconden fouten per rit te besparen. En deze paar tientallen seconden vertaalt zich in een verhoging van de efficiëntie van ergens tussen de 5 en 10 procent. Het is echt moeilijk om het exacte aantal te bedenken van hoe de efficiëntie wordt verbeterd door verbetering van de fouten van de onderliggende digitale kaart. Dit klinkt misschien niet veel, maar zoals ik al zei, in een bedrijf met een zeer krappe winstmarge, is het verbeteren van de efficiëntie met vijf procent een enorm probleem.
Of met andere woorden, als u een vloot van 3.000 auto's heeft, is vijf procent daarvan 150 auto's. U kunt in principe 150 auto's van de weg halen en geen omzet verliezen. En het verwijderen van 150 auto's vertaalt zich in X miljoen dollar per jaar aan kostenbesparing. Dus wat ik probeer te zeggen is dat al deze kleine dingen, een paar seconden hier, een paar procent daar, er echt toe doen vanwege de verhoogde efficiëntie, en verhoogde efficiëntie resulteert in een betere vergelijking van de kosten-inkomsten.
Laurier: En dat is ook belangrijk voor het openbaar vervoer, voor overheidsinstanties die hier of daar dat kleine percentage proberen te besparen terwijl ze proberen efficiënter te worden.
Rade : Absoluut. Eigenlijk openbare diensten hier, het openbaar vervoer hier is erg, erg onvolwassen. Veel van het openbaar vervoer is dus afhankelijk van taxi- en ritdeeldiensten. Er is een soort schatting dat de taxi- en ridesharingdiensten 80 procent van het openbaar vervoer in beslag nemen. Het busnetwerk is dus erg schaars. Dus als je geen auto hebt en je wilt van A naar B gaan, bel je meestal een taxi of Uber of een soortgelijke vervoersdienst. Momenteel wordt de Metro gebouwd en dat is onderdeel van de infrastructuurprojecten waar we het eerder over hadden. Vorig jaar werd de eerste lijn geopend. En de volgende twee lijnen worden dit jaar geopend. Hopelijk zal met het openbaar vervoer dat wat regelmatiger is en het openbaar vervoersnetwerk wat dichter is, hopelijk de behoefte aan taxi's afnemen.
Laurier: Dus over het proberen een betere samenleving op te bouwen, de QCRI is een van de onderzoeksinstituten van de Qatar Foundation. En de doelstellingen van de Qatar Foundation zijn enerzijds het bevorderen van baanbrekend onderzoek op gebieden die voor Qatar van nationaal belang zijn, en anderzijds het ondersteunen van duurzame ontwikkeling en economische diversificatie. Maar dit soort doelen hebben het voordeel dat ze de hele wereld helpen. Het werk dat u doet, voldoet dus duidelijk aan beide criteria. Wat is het bredere belang van het bouwen van slimmere en goedkopere kaartsystemen, evenals transportsystemen? Hoe kan deze technologie andere groeiende stedelijke centra in het Midden-Oosten en de rest van de wereld helpen?
Rade : Dus een interessant aspect van commerciële kaarten en veel van de high-tech producten die in Europa en Noord-Amerika worden gebouwd: ze zijn gebouwd in de ontwikkelde wereld en voor de ontwikkelde wereld. Dus commerciële kaarten zijn daar geen uitzondering. Ze zijn ontwikkeld met een bepaalde gebruiker in gedachten, en die gebruiker komt normaal gesproken met een diepe zak, en komt normaal gesproken in de wereld waar de wegen niet zo vaak veranderen. Die twee veronderstellingen zijn gebroken in de derde wereld. Een paar dollar per maand betalen is misschien niet zo'n groot probleem voor een taxi die in Boston of Madrid rijdt. Maar een paar dollar per maand per taxi is misschien wel 10 procent van het salaris van een chauffeur in New Delhi of Kuala Lumpur. Dus we zien QARTA als een oplossing die ik noemde, een lichtgewicht oplossing die in de behoeften kan voorzien zonder diep in de zakken van deze transportaanbieders te gaan.
Dat past enigszins in de missie van Qatar Foundation om de ontwikkelingslanden te helpen. We zien onze doelmarkt voor het systeem dat we aan het bouwen zijn in de derde wereld. Ik denk niet dat we kunnen concurreren met de Googles van de wereld in de ontwikkelde wereld om de redenen die ik zojuist heb beschreven. We hebben niet de middelen en de verwachtingen van de gebruikers in het Westen verschillen nogal van de verwachtingen in de derde wereld. Dit is een van de redenen waarom wij en ons leiderschap enthousiast zijn om voor Qatar aan te dringen.
Laurier: Dat is geweldig. Hoe reageer je echter op de mogelijke nieuwe golf van autonome voertuigen? Is dat iets dat je echt helpt om deze uitdaging aan te gaan?
Rade : Oh wauw, ja, ik ben heel, heel enthousiast over het tijdperk van autonome voertuigen. Het is moeilijk te zeggen wanneer dat tijdperk zal komen, maar hoe dichter we bij die datum komen, hoe belangrijker de rol van nauwkeurige digitale kaarten zal zijn. Dus een van de rapportagemogelijkheden voor autonome voertuigen is hun vermogen om de routes en het rijden in het algemeen te optimaliseren, om de inefficiëntie van menselijke besluitvorming te verminderen. Dus mensen hebben bijvoorbeeld de neiging om suboptimale routes te gebruiken. Dus elke keer dat ik van huis naar mijn werk ga, elke keer dat ik deze route neem, hou ik er niet echt van om te verkennen. Ik heb vrienden die eigenlijk elke keer dat ze in de auto stappen, de bestemming intikken en op dat moment de optimale route zoeken. Ik ben niet een van die mensen. Ik neem elke dag dezelfde route. De cognitieve belasting voor mij om me zorgen te maken over de optimale route is iets waar ik me niet echt zorgen over wil maken.
Met autonome voertuigen hoeven mensen zich daar echter geen zorgen over te maken. Je zou gewoon op de knop kunnen drukken en het autonome voertuig zou die optimale route voor je nemen wanneer je in de auto stapt. Dus dat is een manier voor de autonome voertuigen om je een paar minuten te besparen hier, een paar minuten daar, waarschijnlijk een paar uur per maand.
Bovendien kunnen autonome voertuigen met een nauwkeurig begrip van de infrastructuur van het wegennet en alle dynamische dingen die gaande zijn, autonome voertuigen optimaliseren voor een soort wereldwijd optimum. Heel vaak hebben mensen de neiging om hebzuchtig te zijn. En door hebzuchtig te zijn, kunnen we uiteindelijk allemaal de snelweg gebruiken. En door te hopen een paar minuten te besparen, kunnen we zoveel opstoppingen op de snelweg veroorzaken dat we er allemaal last van hebben. Door een soort globaal beeld te hebben van wat er in de hele stad gaande is, kunnen autonome voertuigen ons in feite omleiden naar een soort van globale taakverdeling om iedereen te helpen beter af te zijn.
En hoe ver zijn we daar vandaan? Ik zou niet zeggen dat we zo ver zijn, maar we zijn waarschijnlijk een paar jaar, zo niet een decennium verwijderd van die wereldwijd optimale routering, waar ik echt heel erg naar uitkijk. Want als je erover nadenkt, is er zoveel wegeninfrastructuur. Als je bedenkt hoeveel straten er zijn in de stad Boston en de stad Doha. Het gebruik van deze middelen is echter een beetje scheef in de richting van zeer weinig hoofdwegen die tijdens de spitsuren overbelast raken. En ik ben er heilig van overtuigd dat een wereldwijd optimale planning van de routeringsbeslissingen de congestie in de stad aanzienlijk kan verminderen en ons leven in het algemeen kan helpen. In principe kunnen we een paar uur per week minder in het verkeer doorbrengen in vergelijking met wat we tegenwoordig doen. Aan de andere kant, als het zo gemakkelijk is om te reizen, zullen we misschien meer reizen. Maar dat is iets aparts om je zorgen over te maken.
Laurier: [Audio onleesbaar] uitdagingen zoals het verminderen van energie en het ontwerpen van nieuwe internetdiensten?
Rade : Een ding waar ik me de laatste tijd mee bezig houd, is het benutten van de wereld die we al hebben. Dus alles met betrekking tot digitale kaarten en nauwkeurig verkeersinzicht om de CO2-uitstoot te helpen verminderen. Dus CO2-uitstoot, ik bedoel, er zijn mensen die geloven en er zijn mensen die niet geloven in een broeikaseffect en de opwarming van de aarde, maar de CO2-uitstoot, en in het algemeen, het benzineverbruik is enorm. En transport draagt daar op een niet-triviale manier aan bij. Ik ben er vast van overtuigd dat begrip van het verkeer een paar procent van de CO2-uitstoot en ook het benzineverbruik kan verminderen, en dat kan een onmiddellijk effect hebben op lagere rekeningen die we betalen voor benzine, maar ook op lange termijn de vermindering van CO2-uitstoot is een soort van verplicht. Op de een of andere manier zullen we een manier moeten vinden om met dat probleem om te gaan, en ik denk dat de combinatie van autonoom rijden, elektrische auto's en een soort vermindering van inefficiënties noodzakelijk zal zijn. En om dit te doen, zal de onderliggende verkeerskaart een grote hulp zijn.
Dus laat me je een voorbeeld geven. Als uw auto en u als bestuurder goed genoeg begrepen hebben hoe lang dat groene licht nog groen blijft, kunt u een weloverwogen beslissing nemen of u 50 kilometer per uur wilt blijven rijden, of dat u misschien wilt vertragen naar beneden en verspil die benzine niet, want het licht springt over een paar seconden op rood en je verspilt gewoon alle energie van te hard rijden voor het stoplicht. Dit zijn het soort dingen waar ik momenteel aan werk en hopelijk kunnen we iets interessants melden, maar dit is nog werk in uitvoering.
Laurier: Dr. Stanojevic, heel erg bedankt dat je vandaag bij ons bent gekomen. Het was een goed gesprek op Business Lab.
Rade : Heel erg bedankt, Laurel. Het was geweldig om met je te praten.
Laurier: Dat was Dr. Rade Stanojevic, een hoofdwetenschapper aan het Qatar Computing Research Institute, onderdeel van Hamad Bin Khalifa University, een Qatar Foundation-universiteit, met wie ik sprak vanuit Cambridge, Massachusetts, de thuisbasis van MIT en MIT Technology Review, met uitzicht op de Charles River.
Dat was het voor deze aflevering van Business Lab. Ik ben je gastheer, Laurel Ruma. Ik ben de directeur van Insights, de custom publishing-divisie van MIT Technology Review. We zijn in 1899 opgericht door het Massachusetts Institute of technology en je kunt ons vinden in gedrukte vorm, op het web en op evenementen over de hele wereld. Voor informatie over ons en de show kunt u terecht op onze website op technologyreview.com.
Deze show is overal beschikbaar waar je je podcasts vandaan haalt. Als je deze aflevering leuk vond, hopen we dat je even de tijd wilt nemen om ons te beoordelen en te beoordelen. Business Lab is een productie van MIT Technology Review. Deze aflevering is geproduceerd door Collective Next. Bedankt voor het luisteren.
Deze podcastaflevering is geproduceerd door Insights, de afdeling voor aangepaste inhoud van MIT Technology Review. Het is niet geproduceerd door de redactie van MIT Technology Review.