ปัจจุบันนี้เทคโนโลยีได้เข้ามามีบทบาททำให้การเดินทางสัญจรนั้นสะดวกสบายขึ้น เพียงแค่กรอกจุดหมายปลายทางที่จะไปใน Google Maps ระบบนำทางอัจฉริยะก็จะเลือกเส้นทางพร้อมคาดการณ์เวลาที่จะถึงจุดหมายให้เสร็จสรรพ เรามีหน้าที่แค่ขับไปตามทางเท่านั้น ด้วยเหตุนี้ Google Maps จึงกลายเป็นหนึ่งในบริการจาก Google ที่คนใช้มากที่สุด และใช้แทบจะทุกวัน ธุรกิจใหม่ ๆ จำนวนไม่น้อยที่เกิดขึ้นในทศวรรษนี้ก็พึ่งพา Google Maps เป็นหลัก เช่น ธุรกิจจำพวก Ridesharing และ Delivery อย่าง Grab Gojek Lineman เป็นต้น เรียกได้ว่า Google Maps เป็นสิ่งที่หลายคนขาดไม่ได้แล้วในชีวิตประจำวัน แต่อย่างไรก็ตาม ถึงแม้ว่าปัจจุบันนี้ Google Maps จะระบุเส้นทางและคาดการณ์เวลาโดยประมาณที่จะถึงจุดหมาย (ETAs) ได้แม่นยำถึง 97 เปอร์เซ็นต์แล้ว แต่ทางทีมพัฒนาก็ยังพยายามอย่างหนักที่จะแก้ไขความไม่แม่นยำใน 3 เปอร์เซ็นต์ที่เหลือ เดิมที Google Maps ใช้การคาดการณ์การจราจรจากข้อมูลภาพรวมของการจราจรทั่วโลก และสามารถเก็บข้อมูลแบบเรียลไทม์จากอุปกรณ์แอนดรอยด์ นั่นหมายความว่า Google Maps จะสามารถทำนายการจราจร ณ ขณะนั้นได้ แต่สิ่งที่ Google Maps ยังทำไม่ได้และเป็นปัญหาหลักคือการคาดการณ์การจราจรในอีก 10 20 หรือ 50 นาทีข้างหน้า และนี่คือปัจจัยหลักที่ทำให้เปอร์เซ็นต์ความแม่นยำอีก 3 เปอร์เซ็นต์ที่เหลือขาดหายไป
Machine Learning ตัวช่วยหลักในการเพิ่มความแม่นยำ
การจะแก้ไขปัญหาดังกล่าวนั้นต้องอาศัยความช่วยเหลือจากแมชชีนเลิร์นนิง (Machine Learning) ซึ่งเป็นเอไอที่สามารถเรียนรู้ด้วยตัวเองในการประมวลผลข้อมูลขนาดใหญ่และคาดการณ์ออกมาอย่างแม่นยำ ทีมพัฒนาจาก Google Maps จึงร่วมมือกับ DeepMind แลปวิจัยด้านเอไอของ Alphabet ซึ่งเป็นบริษัทแม่ของ Google ในการสร้างโมเดลแมชชีนเลิร์นนิงดังกล่าวขึ้นมา
กระบวนการในการสร้างโมเดลแมชชีนเลิร์นนิงที่จะช่วยเพิ่มความแม่นยำในการคาดการณ์การจราจรนั้นต้องอาศัยข้อมูลหลากหลายรูปแบบ ทั้งข้อมูลการจราจรในปัจจุบันที่เก็บรวบรวมจากอุปกรณ์แอนดรอยด์ ข้อมูลรูปแบบการจราจรในอดีต ข้อมูลจำพวกการจำกัดความเร็ว การปิดถนน และข้อมูลทางกายภาพของถนน เช่น คุณภาพถนน ขนาดถนน และทิศทางของถนนสายต่าง ๆ เป็นต้น
ในขั้นตอนแรกทีมนักวิจัยได้ใช้โปรแกรมในการแบ่งข้อมูลถนนออกเป็น ‘Supersegments’ หรือเป็นกลุ่มใหญ่ ซึ่งในแต่ละ Supersegment นั้นก็จะมีกลุ่มย่อยของถนนที่อยู่พื้นที่ใกล้กันและมีปริมาณการจราจรและอัตราการไหลของรถบนถนน (Traffic Volume) ใกล้เคียงกัน จำนวนข้อมูลนั้นมีจำนวนมากถึงหลักเทราไบต์ (Terabyte) เลยทีเดียว จึงจำเป็นต้องใช้โปรแกรมในการประมวลผล
ในช่วงแรกทีมนักวิจัยเลือกพัฒนาโมเดล Neural Network ขึ้นมาแค่อันเดียว พร้อมทั้งป้อนข้อมูลและวิธีคิดแบบเดียวกัน ซึ่งแม้ว่าวิธีนี้จะประสบความสำเร็จในระดับหนึ่ง แต่ความท้าทายหลักที่กลุ่มนักวิจัยประสบคือ ข้อมูลของถนนนั้นมีขนาดที่เปลี่ยนแปลงได้ตลอดเวลา (Dynamic sizes) ตามรูปแบบการจราจร ณ ตอนนั้น จึงทำให้นักวิจัยต้องหันมาสร้างโมเดล Neural network ที่ออกแบบมาเฉพาะสำหรับแต่ละกลุ่มแทน
แต่ปัญหาใหญ่อีกปัญหาคือการสร้างโมเดลรูปแบบนี้จะทำให้ทีมนักวิจัยต้องป้อนข้อมูลและสอนโมเดลหลายล้านโมเดล และต้องมีการปรับโครงสร้างครั้งใหญ่ นักวิจัยจึงเลือกหันไปหาโมเดลที่สามารถรองรับข้อมูลที่มีลำดับระยะเวลาที่หลากหลายได้ เช่น Recurrent Neural Networks (RNNs) แต่การสร้างโครงสร้างโมเดลนี้ให้ต่อยอดจากโครงสร้างข้อมูลถนนที่มีอยู่แล้วนั้นทำได้ยาก ทางออกสุดท้ายจึงเป็นการเลือกใช้ ‘Graph Neural Network’ หรือ ‘โครงข่ายประสาทเทียมแบบกราฟ’ ซึ่งตอบโจทย์มากในการสร้างโมเดลที่รองรับการเปลี่ยนแปลงของเครือข่ายและการเพิ่มขึ้นของข้อมูลตลอดเวลา
การทำงานของ Graph Neural Network
โมเดลแบบ Graph Neural network นั้นจะมองเครือข่ายกลุ่มถนนเป็นรูปแบบของกราฟ ถนนแต่ละกลุ่มจะสัมพันธ์กับโหนด (node) และเส้นเชื่อม (edge) ที่อยู่ระหว่างกลุ่มถนนที่เรียงต่อกันในพื้นที่เดียวกัน หรือถนนที่เชื่อมต่อกันผ่านสีแยก โดยจะใช้อัลกอริธึมแบบ Message Passing ซึ่งอัลกอริธึมจะมีการพูดคุยส่งข้อมูลเกี่ยวกับการเปลี่ยนแปลงของโหนดและเส้นเชื่อมต่าง ๆ ให้กัน และโมเดลจะเรียนรู้จากข้อมูลที่ส่งต่อ การสร้างโมเดลรูปแบบนี้จะทำให้กลุ่ม Supersegment นั้นกลายเป็นรูปแบบของกราฟย่อย (Subgraphs) ที่จะสุ่มแสดงตัวอย่างของความหนาแน่นของถนนในกลุ่มย่อยภายใต้กลุ่มใหญ่ของตน ทำให้โมเดลเพียงอันเดียวก็สามารถที่จะเรียนรู้จากตัวอย่างกราฟย่อยของกลุ่มถนนกลุ่มใหญ่ได้ ทำให้สามารถใช้ในสเกลที่ใหญ่ระดับโลกได้
Graph Neural Networks ต่อยอดทักษะในการเรียนรู้ได้โดยการเรียนรู้จาก Convolutional Neural Networks และ Recurrent Neural Networks ด้วยวิธีการประยุกต์ใช้คอนเซ็ปต์ของ ‘ความใกล้เคียง’ (Proximity) ซึ่งทำให้นักวิจัยสามารถสร้างโครงสร้างการเชื่อมต่อที่ซับซ้อนเพื่อที่จะรองรับการประมวลผลข้อมูลที่ซับซ้อนขึ้น โครงสร้างรูปแบบนี้ปรับใช้ได้ทั้งกับการคาดการณ์การจราจรทั้งในอนาคตและในอดีต ทั้งยังปรับใช้ได้กับการคาดการณ์การจราจรในเส้นทางใกล้เคียงหรือถนนที่เชื่อมต่อกันผ่านสี่แยกได้อีกด้วย
โหนดที่อยู่ใกล้เคียงกันในกราฟของ Graph Neural Network จะเป็นตัวส่งต่อข้อมูลให้กัน การสร้างโครงสร้างรูปแบบนี้ ต้องใช้วิธีสอนให้โมเดลคิดแบบเอนเอียงไปหาข้อมูลที่อยู่ใกล้เคียง (Locality bias) เพื่อให้โหนดแต่ละอันเรียนรู้ที่จะเชื่อและพึ่งพาข้อมูลจากโหนดที่ใกล้เคียงกัน ทำให้ส่งข้อมูลเพียงครั้งเดียวก็ทั่วถึง Graph Neural Networks จึงจะสามารถใช้ประโยชน์จากโครงสร้างที่เชื่อมต่อกันบนถนนได้อย่างมีประสิทธิภาพ
การวิจัยในครั้งนี้แสดงให้เห็นถึงการใช้ประโยชน์จากการขยายขอบเขตของข้อมูลให้ครอบคลุมไปที่ถนนใกล้เคียงที่ไม่ใช่ถนนสายหลัก ซึ่งทำให้โมเดลสามารถคาดการณ์ความล่าช้าที่อาจจะเกิดขึ้นในอนาคต ซึ่งเป็นผลกระทบจากถนนสายใกล้เคียงได้ เช่น ถ้ามีรถติดบนถนนสายเล็กสายหนึ่งจะส่งผลทำให้รถล้นทะลักมายังถนนสายใกล้เคียงและไปสู่ถนนสายหลักได้ นอกจากนี้การขยายข้อมูลให้ครอบคลุมไปแต่ละสี่แยกยังสามารถช่วยให้โมเดลคาดการณ์ความล่าช้าที่เกิดจากการเลี้ยวรถ การใช้ทางร่วม และความล้าช้าที่เกิดจากการติดไฟแดงได้อีกด้วย
ความสามารถของในการรวมและประยุกต์ข้อมูลจากส่วนต่าง ๆ เข้าด้วยกันของ Graph Neural Network นั้นคือจุดเด่นที่ทำให้โมเดลรูปแบบนี้มีประสิทธิภาพมาก โดยโมเดลรูปแบบนี้ช่วยให้การประมวลผลข้อมูลกลุ่มถนนกลุ่มใหญ่แต่ละกลุ่มที่มีความแตกต่างกันทั้งด้านความยาวและความซับซ้อนของนั้นเป็นไปได้โดยใช้โมเดลแค่อันเดียวเท่านั้น
ความสำเร็จครั้งใหม่ของ Google Maps
ความช่วยเหลือจากแมชชีนเลิร์นนิงของ DeepMind นี้ทำให้ Google Maps สามารถเพิ่มความแม่นยำในการคาดการณ์ได้มากถึง 50% ในเบอร์ลิน จาการ์ตา ซิดนีย์ ในเมืองอื่น ๆ นั้นมีเปอร์เซ็นต์มากน้อยสลับกันไป สำหรับกรุงเทพมหานครของเรานั้นสามารถเพิ่มความแม่นยำได้มากขึ้นถึง 21% เลยทีเดียว
หลังจากเกิดวิกฤติการระบาดของโรคโควิด-19 ขึ้น การจราจรมีการเปลี่ยนแปลงอย่างหนักเนื่องจากการล็อคดาวน์ โดยการจราจรลดลงถึง 50 เปอร์เซ็นต์ และปัจจุบันก็ค่อย ๆ กลับมาเพิ่มมากขึ้นจากการคลายล็อคดาวน์ Google Maps เองก็ต้องปรับตัวตามให้ทัน ทีมพัฒนาจึงมีการปรับโมเดลให้มีความไว (agile) และทันต่อการเปลี่ยนแปลง นอกจากนี้ยังปรับให้โมเดลเรียนรู้จากข้อมูลรูปแบบถนนในอดีตที่ใกล้เคียง เช่น 2-4 สัปดาห์ที่ผ่านมา และให้ลดความสำคัญของข้อมูลที่ไกลกว่านั้นลง เพื่อให้โมเดลสามารถคาดการณ์ได้แม่นยำในสถานการณ์ที่ต่างกัน
ทีมนักวิจัยจาก DeepMind มองว่าความสามารถของ Graph Neural Network ในการประมวลผลข้อมูลที่มีการเปลี่ยนแปลงบ่อย และเชื่อมต่อข้อมูลเข้าด้วยกันนี้เป็นความสามารถที่หลายคนมักมองข้ามไป ซึ่งวันนี้เราเห็นตัวอย่างที่ชัดเจนจากความสำเร็จในการพัฒนา Google Maps ในครั้งนี้แล้ว จึงหวังว่ามันจะช่วยปูทางให้เราสร้างเทคโนโลยีใหม่ ๆ ที่มีประสิทธิภาพมากขึ่้นเรื่อย ๆ จาก Graph Neural Network ได้ในอนาคต
References: