211service.com
Använder maskininlärning för att bygga kartor som ger smartare körråd
I samarbete med Qatar Foundation
Om du kör i USA är chansen stor att du inte kommer ihåg när du senast köpte en papperskarta, skrev ut en digital karta eller till och med stannade för att fråga om vägbeskrivning. Tack vare Global Positioning System (GPS) och mobila kartappar på våra smartphones och deras routingråd i realtid är navigering ett löst problem.
Men i utvecklande eller snabbväxande delar av världen, inte så mycket. Om du bor på en plats som Doha, Qatar, där vägnätets längd har tredubblats under de senaste fem åren, kan kommersiella karttjänster från Google, Apple, Bing eller andra leverantörer helt enkelt inte hålla jämna steg med infrastrukturen. förändra.
Var och en av oss som växt upp i Europa eller USA kan förmodligen inte förstå i vilken skala dessa städer växer, säger Rade Stanojevic, senior forskare vid Qatar Computing Research Institute (QCRI), en del av Hamad Bin Khalifa University, en Qatar Foundation universitet i Doha. I stort sett varje stadsdel ser en ny gångtunnel, ny överfart, ny stor motorväg som läggs till varannan månad.
När Qatar klarar av denna snabba tillväxt – och särskilt när landet förbereder sig för att stå som värd för fotbolls-VM 2022 – blir de dåliga ruttråden och ackumulerande reseförseningar från föråldrade digitala kartor allt dyrare. Det var därför Stanojevic och kollegor på QCRI bestämde sig för att försöka tillämpa maskininlärning på problemet.
Ett vägnät kan tolkas som en gigantisk graf där varje korsning är en nod och varje väg är en kant, säger Stanojevic, vars specialitet är nätverksekonomi. Vägsegment kan ha både statiska egenskaper, såsom den angivna hastighetsgränsen, och dynamiska egenskaper, såsom trafikstockningar. För att se vart trafiken verkligen tar vägen – snarare än vart en gammal karta säger att den ska gå – och sedan förutsäga de bästa rutterna genom en ständigt föränderlig labyrint, behöver en maskininlärningsmodell bara massor av uppdaterad data om både statiska och dynamiska faktorer. Som tur är har moderna fordonsflottor dessa övervakningssystem som producerar ganska mycket data, säger Stanojevic.
Stanojevic pratar om taxibilar. Hans team på QCRI samarbetade med ett Doha-baserat taxibolag som heter Karwa för att samla in fullständig GPS-data om deras fordons ankomst och avfärd. De använde dessa data för att bygga en ny karttjänst som heter QARTA som erbjuder routingrådgivning till förare på Karwa och andra operatörer som leveransflottor.
Stanojevic säger att QARTAs djupare förståelse för den faktiska väg- och trafiksituationen i Doha hjälper förare att raka tiotals sekunder av varje resa, vilket leder till en effektivitetsvinst på 5 % till 10 % över hela flottan. Om du kör en flotta på 3 000 bilar är 5 % av det 150 bilar, säger Stanojevic. Du kan i princip ta bort 150 bilar från vägen och inte tappa några affärer.
Även om QCRI:s system förmodligen inte kan konkurrera med de stora karttjänstleverantörerna i den utvecklade världen, kan det hjälpa städer i Mellanöstern och andra utvecklingsregioner att hantera tillväxten mer klokt, säger Stanojevic. Och om några år, när fler autonoma fordon tar sig ut på gatorna, kan maskininlärningsbaserade ruttråd se på helheten i en hektisk stad och hjälpa flottor att minska koldioxidutsläppen genom att hålla förarna borta från trafikstockningar. Genom att ha någon sorts global bild av vad som händer i hela staden kan autonoma fordon faktiskt omdirigera oss till någon form av global lastbalansering, för att hjälpa alla att ha det bättre.
Denna podcast producerades i samarbete med Qatar Foundation.
Visa anteckningar och länkar
Qatar Computing Research Institute
Trafikdirigering i den ständigt föränderliga staden Doha , Sofiane Abbar, Rade Stanojevic, Shadab Mustafa och Mohamed Mokbel, Communications of the ACM, april 2021
Fullständig avskrift
Laurel Ruma: Från MIT Technology Review, I'm Laurel, och det här är Business Lab, showen som hjälper företagsledare att förstå ny teknik som kommer ut från labbet och in på marknaden.
Vårt ämne idag, bättre kartläggning för snabbväxande städer. Trafik. Trafiken är svår för oss alla, men med ett ökande antal fordon på vägarna och trängsel kan appar som försöker beräkna de bästa rutterna inte mirakulöst skapa genvägar. Men vad händer när ditt land fördubblas i storlek på 10 år? Nya vägar, nya stadsdelar, nya byggnader: det är dags för en ny karta.
Två ord för dig: Automatisk kartläggning.
Min gäst är Dr. Rade Stanojevic, som är senior forskare vid Qatar Computing Research Institute, en del av Hamad Bin Khalifa University, ett Qatar Foundation-universitet. Dr. Stanojevic studerar datornätverk och nätverksekonomi. För närvarande använder han grafteori, maskininlärning och andra tekniker för att försöka bygga mer exakta modeller av verklig trafik i Doha, Qatar och andra städer.
Innan han började på QCRI tillbringade han tid som personalforskare vid Madrid Institute for Advanced Studies Network Institute och Telefonica I&D i Spanien.
Det här avsnittet av Business Lab är producerat i samarbete med Qatar Foundation.
Välkommen, Dr Stanojevic.
Rade Stanojevic: Det är fantastiskt att vara med dig idag, Laurel. Tack.
Laurel: Så på sistone har du fokuserat på en mycket specifik fråga, som är hur man skriver kartprogram som kan generera mer exakta uppskattningar av restiden om någon kör från punkt A till punkt B. Och alla som någon gång har fastnat i trafiken pga. de valde fel vägar kan förstå varför det kan vara användbart. Men kan du förklara varför förståelse av trafik är ett nätverksvetenskapligt problem och vilka insikter en nätverksanalysmetod kan ge?
Rade : Så för att få en korrekt förståelse av problemet du just nämnde, hur man färdas från punkt A till punkt B, behöver du i princip två saker. Du behöver en korrekt karta och en exakt trafikmodell ovanpå kartan. Och dessa två problem är både nätverksvetenskap och maskininlärningsproblem. Så om du tänker på vägnätet som ett nätverk eller en graf så är detta nätverk i grunden en lista med kanter, en lista med noder och en lista med kanter, där kanten är vägsegmentet. Detta vägsegment, det som gör detta vägnät till ett intressant objekt att studera, är komplexiteten som kommer från egenskaperna hos dessa kanter i nätet.
Så egenskaperna hos denna vägsegment, vi kan dela upp dem i två typer. En är statiska egenskaper. Det är saker som hastighetsbegränsning, antal körfält, typ av betalning etc. Och det här är sådana saker som när du väl får det rätt, så har du det rätt för alltid.
Å andra sidan finns det egenskaper hos vägnätet som är mer dynamiska. Så det här är den typen av saker som är relaterade till trafiken, trängselnivån, medelhastigheten, som beror på tid på dygnet, veckodag. Vissa händelser som vi inte riktigt kan förutse i förväg osv. Att förstå både vägnätets underliggande statiska karaktär och de dynamiska delarna som kommer från trafiken är det som gör hela detta problem intressant och användbart för vardagen, och i synnerhet affärsfallen som vi förmodligen kommer att prata om lite senare det, som vi sysslar med.
Laurel: Tja, på tal om dynamisk, Qatar nästan fördubblades i befolkning på bara 10 år, och så detta skapar ett enormt problem, eftersom nya vägar och nya byggnader byggs och förare sitter fast i trafiken, men de hade dessa snabbt föråldrade kartor som precis blev föråldrade . Hur såg du detta som en möjlighet att hjälpa dessa förare och städerna själva?
Rade : Oh Jösses. Så var och en av oss som växte upp i Europa eller USA kunde eller kan förmodligen inte förstå i vilken skala dessa städer växer. Så i min hemstad, som är en stad med 200 eller 250 000 invånare, var den enda verkliga förändringen i vägnätets infrastruktur som hände under de senaste 20 åren sedan jag var barn bara den enda bro som byggdes. Men i staden Doha ser nästan varje stadsdel en ny gångtunnel, ny överfart, ny stor motorväg som läggs till varannan månad. Så med den sortens hastighet som staden växer med kan de traditionella karttjänsterna inte riktigt hänga med i takten. Och det orsakade en enorm överraskning för de flesta av oss som kom från Europa eller Nordamerika. Vi blev förvånade när vi anlände till staden och insåg att alla tjänster som vi tar för givna som Google Maps eller Bing Maps eller Apple Maps, oavsett vad din digitala favoritkarta är, så fungerar de helt enkelt inte. De arbetar inte i staden Doha.
Och anledningen till att de inte fungerar är för att de inte byggdes på antagandet att infrastrukturen förändras lika snabbt som den gör i Doha. Så på institutet, på QCRI, insåg vi att många av dessa frågor kan besvaras med nätverksvetenskap och maskininlärning. Och flera av oss började titta på problemet med automatisk kartslutning. Vi började med detta någon gång under 2017, och vi insåg att det här problemet är både otroligt viktigt för många utvecklingsstäder, men också mycket utmanande. Och vi gjorde stora framsteg i den delen, med att förstå det underliggande nätverket. Och senare insåg vi hur vi kan lägga till dessa dynamiska egenskaper hos kartan, som är relaterade till trafiken.
Laurel: Jag tycker att det är ett riktigt bra sätt att försöka förklara för folk som kanske inte förstår att en ny motorväg läggs till eller en ny påfartsramp eller en ny överfart till varje stadsdel som det är häpnadsväckande, eller hur?
Rade : Det är häpnadsväckande. Så i princip under de senaste sju åren, sedan 2013, har längden på väginfrastrukturen i staden Doha tredubblats. Så det är verkligen svårt att faktiskt vira huvudet runt det numret. Det är en otrolig mängd infrastruktur som byggs. Allt detta är en del av projektet som är inriktat på att bygga den lämpliga infrastrukturen för fotbolls-VM som pågår om cirka 18 månader här i Doha, fotbolls-VM, eller som ni i Nordamerika skulle säga fotboll.
Laurel: Så varför hade karttillverkarna som Google, Bing och Apple Maps sådana problem att hänga med? Som hur uppskattar de traditionellt restider och kartläggning? Skickar du runt Google-bilen för att kartlägga stadsdelar?
Rade : Det är faktiskt en intressant fråga. Så i princip de flesta av de traditionella karttillverkarna som Google Maps eller Here Maps eller Bing Maps, de har normalt en statisk karta som de köper en gång vartannat år, från antingen regeringen eller de lokala kartleverantörerna. Och sedan kör de under antagandet att dessa kartor ändras då och då, och att de kan fånga dessa förändringar, observera någon sorts data som är tillgänglig för dem, antingen genom att spåra telefonerna där de har någon form av platsaktiverade tjänster, eller på annat sätt. De underliggande antagandena att vägnäten inte förändras så ofta. Så närhelst vägnätet ändras, skulle de kräva en mänsklig annotator för att märka ändringen och uppdatera kartan. Men i en stad som Doha, där förändringar sker ständigt och dagligen, bryts detta underliggande antagande.
En större korsning som ändrades någon gång under 2016, när vi flyttade, när jag flyttade till Doha, bara några hundra meter från vårt kontor, tog det cirka 18 månader för den korsningen att reflekteras i Google Maps. Så i princip var den korsningen osynlig för Google Maps i cirka 18 månader. Och alla de vägar som borde dirigeras genom den korsningen skulle i princip tvinga förarna att gå och ta en stor omväg som var helt onödig. Och Google blev bättre med åren, Google och andra karttjänster, de blev bättre med tiden. De känner igen problemet och nu tar det inte 18 månader för dem att återspegla förändringen. Nu är den processen förkortad till ett par månader. Men ändå kan även ett par månader vara mycket om en chaufför eller en taxi eller en leveranschaufför kräver en exakt och optimal rutt. Och vi såg det som en möjlighet att lösa problemet med så mycket data som vi kunde skaffa och så snabbt som möjligt.
Laurel: Ja, en svarstid på två månader verkar omöjlig i allas realtidsliv, eller hur? Så hur hittade du och ditt team egentligen ett bättre sätt att uppskatta restider? Berätta historien om taxibolaget Karwa.
Rade : Det är en intressant historia, men låt mig bara säga några ord om vad som är nyckelingrediensen för att ta itu med problemet med exakta rutter och exakta restider i den snabbt utvecklande staden Doha. Den viktigaste ingrediensen är att ständigt uppdatera kartorna. Så att observera kartan, observera förändringarna som sker och åtgärda dem så snabbt som möjligt, helst på ett helautomatiskt sätt, är nyckeln. Så vi skulle inte kunna göra det utan partnerskapet med Karwa.
Så Karwa är ett lokalt taxibolag som driver omkring 3 000 fordon i staden. Det producerar en stor mängd information som vi använder för att bygga den underliggande kartan och även för att bygga trafikmodellen ovanpå kartan. Och det finns en intressant historia om hur vi startade det här projektet. Så det här projektet startade enbart som ett forskningsprojekt, som jag nämnde, kanske någon gång 2017 eller början av 2018, hade vi vårt första möte med taxibolaget. Och vid den tidpunkten gjorde vi vissa framsteg när det gäller karttjänsterna, det automatiska kartinferensprojektet som jag nämnde för några minuter sedan. Men efter att vi delade de första resultaten med dem berättade de att de använde Google Maps. De var inte hundra procent nöjda med det, men det faktum att hela tjänsten var relativt billig, någonstans i storleksordningen mellan $10 000 och $20,000 per år, det var inte en stor post i deras årliga räkning. Och de sa till oss i princip att vi egentligen inte oroar oss för den här typen av problem eftersom vi köper den informationen inte är idealiskt korrekt, men den är tillräckligt billig för att vi inte ska oroa oss för det.
Och då höll vi med om det. Det var bara, det är så det är. Om Google eller kommersiella karttjänster kan sälja det för ett så lågt pris, är det inte riktigt vettigt för taxiföretaget att oroa sig mycket för det. Men Google Maps, och även många andra kartleverantörer, höjde priserna på dessa kartAPI-tjänster med en faktor på 10 till 20 någon gång i slutet av 2018. Och vid den tidpunkten med tillväxten av deras volym växte deras räkningar från tiotusentals dollar till hundratusentals dollar, i stort sett över en natt. Vid den tidpunkten var de mycket mer mottagliga för idén att bygga tjänsten som kan hjälpa dem att raka bort några hundra tusen dollar per år av den karttjänsträkningen. Och vid den tidpunkten började vi undersöka problemet. Vid den tidpunkten kunde vi inte riktigt säga om vi kan bygga en produkt som har en kvalitet som är jämförbar med de kommersiella kartorna. Och det var där vår resa började.
Någon gång i slutet av 2018 hade vi redan en hel del förståelse och erfarenhet av hur man gör den här sortens saker. Men vi började faktiskt arbeta med produkten någon gång i slutet av 2018, och i mitten av 2019 hade vi en produkt redo för testning. Och det tog ett par månaders testning för att faktiskt ta reda på hur bra vi är jämfört med Google Maps. Och resultaten var verkligen imponerande när det gäller kvaliteten på våra resultat, i hastigheten på våra svar, i tillgängligheten av våra resurser. Och så någon gång sent under 2019 bytte det lokala taxibolaget med 3 000 fordon från de kommersiella kartorna, från Google Maps, till att använda våra tjänster.
Så det var en stenig väg, det tog oss ett par år att åka fram och tillbaka. Och jag skulle nog säga att det stora steget var införandet av denna nya prissättning, den tid då Google insåg att de faktiskt kan tjäna pengar på detta och där de höjde priserna med en faktor på 10 till 20, det var en deal breaker för oss. Utan det skulle vi förmodligen inte få det här att hända.
Laurel: Det är en oerhört enorm ökning när du förmodligen är ett taxibolag som kanske eller kanske inte går bra, beroende på hur konkurrenskraftig den typen av samåkning är.
Rade : Exakt, det gjorde en stor affär. Så i princip är taxiföretag i allmänhet företag med mycket låg vinstmarginal. Så de bryr sig om varenda liten krona de kan spara.
Laurel: Så hur tillhandahåller du liknande tjänster till lägre kostnader? Beror det på att du inte har överkostnader för en Google Map eller en Waze?
Rade : Så vi tycker om att se vårt system som ett mycket lätt Google Maps för företag. Så Google Maps tar förmodligen runt 1 miljard dollar, allmänheten, jag menar, det är svårt att komma med en exakt uppskattning av hur mycket Google investerar i kartor varje år, men vissa grova uppskattningar är i storleksordningen 1 miljard dollar per år. Och det är en enorm investering. Men för den speciella typen av applikationer som leverans- och taxiföretag behöver behöver du inte riktigt alla maskiner som Google Maps använder. Så vi tycker om att tänka på vårt system som vi myntade QARTA – QARTA är ett ord som finns på många språk, ett ord som används för kartor – så vårt system som heter QARTA är väldigt lätt, så vi tar i princip bort alla onödiga block och vi behåller alla de saker som är nödvändiga för att svara på den typ av frågor som leveransföretagen, last-mile-leveransföretagen, logistikföretagen eller samåkningsföretagen eller taxiföretagen behöver för att driva sin verksamhet. Och genom att göra det kan vi hålla driftskostnaden så liten som möjligt.
Laurel: QARTA, men med ett Q, vilket är en nick till Qatar, vilket är fantastiskt.
Rade : QARTA med en Q. Om du permuterar bokstäverna får du namnet på landet vi befinner oss i, Qatar.
Laurel: Det är rätt. Så berätta mer om tekniken. Du använde maskininlärning med data från Karwa för att försöka ta reda på det bästa sättet att justera restidsuppskattningarna beroende på tid på dygnet, et cetera. Så kan du prata lite mer om det tillvägagångssättet? Som hur höll du din data i realtid?
Rade : Så maskininlärning är bra när du vill fånga komplexa relationer å ena sidan, och du har också tillräckligt med data för att fånga dessa relationer och träna dina maskininlärningsmodeller. Så, lyckligtvis nog, har moderna fordonsflottor dessa övervakningssystem som producerar ganska mycket data. Produktion av denna data gör denna maskininlärning möjlig. Jag skulle säga för 10 eller 15 år sedan, de flesta taxibilar skulle inte ha den GPS-spårningen aktiverad. Och sedan utan sådan GPS-spårning hade all denna maskininlärning inte varit möjlig. Men vi har turen att samarbeta med Karwa, som har det där rika övervakningssystemet som i princip hjälper oss att fånga in den datan, bearbeta den och ta reda på de två viktiga ingredienserna som jag just nämnde, men jag kommer att upprepa dem igen, förstå det underliggande vägnätet å ena sidan och förstå trafiken som går ovanpå det.
Så all den informationen tillåter oss att inte bara vara jämförbara med kommersiella kartor, utan också att raka bort några tiotals sekunders fel för varje resa. Och dessa få tiotals sekunder leder till att effektiviteten ökar med någonstans mellan 5 och 10 procent. Det är verkligen svårt att komma på det exakta antalet hur effektiviteten förbättras genom förbättring av felen i den underliggande digitala kartan. Det här kanske inte låter mycket, men som jag nämnde, i ett företag som har en mycket snäv vinstmarginal, är det en enorm affär att förbättra effektiviteten för fem procent.
Eller med andra ord, om du har en flotta på 3 000 bilar, är fem procent av det 150 bilar. Du kan i princip ta bort 150 bilar från vägen och inte tappa några affärer. Och att ta bort 150 bilar innebär en kostnadsminskning på X miljoner dollar per år. Så vad jag försöker säga är att alla dessa små saker, några sekunder här, några få procent där, faktiskt betyder något på grund av den ökade effektiviteten, och ökad effektivitet resulterar i en bättre ekvation för kostnadsinkomster.
Laurel: Och det är också viktigt för kollektivtrafiken, för statliga myndigheter som försöker spara den lilla andelen här eller där när de försöker bli mer effektiva.
Rade : Absolut. Egentligen offentliga tjänster här, kollektivtrafiken här är väldigt, väldigt omogen. Så mycket av kollektivtrafiken är beroende av taxi- och samåkningstjänster. Det finns någon sorts uppskattning att taxi- och samåkningstjänsterna tar över 80 procent av kollektivtrafiken. Så bussnätet är väldigt glest. Så för det mesta, om du inte äger en bil och du vill flytta från A till B, kommer du att ringa en taxi eller Uber eller liknande transporttjänst. För närvarande byggs tunnelbanan, och det är en del av de infrastrukturprojekt som vi pratade om tidigare. Den första linjen öppnades förra året. Och följande två linjer öppnas i år. Förhoppningsvis med att kollektivtrafiken blir lite mer regelbunden och kollektivtrafiknätet lite tätare kommer behovet av taxi förhoppningsvis att minska.
Laurel: Så på tal om att försöka bygga ett bättre samhälle, QCRI är ett av Qatar Foundations forskningsinstitut. Och Qatar Foundations mål är att, ett, främja banbrytande forskning inom områden av nationell prioritet för Qatar, och två, att också stödja hållbar utveckling och ekonomisk diversifiering. Men den här typen av mål har fördelen att hjälpa hela världen. Så klart att det arbete du gör passar båda dessa kriterier. Vilken är den bredare betydelsen av att bygga smartare och billigare kartsystem, såväl som transportsystem? Hur skulle denna teknik kunna hjälpa andra växande stadscentra i Mellanöstern och resten av världen?
Rade : Så, en intressant sak om kommersiella kartor och många av de högteknologiska produkterna som byggs i Europa och Nordamerika: De är byggda i den utvecklade världen och för den utvecklade världen. Så kommersiella kartor är inget undantag där borta. De är utvecklade med en viss användare i åtanke, och den användaren kommer normalt med en djup ficka och kommer normalt i en värld där vägarna inte ändras så ofta. Dessa två antaganden är brutna i utvecklingsländerna. Att betala ett par dollar per månad kanske inte är en stor sak för en taxi som kör i Boston eller Madrid. Men några dollar per månad per taxi är kanske 10 procent av lönen för en förare i New Delhi eller Kuala Lumpur. Så vi ser QARTA som en lösning som jag nämnde, en lättviktslösning, som kan möta behoven utan att gå djupt i fickorna på dessa transportleverantörer.
Det hänger lite ihop med Qatar Foundations uppdrag att hjälpa utvecklingsländerna. Vi ser vår målmarknad för systemet som vi bygger i utvecklingsländerna. Jag tror inte att vi kan konkurrera med världens Googles i den utvecklade världen av de skäl som jag just beskrev. Vi har inte resurserna och förväntningarna hos användarna i väst är något annorlunda än förväntningarna i utvecklingsvärlden. Detta är en av anledningarna till varför vi själva och vårt ledarskap är glada att driva på för Qatar.
Laurel: Det är utmärkt. Men hur reagerar du på den eventuella nya vågen av autonoma fordon? Är det något som verkligen hjälper dig att möta den här utmaningen?
Rade : Åh wow, ja, jag är väldigt, väldigt exalterad över eran av autonoma fordon. Det är svårt att säga när den eran kommer, men ju närmare vi kommer det datumet, desto viktigare blir rollen av korrekta digitala kartor. Så en grad av rapporteringsmöjlighet för autonoma fordon är deras förmåga att optimera rutterna och körningen i allmänhet, för att minska ineffektiviteten i mänskligt beslutsfattande. Så till exempel tenderar människor att använda suboptimala vägar. Så varje gång jag går hemifrån till jobbet, varje gång jag tar den här vägen, gillar jag inte att utforska. Jag har vänner som faktiskt, varje gång de sätter sig i bilen, skriver in destinationen och de letar efter den optimala rutten vid just den tidpunkten. Jag är inte en av de människorna. Jag tar samma väg varje dag. Den kognitiva belastningen för mig att oroa mig för den optimala vägen är något jag egentligen inte vill oroa mig för.
Men med autonoma fordon skulle folk inte behöva oroa sig för det. Du kunde bara trycka på knappen och det autonoma fordonet skulle ta den optimala vägen för dig när du går in i bilen. Så det är ett sätt för de autonoma fordonen att hjälpa dig att spara några minuter här, ett par minuter där, förmodligen ett par timmar varje månad.
Dessutom kan autonoma fordon med en exakt förståelse av vägnätets infrastruktur och all dynamik som pågår, autonoma fordon optimera för något slags globalt optimum. Mycket ofta tenderar människor att vara giriga. Och genom att vara giriga kan vi alla hamna på motorvägen. Och genom att hoppas på att spara några minuter kan vi få så mycket trängsel på motorvägen att vi alla lider. Genom att ha någon sorts global bild av vad som händer i hela staden kan autonoma fordon faktiskt omdirigera oss till någon form av global lastbalansering för att hjälpa alla att ha det bättre.
Och hur långt är vi därifrån? Jag skulle inte säga att vi är så långt, men vi är förmodligen några år, om inte ett decennium bort från den globalt optimala routing, som jag verkligen, verkligen ser fram emot. För om man tänker efter så finns det så mycket väginfrastruktur där ute. Om du tänker på hur många gator som finns där ute i staden Boston och staden Doha. Utnyttjandet av dessa resurser är dock något skevt mot väldigt få större vägar som till slut blir överbelastade under rusningstid. Och jag är en sann övertygande om att globalt optimal schemaläggning av ruttbesluten avsevärt kan minska trängseln i staden och hjälpa våra liv i allmänhet. I grund och botten kan vi spendera några timmar varje vecka mindre i trafiken jämfört med vad vi gör nu för tiden. Å andra sidan, om det blir så lätt att resa, kan det sluta med att vi reser mer. Men det är en separat sak att oroa sig för.
Laurel: [Ljudförvrängda] utmaningar som att minska energi och designa nya internettjänster?
Rade : En sak som jag håller mig sysselsatt med på sistone är utnyttjandet av den värld vi redan har. Så allt relaterat till digitala kartor och exakt trafikförståelse för att hjälpa till att minska CO2-utsläppen. Så CO2-utsläpp, jag menar, det finns människor som tror och det finns de människor som inte tror på en växthuseffekt och global uppvärmning, men CO2-utsläpp, och i allmänhet, bensinförbrukning är en enorm affär. Och transporter bidrar till det på ett icke-trivialt sätt. Jag tror starkt på att förståelse för trafiken kan raka bort ett par procent av CO2-utsläppen och även bensinförbrukning, och det kan ge omedelbar effekt i sänkta räkningar som vi betalar för bensin, men också långsiktigt minskningen av CO2-utsläpp är liksom obligatoriskt. På ett eller annat sätt kommer vi att behöva hitta ett sätt att hantera den frågan, och jag tror att kombinationen av autonom körning, elbilar och någon form av minskning av ineffektiviteten kommer att bli nödvändig. Och för att göra det kommer den underliggande trafikkartan att vara till stor hjälp.
Så låt mig bara ge dig ett exempel. Om din bil och du som förare hade en tillräckligt bra förståelse för hur länge det gröna ljuset fortfarande är grönt, kan du ha ett välgrundat beslut om du vill behålla din körning i 50 kilometer i timmen, eller om du kanske vill sakta ner ner och slösa inte med den bensinen eftersom lampan blir röd på ett par sekunder, och du kommer bara att slösa bort all energi med att köra fort precis framför trafikljuset. Det är den här typen av saker som jag jobbar på för tillfället, och förhoppningsvis kommer vi att kunna rapportera något intressant, men det pågår fortfarande.
Laurel: Dr. Stanojevic, tack så mycket för att du kom med oss idag. Det har varit ett bra samtal på Business Lab.
Rade : Tack så mycket, Laurel. Det var fantastiskt att prata med dig.
Laurel: Det var Dr Rade Stanojevic, en huvudforskare vid Qatar Computing Research Institute, en del av Hamad Bin Khalifa University, ett Qatar Foundation-universitet, som jag pratade med från Cambridge, Massachusetts, hem för MIT och MIT Technology Review, med utsikt över Charles River.
Det var allt för det här avsnittet av Business Lab. Jag är din värd, Laurel Ruma. Jag är chef för Insights, den anpassade publiceringsavdelningen av MIT Technology Review. Vi grundades 1899 vid Massachusetts Institute of Technology, och du kan hitta oss i tryckt form, på webben och vid evenemang runt om i världen. För information om oss och showen, kolla in vår hemsida på technologyreview.com.
Den här showen är tillgänglig var du än får dina poddar. Om du gillade det här avsnittet hoppas vi att du tar dig tid att betygsätta och recensera oss. Business Lab är en produktion av MIT Technology Review. Det här avsnittet producerades av Collective Next. Tack för att du lyssna.
Det här podcastavsnittet producerades av Insights, den anpassade innehållsdelen av MIT Technology Review. Den producerades inte av MIT Technology Reviews redaktion.