ADPT

Google Maps ใช้ Machine Learning ช่วยคาดการณ์ความยากในการหาที่จอดรถตามสถานที่ต่างๆ

ก่อนหน้านี้ Google ได้เผยฟีเจอร์ใหม่ ระบบช่วยคาดการณ์ความยากในการหาที่จอดรถตามสถานที่ต่างๆใน Google Maps ล่าสุดได้เผยข้อมูลเพิ่มเติมเกี่ยวกับการใช้ Machine Learning สำหรับฟีเจอร์นี้เพิ่มเติมแล้ว

ฟีเจอร์นี้ช่วยให้ผู้ใช้งานสามารถคาดการณ์ความยากในการหาที่จอดรถของสถานที่ที่กำลังจะไปถึงได้ โดยความยากของระบบนี้อยู่ที่ไม่มีระบบที่สามารถตรวจสอบได้แบบ Real-time โดยมีความไม่แน่นอนซึ่งเกิดจากช่วงเวลาและการจัด Event ต่างๆในสถานที่ใกล้เคียง ซึ่งที่จอดรถในสถานที่ต่างๆ โดยเฉพาะจุด Free Parking นั้น แทบไม่สามารถคาดเดาได้ว่าจะมีที่จอดรถว่างเหลือเท่าไหร่ หรือบางสถานที่ที่มีระบบแสดงจำนวนที่จอดรถว่างก็อาจมีการนับจำนวนผิดพลาดได้ เนื่องจากอาจมีผู้จอดรถผิดกฏหรือได้ออกจากจุดจอดรถไปก่อนเวลาแล้ว

เพื่อแก้ไขปัญหาเหล่านี้ Google ได้ใช้วิธีการ Crowdsourcing และ Machine Learning เข้ามาช่วยในการทำนาย สำหรับ Machine Learning ได้ใช้ 3 โมเดลหลัก จากโมเดลที่ได้เลือกขึ้นมากว่า 20 โมเดล ดังนี้

  • Ground Truth Data – ใช้หลักการถามผู้ที่ได้เข้าไปจอดรถในที่แห่งนั้น แต่จะไม่ได้ถามตรงๆว่าที่แห่งนั้นจอดรถยากหรือไม่ เนื่องจากแต่ละคนมีเกณฑ์ความยากไม่เท่ากัน แต่จะถามทางอ้อมแทน เช่น ใช้เวลาในการหาที่จอดรถนานเท่าไหร่? ส่งผลมีผู้ที่ตอบคำถามมามากกว่า 1 แสนครั้ง ซึ่งนับว่าเป็นข้อมูลที่มีความแมนยำระดับสูง
  • Model Features – ใช้ข้อมูลจาก Live Traffic, Popular Times และ Visit Durations เข้ามาประกอบกัน โดย Google จะมีข้อมูลเหล่านี้อยู่แล้ว เช่น ช่วงเวลาที่คนส่วนใหญ่มาสถานที่แห่งนี้ในแต่ละวัน (Popular Times) และเวลาที่ใช้ไปกับสถานที่แห่งนี้ (Visit Durations) ซึ่งหากนำมาประกอบกับข้อมูลก่อนหน้านี้จะช่วยให้สามารถคาดเดาได้ระดับหนึ่ง
  • Model Selection & Training – Google ใช้ Logistic Regression Model  เนื่องจากสามารถทำความเข้าใจได้ง่าย และไม่ได้รับผลกระทบจาก Noise ที่เกิดจากข้อมูลมากนัก และให้ผลลัพท์ที่สามารถทำความเข้าใจได้ง่าย เช่น “Limited Parking” หรือ “Easy”

ซึ่งในช่วงแรกที่เปิดให้ใช้งานฟีเจอร์นี้ สังเกตได้ว่าหากความยากในการหาที่จอดรถอยู่ในเกณฑ์ที่ยาก จะทำให้ผู้ใช้งานเลือกสลับไปใช้งานบริการขนส่งสาธารณะแทนมากขึ้น โดย Google จะคอยฟังเสียงตอบรับจากผู้ใช้งานและคอยปรับปรุงฟีเจอร์นี้อยู่เสมอ และในอนาคตอาจจะทำระบบคอยแนะนำสถานที่จอดรถให้ผู้ใช้งานโดยอัตโนมัติ

ปัจจุบันฟีเจอร์นี้เปิดให้ใช้งานเฉพาะเมืองใหญ่ๆในสหรัฐอเมริกาเท่านั้น ได้แก่ San Francisco, Seattle, Miami, Atlanta, Boston, Charlotte, Chicago, Detroit, Los Angeles, Minneapolis/St. Paul, New York City, Orlando, Philadelphia, Pittsburgh, San Diego, St. Louis, Tampa, Washington, DC, Cleveland, Dallas/Fort Worth, Denver, Houston, Phoenix, Portland และ Sacrament

ที่มา : https://research.googleblog.com/2017/02/using-machine-learning-to-predict.html


About เด็กฝึกงาน TechTalkThai หมายเลข 1

นักเขียนมือใหม่ผู้หลงใหลใน Enterprise IT และซูชิ

Check Also

[Guest Post] เพิ่มความคล่องตัว สร้างความมั่นคง และเปลี่ยนให้ธุรกิจมีความยืดหยุ่น ผ่านบริการ Fujitsu Work Life Shift

ธุรกิจในปัจจุบันต้องเผชิญกับสถานการณ์ที่ทำให้รูปแบบการทำงานจะไม่เหมือนเดิมอีกต่อไป องค์กรแต่ละแห่งต้องสามารถดำเนินการ อยู่รอด และเติบโตได้ ไม่ว่าโลกรอบตัวจะเปลี่ยนแปลงไปอย่างไร การนำเทคโนโลยีมาประยุกต์ใช้เพื่อเพิ่มประสิทธิภาพการทำงาน และสร้างรูปแบบเรียนรู้อย่างรวดเร็ว สร้างกลยุทธ์ ที่สามารถปรับเปลี่ยนทันท่วงที ถือเป็นกุญแจสำคัญในการปลดล็อกความสำเร็จ ซึ่งคุณพรชัย พงศ์เอนกกุล หัวหน้ากลุ่ม DX Modernization บริษัท ฟูจิตสึ (ประเทศไทย) จำกัด ได้ให้ข้อมูลเกี่ยวกับ Fujitsu Work Life Shift หนึ่งในบริการสำคัญที่ช่วยให้ฟูจิตสึสามารถปรับตัว รับมือกับความท้าทาย พลิกโฉมการทำงาน ขับเคลื่อนธุรกิจในยุค New Normal และเติบโตได้อย่างยั่งยืน ที่สำคัญ วันนี้ฟูจิตสึพร้อมแล้วที่จะถ่ายทอดองค์ความรู้ และนำ Fujitsu Work Life Shift มาสู่องค์กรในประเทศไทย เพื่อร่วมนำพาธุรกิจไปข้างหน้าร่วมกัน บทความนี้จึงขอสรุปรูปแบบการให้บริการ Fujitsu Work Life Shift เพื่อให้องค์กรต่าง ๆ มองเห็นภาพ และนำไปประยุกต์ใช้ในองค์กร

[Guest Post] ชูธงเทคโนโลยี HPE GreenLake ติดปีก EHR ให้วงการสาธารณสุข

แม้ความท้าทายในแวดวงสาธารณสุขจะเกิดขึ้นมาอย่างยาวนานก่อนไวรัสโควิด-19 เห็นได้จากแนวโน้มด้านประชากรศาสตร์ เช่น โครงสร้างสังคมผู้สูงอายุทั่วโลก การเพิ่มขึ้นอย่างมากของโรคเรื้อรังต่างๆ เช่น โรคอ้วน และเบาหวาน การขาดแคลนบุคลากรด้านสาธารณสุข ซึ่งองค์กรอนามัยโลก คาดการณ์ว่า โลกจะขาดแคลนบุคลากรด้านสาธารณสุขราว 13 ล้านคนภายในปี 2035 หรือค่าเวชภัณฑ์ที่เพิ่มขึ้นต่อเนื่องทำให้ความมั่นคงด้านการเงินของระบบสาธารณสุขเป็นเรื่องที่น่ากังวลเช่นเดียวกัน