Google Maps: Como mapeamos o mundo?

image.png

O mundo é um lugar bonito, um pouco confuso e em constante mudança – estradas que são adicionadas, novos edifícios construídos e novos negócios abertos todos os dias.

Como é que a Google Maps faz mapas de um mundo em constante evolução?

São necessárias várias e diferentes etapas e uma combinação exemplar de pessoas, técnicas e de tecnologia.
Ao longo dos próximos meses, a Google vai mostrar como desenvolve os mapas – aprofundar cada um dos elementos que utiliza para ajudar milhares de milhões de pessoas a navegar, a explorar e a fazer inúmeras coisas a partir do Google Maps. Quais os princípios básicos desta ferramenta poderosa?

Tudo começa com imagens 

O Street View e as imagens de satélite têm sido uma parte importante para identificar onde os lugares estão localizados no mundo – mostra-nos onde as estradas, os edifícios, endereços e empresas estão localizados numa determinada região, além de outros pormenores importantes. como os limites de velocidade da cidade ou os nomes dos próprios negócios locais. Em 2007, o Street View foi lançado para ajudar as pessoas a explorar virtualmente o mundo inteiro, das profundezas da Antártida ao topo do Monte Kilimanjaro. Desde então, os carros do Street View e os Trekkers já recolheram mais de 170 mil milhões de imagens de 87 países. Graças ao mais recente Trekker que está equipado com sensores HD e uma amplitude maior, a Google está a  melhorar, significativamente, a qualidade das imagens capturadas. 

image.png

Depois, a informação dos utilizadores 

Dados oficiais dão vida ao mapa. Os dados são provenientes de mais de 1.000 fontes de entidades terceiras de todo o mundo. Alguns, como o United States Geological Survey (USGS) e o Instituto Nacional de Estatística e Geografia (INEGI) no México, fornecem informações sobre todo um país. Outros, são específicos para regiões mais pequenas, como dados de um município local, uma ONG ou um promotor imobiliário. As equipas avaliam cuidadosamente todas as fontes de dados oficiais para garantir que têm os dados disponíveis mais precisos e atualizados até ao momento. Recentemente, foi lançada uma nova ferramenta para tornar mais fácil para as entidades locais submeterem os dados sobre novas estradas e endereços nas suas áreas, diretamente para o Google Maps.

Um toque humano 

Os dados e as imagens são componentes-chave na criação de mapas mas são estáticos e não conseguem acompanhar o ritmo das mudanças rápidas do mundo. Este factor leva-nos à terceira parte: as pessoas que ajudam a reunir toda a informação. Uma equipa de operações de dados em todo o mundo que desempenha um papel primordial em quase todos os aspectos da criação de mapas, desde a recolha de imagens do Street View passando pela verificação de fontes oficiais de dados até à correção de imprecisões e formação de modelos de machine learning (em apenas um segundo). 
Também a comunidade de utilizadores de Guias Locais e do Google Maps, podem corrigir o mapa através do botão Enviar feedback no Google Maps. A equipa analisa as informações e publica-as caso tenha confiança absoluta que essas mesmas informações correspondem às estradas, empresas e endereços no mundo real.                                                                            

image.png

Acelerar os processos com machine learning 

A Google quer tornar os mapas mais úteis para mais pessoas e de uma forma ainda mais rápida. Para aumentar a velocidade do mapeamento, recorre ao machine learning que permite automatizar os processos de mapeamento ao mesmo tempo que mantém os altos níveis de precisão.

Por exemplo, vejamos como mapeamos os contornos de um edifício. Anteriormente, um algoritmo que tentava adivinhar se parte de uma imagem era um edifício ou não resultava no que apelidávamos de “edifícios difusos” – blocos sem aparência que não se pareciam com construções reais quando os desenhávamos num mapa. E isto era um problema: os edifícios são mais do que meros edifícios; são pontos de referência e uma parte fundamental para que as pessoas se localizem quando estão a olhar para um mapa. Para solucionar este problema, trabalhámos em conjunto com a nossa equipa de operações para delinear contornos de construção comuns manualmente e, em seguida, usámos essas informações para ensinar os nossos algoritmos de machine learning que estes mesmos contornos correspondiam a esquinas e formas dos edifícios. Esta técnica mostrou-se eficaz, permitindo mapear o mesmo número de edifícios num ano do que aqueles que tínhamos mapeado nos últimos 10 anos.                                                                                       

Total 0 Votes
0

Tell us how can we improve this post?

+ = Verify Human or Spambot ?

You may also like...