@odanilogato: Link: https://link.cpdf.ai/maps-tt O Google Maps sabe que tem trânsito antes de você chegar 🚗 Sem câmeras e sem sensores no asfalto: quem avisa são os celulares. Com a localização ligada, cada um manda de forma anônima a velocidade em que está andando. Um celular sozinho quase não diz nada, mas centenas deles na mesma avenida mostram onde o trânsito parou. Se ali o normal é 105 km/h e um monte de aparelhos caem pra 25, tem trânsito. Como o GPS erra perto de prédios e viadutos, o Maps cruza a posição, a direção, a velocidade e o desenho das ruas pra saber em qual pista cada celular está de verdade (isso se chama map matching). Depois compara com o que costuma acontecer naquele horário. Desde 2020 essa previsão usa uma rede neural da DeepMind, que melhorou a precisão do tempo de chegada em até 50% em cidades como São Paulo. Pra calcular a rota, a cidade vira um grafo: os cruzamentos são os pontos, os trechos são as ligações e o peso de cada uma é o tempo pra passar por ela. Por isso a rota mais curta nem sempre é a mais rápida. Tudo isso foi pesquisado pela minha agente de IA nos documentos oficiais do Google e da DeepMind. Ela também modelou o 3D, criou e editou este vídeo. No dia 17, na Imersão, eu ensino a criar uma agente assim. O ingresso está por menos de 50 reais, no link aqui em cima. Fontes, na ordem do vídeo: Google, "The bright side of sitting in traffic: Crowdsourcing road congestion data", Official Google Blog, 2009 Johann Lau (Google Maps), "Google Maps 101: How AI helps predict traffic and determine routes", blog do Google, 2020 Newson e Krumm (Microsoft Research), "Hidden Markov Map Matching Through Noise and Sparseness", ACM SIGSPATIAL, 2009 Lange e Perez (DeepMind), "Traffic prediction with advanced Graph Neural Networks", blog da DeepMind, 2020 Edsger W. Dijkstra, "A note on two problems in connexion with graphs", Numerische Mathematik, 1959

Danilo Gato

Open In TikTok:

Region: BR

Friday 09 October 2026 11:07:36 GMT