O mundo é um lugar lindo e bagunçado, que muda o tempo todo: a cada dia surgem novas ruas, edifícios e lojas. O papel da equipe do Google Maps é modelar e refletir com precisão esse planeta em constante mudança. Muita gente nos pergunta: “como vocês criam todos esses mapas?” Bem, esse é um trabalho que exige várias etapas, e também o grupo certo de pessoas, técnicas e tecnologias.

Ao longo dos próximos meses, vamos publicar uma série de textos mostrando de perto como criamos nossos mapas. Traremos detalhes sobre cada um dos elementos que usamos para ajudar mais de um bilhão de pessoas a navegar e explorar o mundo, e a realizar uma porção de tarefas. Essa série começa hoje, com uma visão geral sobre as etapas mais básicas do processo.

Tudo começa com imagens 

Há tempos o Street View e as imagens de satélite se transformaram em peças essenciais para identificar onde ficam diferentes lugares no mundo. Essas ferramentas mostram onde estão ruas, estradas, edifícios, endereços e empresas em cada região, além de fornecer informações importantes como limites de velocidade e nomes de companhias e lojas. O Street View foi lançado em 2007 para permitir que as pessoas visitassem o mundo inteiro de forma virtual – das profundezas da Antártida ao cume do monte Kilimanjaro. Nos 12 anos que transcorreram desde então, o carro do Street View e nossos trekkers já coletaram mais de 170 bilhões de imagens em 87 países. Os novos modelos de trekkers são equipados com sensores de altíssima resolução e maior abertura, e graças a eles melhoramos consideravelmente a qualidade das imagens que registramos.  

Um trekker do Street View

Em seguida, acrescentamos dados

Um mapa ganha vida quando acrescentamos a ele dados precisos. Nossos dados vêm de mais de mil fontes terceirizadas de todo o mundo. Algumas, como o Departamento de Pesquisa Geológica dos Estados Unidos (USGS, na sigla em inglês) e o Instituto Nacional de Estatísticas e Geografia do México (INEGI), fornecem informações sobre países inteiros. Outras trazem dados sobre áreas específicas, como um município, uma ONG ou uma construtora de imóveis. Nossa equipe avalia com cuidado cada uma dessas fontes, para garantir que a gente trabalhe apenas com os dados mais precisos e atuais disponíveis. Recentemente, adotamos uma nova ferramenta que facilita o upload de dados por governos locais, permitindo que autoridades carreguem, diretamente no Google Maps, informações sobre novas ruas e endereços em sua região. 

Imagem de desenho de ruas fornecido por um de nossos parceiros, o Instituto Nacional de Estatística e Geografia do México

Depois vem o toque humano 

Dados e imagens são fundamentais para a criação de mapas, mas são estáticos, e nem sempre acompanham o ritmo veloz das mudanças do mundo. Isso nos leva à terceira peça do quebra-cabeça: as pessoas que costuram tudo isso numa trama só. Nossa equipe de operações de dados está distribuída por todo o mundo, e trabalha em praticamente todos os aspectos da produção de mapas: reunir imagens do Street View, verificar se as fontes de dados são confiáveis, corrigir imprecisões nos mapas e treinar modelos de aprendizado de máquina (vamos falar mais sobre isso daqui a pouquinho). 

Além disso, contamos com uma comunidade de Local Guides e usuários capazes de corrigir mapas usando o botão “enviar feedback” disponível no Google Maps. Nossa equipe revisa as informações enviadas pelos usuários e as publica sempre que tem um alto grau de confiança no fato de que a correção reflete com precisão as ruas, empresas e endereços do mundo real.

A equipe de operações de dados em ação

Aprendizado de máquina acelera o processo 

A soma de imagens, dados precisos e trabalho humano nos trouxe ao ponto de evolução em que estamos hoje. Mas queremos que nossos mapas se tornem ainda mais úteis, para mais gente, mais rápido. Estamos usando o aprendizado de máquina para aumentar a velocidade do processo de mapeamento. Essa tecnologia permite que nossa equipe automatize o mapeamento e, ao mesmo tempo, preserve um alto grau de precisão. 

Vamos usar como exemplo nosso método para mapear o desenho de construções. No passado, havia um algoritmo que tentava adivinhar se determinada parte de uma imagem fazia ou não parte de um edifício ou construção. Esse processo resultava no que chamamos de “construções difusas” – pontos amorfos que não se pareciam com edifícios reais quando colocados num mapa. Isso era um problema, porque construções não são apenas construções: elas são marcos e referências fundamentais para que as pessoas se localizem quando observam um mapa. Trabalhamos com a equipe de operações de dados para resolver essa questão. Estabelecemos manualmente os desenhos mais comuns de construções, e em seguida usamos essa informação para ensinar nossos algoritmos de aprendizado de máquina a identificar imagens que correspondam aos formatos e às extremidades dos edifícios. Essa técnica se mostrou eficaz e nos permitiu mapear, em apenas um ano, a mesma quantidade de construções que havíamos mapeado nos dez anos anteriores. 

Desenhos de construções difusas no Google Maps
Polígonos claros e bem desenhados de construções

Nosso trabalho é uma maratona – e não uma prova de cem metros 

Mapas são fundamentais para o avanço da sociedade. Eles conectam as pessoas entre si, impulsionam o crescimento da economia, ajudam usuários a descobrir novas lojas, empresas e restaurantes, e a realizar as mais diversas tarefas. Avançamos muito ao longo dos últimos anos, e hoje temos mapas em mais de 220 países e territórios. Sabemos, porém, que ainda há muito a fazer. Cada região tem necessidades específicas, e enfrenta diferentes desafios de mapeamento. No próximo texto desta série, vamos descobrir de que forma um componente – as imagens – nos ajuda a superar esses desafios.

Publicado por Andrew Lookingbill, diretor de engenharia do Google Maps e Ethan Russel, Diretor de produto do Google Maps