Земля переполнена данными о самой себе. Каждый день спутники делают около 100 терабайт снимков. Но разобраться в этом не всегда просто.
«Изначально нужно было, чтобы человек просматривал изображения. И это можно было делать только в определённых масштабах», — рассказал TechCrunch Натаниэль Мэннинг, соучредитель и генеральный директор LGND. В последние годы нейронные сети упростили эту задачу, позволив экспертам по машинному обучению и специалистам по обработке данных обучать алгоритмы распознавать противопожарные разрывы на спутниковых снимках.
«Мы не стремимся заменить людей, которые этим занимаются, — сказал Бруно Санчес-Андраде Нуньо, соучредитель и главный научный сотрудник LGND. — Мы стремимся сделать их работу в 10 раз эффективнее, в 100 раз эффективнее».
Компания LGND недавно привлекла 9 миллионов долларов в рамках начального раунда финансирования под руководством Javelin Venture Partners, о чём компания эксклюзивно сообщила TechCrunch. В раунде приняли участие AENU, Clocktower Ventures, Coalition Operators, MCJ, Overture, Ridgeline и Space Capital. К ним также присоединились бизнес-ангелы, в том числе основатель Keyhole Джон Ханке, соучредитель Ramp Карим Атие и исполнительный директор Salesforce Сюзанна ДиБьянка.
Основной продукт стартапа — векторные вложения в географические данные. Сегодня большая часть географической информации представлена либо в виде пикселей, либо в виде традиционных векторов (точек, линий, областей). Они гибкие, их легко распространять и читать, но для интерпретации этой информации требуется либо глубокое понимание пространства, либо нетривиальные вычислительные ресурсы, либо и то, и другое.
Географическое встраивание обобщает пространственные данные таким образом, чтобы упростить поиск взаимосвязей между различными точками на Земле.
«Вложения позволяют на 90% сократить количество недифференцированных вычислений, — сказал Нуньо. — Вложения — это универсальные, сверхкороткие описания, которые в любом случае охватывают 90% вычислений».
Возьмём, к примеру, противопожарные полосы. Они могут быть в виде дорог, рек или озёр. Каждая из них будет выглядеть на карте по-своему, но все они имеют определённые общие характеристики. Во-первых, на пикселях, составляющих изображение противопожарной полосы, не будет растительности. Кроме того, противопожарная полоса должна быть определённой минимальной ширины, которая часто зависит от высоты растительности вокруг неё. Встраивание значительно упрощает поиск на карте мест, соответствующих этим описаниям.
LGND создала корпоративное приложение, которое помогает крупным компаниям находить ответы на вопросы, связанные с пространственными данными, а также API, к которому могут напрямую обращаться пользователи с более конкретными потребностями.
Мэннинг считает, что внедрение LGND побуждает компании запрашивать геопространственные данные совершенно новыми способами.
Представьте себе турагента с искусственным интеллектом, — сказал он. Пользователи могут попросить его найти жилье для краткосрочной аренды с тремя комнатами, расположенное недалеко от места, где можно заняться снорклингом. «Но я также хочу оказаться на пляже с белым песком. Я хочу знать, что в феврале, когда мы собираемся поехать, там будет очень мало водорослей, и, возможно, самое главное, в это время года в радиусе одного километра от дома не будет строительных работ», — сказал он.
Создание традиционных геопространственных моделей для ответа на эти вопросы заняло бы много времени даже для одного запроса, не говоря уже обо всех сразу.
Если LGND удастся предоставить такой инструмент широким массам или хотя бы людям, которые используют геопространственные данные в своей работе, у компании появится шанс занять долю рынка стоимостью около 400 миллиардов долларов.
«Мы пытаемся стать своего рода Standard Oil для этих данных», — сказал Мэннинг.
Хотите быть в курсе важных новостей из мира ИИ? Подписывайтесь на наш Telegram‑канал BotHub AI News.
Перевод, источник новости здесь.
Источник: habr.com