Naša planeta preplavljena je podacima o sebi. Svakodnevno, sateliti zabilježe oko 100 terabajta slika.
Međutim, razumijevanje tih podataka nije uvijek lako. Naizgled jednostavna pitanja mogu biti vrlo složena za odgovoriti. Uzmimo ovo pitanje od vitalnog ekonomskog značaja za Kaliforniju: Koliko protupožarnih staza ima država koje bi mogle zaustaviti požar i kako su se one promijenile od prošle požarne sezone?
„Izvorno, osoba bi gledala slike. A to se može povećati samo do određene mjere“, rekao je Nathaniel Manning, suosnivač i izvršni direktor LGND. U posljednjim godinama, neuronske mreže su olakšale taj proces, omogućujući stručnjacima za strojno učenje i znanstvenicima da treniraju algoritme kako bi prepoznali protupožarne staze u satelitskim slikama.
„Vjerojatno uložite nekoliko stotina tisuća dolara — ako ne i više — da biste stvorili taj skup podataka, a on bi mogao raditi samo jednu stvar“, rekao je.
LGND želi smanjiti te troškove za red veličine ili više.
„Ne želimo zamijeniti ljude koji rade te stvari“, rekao je Bruno Sánchez-Andrade Nuño, suosnivač i glavni znanstvenik LGND-a. „Želimo ih učiniti 10 puta, 100 puta učinkovitijima.“
LGND je nedavno prikupio 9 milijuna dolara u prvoj rundi financiranja koju je predvodio Javelin Venture Partners. AENU, Clocktower Ventures, Coalition Operators, MCJ, Overture, Ridgeline i Space Capital su također sudjelovali. Brojni anđeli investitori, uključujući osnivača Keyholea Johna Hanke, suosnivača Rampa Karima Atiyeha i izvršnu direktoricu Salesforcea Suzanne DiBianca, također su se uključili.
Osnovni proizvod startupa su vektorske reprezentacije geografskih podataka. Danas, većina geografskih informacija postoji ili u pikselima ili u tradicionalnim vektorima (točkama, linijama, područjima). Fleksibilni su i lako ih je distribuirati i čitati, no tumačenje tih informacija zahtijeva duboko razumijevanje prostora, određenu količinu računalne snage ili oboje.
Geografske reprezentacije sažimaju prostorne podatke na način koji olakšava pronalaženje odnosa između različitih točaka na Zemlji.
„Reprezentacije daju 90% svih nediferenciranih proračuna unaprijed“, rekao je Nuño. „Reprezentacije su univerzalni, super-kratki sažeci koji sadrže 90% proračuna koji ionako morate napraviti.“
Uzmimo primjer protupožarnih staza. One mogu biti u obliku cesta, rijeka ili jezera. Svaka od njih će se na karti prikazivati drugačije, ali sve dijele određene karakteristike. Na primjer, pikseli koji čine sliku protupožarne staze neće sadržavati vegetaciju. Također, protupožarna staza mora imati određenu minimalnu širinu, koja često ovisi o visini vegetacije oko nje. Reprezentacije olakšavaju pronalaženje mjesta na karti koja odgovaraju tim opisima.
LGND je izgradio aplikaciju za poduzeća kako bi pomogao velikim tvrtkama da odgovore na pitanja koja uključuju prostorne podatke, zajedno s API-jem koji korisnici s specifičnijim potrebama mogu izravno koristiti.
Manning vidi kako LGND-ove reprezentacije potiču tvrtke da postavljaju pitanja o geoprostorima na potpuno nove načine.
Zamislite AI agenta za putovanja, rekao je. Korisnici bi mogli tražiti kratkoročni najam s tri sobe koji je blizu dobrog ronjenja. „Ali također, želim biti na plaži s bijelim pijeskom. Želim znati da u veljači, kada idemo, ima vrlo malo morske trave, i možda najvažnije, u trenutku rezervacije, ne događa se nikakva gradnja unutar jednog kilometra od kuće“, rekao je.
Izgradnja tradicionalnih geospatial modela za odgovaranje na ta pitanja bi bila vremenski zahtjevna za samo jedno pitanje, a kamoli za sve njih zajedno.
Ako LGND uspije dostaviti takav alat masama, ili čak samo ljudima koji koriste geografske podatke za svoj posao, ima potencijal da uđe na tržište vrijedno gotovo 400 milijardi dolara.
„Pokušavamo biti Standard Oil za te podatke“, rekao je Manning.
