A Terra está inundada de dados sobre si mesmo. Todos os dias, os satélites capturam cerca de 100 terabytes de imagens.
Mas entender nem sempre é fácil. Perguntas aparentemente simples podem ser diariamente complexas para responder. Faça essa pergunta de importância econômica vital para a Califórnia: quantos quebras de incêndio o estado tem que pode parar um incêndio em seus trilhos e como eles mudaram desde a última temporada de incêndio?
“Originalmente, você teria uma pessoa olhando fotos. E isso apenas escala até agora”, disse Nathaniel Manning, co-fundador e CEO da LGND, à TechCrunch. Nos últimos anos, as redes neurais tornaram um pouco mais fácil, permitindo que especialistas em aprendizado de máquina e cientistas de dados treinem algoritmos como ver quebras de incêndio em imagens de satélite.
“Você provavelmente afundou, sabe, centenas de mil dólares – se não várias centenas de mil dólares – para tentar criar esse conjunto de dados, e isso só seria capaz de fazer isso”, disse ele.
LGND quer cortar esses números por uma ordem de magnitude ou mais.
“Não estamos procurando substituir as pessoas fazendo essas coisas”, disse Bruno Sánchez-Andrade Nuño, co-fundador e cientista da LGND. “Estamos procurando torná -los 10 vezes mais eficiente, cem vezes mais eficiente.”
A LGND levantou recentemente uma rodada de sementes de US $ 9 milhões liderada por Javelin Venture Partners, disse a empresa exclusivamente à TechCrunch. Aenu, relógio Ventures, operadores de coalizão, MCJ, Overture, Ridgeline e Space Capital participaram. Vários investidores anjos também se juntaram, incluindo o fundador da Keyhole, John Hanke, o co-fundador da Ramp Karim Atiyeh e o executivo da Salesforce, Suzanne Dibianca.
O principal produto da startup são incorporações vetoriais de dados geográficos. Hoje, a maioria das informações geográficas existe em pixels ou vetores tradicionais (pontos, linhas, áreas). Eles são flexíveis e fáceis de distribuir e ler, mas interpretar essas informações requer uma compreensão profunda do espaço, uma quantidade não trivial de computação ou ambos.
As incorporações geográficas resumem dados espaciais de uma maneira que facilita a localização de relacionamentos entre diferentes pontos da Terra.
“As incorporações recebem 90% de toda a computação indiferenciada na frente”, disse Nuño. “As incorporações são os resumos universais e super-curtos que incorporam 90% do cálculo que você deve fazer de qualquer maneira”.
Pegue o exemplo de pausas de incêndio. Eles podem assumir a forma de estradas, rios ou lagos. Cada um deles aparecerá de maneira diferente em um mapa, mas todos compartilham certas características. Por um lado, os pixels que compõem a imagem de um intervalo de incêndio não terão vegetação. Além disso, um intervalo de incêndio terá que ser uma certa largura mínima, que geralmente depende de quão alta a vegetação é ao seu redor. As incorporações facilitam muito a localização de lugares em um mapa que corresponda a essas descrições.
A LGND criou um aplicativo corporativo para ajudar as grandes empresas a responder a perguntas que envolvem dados espaciais, juntamente com uma API que os usuários com necessidades mais específicas podem atingir diretamente.
Manning vê as incorporações da LGND que incentivam as empresas a consultar dados geoespaciais de maneiras inteiramente novas.
Imagine um agente de viagens de IA, disse ele. Os usuários podem pedir para encontrar um aluguel de curto prazo com três quartos próximos a um bom snorkeling. “Mas também quero estar em uma praia de areia branca. Quero saber que há muito pouca maconha do mar em fevereiro, quando vamos, e talvez o mais importante, neste momento de reserva, não há construção a um quilômetro de nossa casa”, disse ele.
Construir modelos geoespaciais tradicionais para responder a essas perguntas consumiriam tempo para apenas uma consulta, muito menos todos eles juntos.
Se o LGND conseguir fornecer essa ferramenta para as massas, ou mesmo apenas para pessoas que usam dados geoespaciais para seus empregos, ele tem o potencial de dar uma mordida em um mercado avaliado perto de US $ 400 bilhões.
“Estamos tentando ser o óleo padrão para esses dados”, disse Manning.