LGND tworzy „ChatGPT dla Ziemi” – rewolucja w analizie danych geostrategicznych?

Ziemia generuje gigantyczne ilości danych. Każdego dnia satelity dostarczają około 100 terabajtów obrazów. Jednak odczytanie i zrozumienie tych informacji jest wyzwaniem. Odpowiedź na pozornie proste pytania może być niezwykle złożona. Przykładem jest kwestia z kalifornijskiego sektora ekonomicznego: ile przerw przeciwpożarowych dysponuje stan, by powstrzymać rozprzestrzenianie się pożarów lasów i jak zmieniły się one od ostatniego sezonu pożarowego?

„Początkowo, te zdjęcia były analizowane przez ludzi. Ale zdolność skalowania tego procesu jest ograniczona”, wyjaśnia Nathaniel Manning, współzałożyciel i dyrektor generalny LGND. W ostatnich latach sieci neuronowe nieznacznie ułatwiły to zadanie, umożliwiając ekspertom z dziedziny uczenia maszynowego i analitykom danych trenowanie algorytmów do identyfikacji przerw przeciwpożarowych na zdjęciach satelitarnych. „Stworzenie takiego zestawu danych mogło kosztować setki tysięcy dolarów, a służyło tylko do jednego, specyficznego zastosowania”, dodaje Manning.

LGND stawia sobie za cel radykalne obniżenie tych kosztów. „Nie dążymy do zastąpienia człowieka w tych procesach”, mówi Bruno Sánchez-Andrade Nuño, współzałożyciel i główny naukowiec LGND. „Chcemy sprawić, by stały się dziesięć, a nawet sto razy bardziej efektywne”.

Firma niedawno pozyskała 9 milionów dolarów w rundzie zalążkowej, prowadzonej przez Javelin Venture Partners. W inwestycji uczestniczyły również AENU, Clocktower Ventures, Coalition Operators, MCJ, Overture, Ridgeline oraz Space Capital. Dołączyli także inwestorzy indywidualni, w tym John Hanke (założyciel Keyhole), Karim Atiyeh (współzałożyciel Ramp) oraz Suzanne DiBianca (dyrektor w Salesforce).

Kluczowym produktem startupu są osadzenia wektorowe danych geograficznych. Obecnie większość informacji geoprzestrzennych istnieje w postaci pikseli lub tradycyjnych wektorów (punktów, linii, obszarów). Są elastyczne i łatwe w dystrybucji, ale ich interpretacja wymaga dogłębnej wiedzy specjalistycznej, znacznych zasobów obliczeniowych, lub obu tych elementów. Geograficzne osadzenia podsumowują dane przestrzenne w sposób ułatwiający znajdowanie relacji między różnymi punktami na Ziemi.

„Osadzenia eliminują około 90% bezproduktywnych obliczeń wykonywanych na wstępie”, twierdzi Nuño. „Są uniwersalnymi, super-krótkimi podsumowaniami, które zawierają 90% obliczeń, które i tak musisz wykonać”.

Wracając do przykładu przerw przeciwpożarowych: mogą to być drogi, rzeki lub jeziora. Każdy z nich wygląda inaczej na mapie, ale łączy je wspólna cecha. Na przykład, piksele tworzące obraz przerwy przeciwpożarowej nie będą zawierały roślinności. Ponadto, przerwa musi mieć minimalną szerokość, która często zależy od wysokości otaczającej ją roślinności. Osadzenia znacznie ułatwiają wyszukiwanie miejsc na mapie, odpowiadających tym kryteriom.

LGND stworzyło aplikację dla przedsiębiorstw, która pomaga dużym firmom odpowiadać na pytania dotyczące danych przestrzennych, a także API dla użytkowników z bardziej specyficznymi potrzebami. Manning przewiduje, że osadzenia LGND zachęcą firmy do nowych sposobów zadawania pytań danym geoprzestrzennym. Wyobraża sobie AI jako agenta podróży. Użytkownicy mogliby zapytać o krótkoterminowy wynajem z trzema pokojami, blisko dobrych miejsc do nurkowania. „Ale także, chciałbym być na białej, piaszczystej plaży. Chcę wiedzieć, że w lutym, kiedy jedziemy, będzie mało wodorostów, a co najważniejsze, w momencie rezerwacji, w promieniu kilometra od domu nie będzie żadnej budowy”, wyjaśnia.

Tworzenie tradycyjnych modeli geoprzestrzennych w celu udzielenia odpowiedzi na takie pytania byłoby czasochłonne dla jednego zapytania, nie mówiąc już o wszystkich razem. Jeśli LGND zdoła dostarczyć takie narzędzie szerokiej publiczności, lub przynajmniej osobom wykorzystującym dane geoprzestrzenne w swojej pracy, ma potencjał do przejęcia znacznej części rynku wycenianego na blisko 400 miliardów dolarów. „Staramy się być Standard Oil dla tych danych”, podsumowuje Manning, odwołując się do historycznego monopolu na rynku ropy naftowej.