La Terre est inondi de données sur elle-même. Chaque jour, les satellites capturent environ 100 térabbytes d’images.
Mais le donner un sens n’est pas toujours facile. Des questions apparemment simples peuvent être diaboliquement complexes à répondre. Prenons cette question d’un importateur économique vital en Californie: combien de pauses-incendies l’État a-t-il qui pourrait arrêter un incendie de forêt sur ses traces, et comment ont-ils changé depuis la dernière saison des incendies?
« À l’origine, vous auriez une personne regarder des photos. Et cela ne fait que l’échelle jusqu’à présent », a déclaré à TechCrunch Nathaniel Manning, co-fondateur et PDG de LGND. Ces dernières années, les réseaux de neurones ont rendu les choses un peu plus faciles, permettant aux experts de l’apprentissage automatique et aux scientifiques des données de former des algorithmes comment voir les pauses incendies dans l’imagerie satellite.
« Vous coulez probablement, vous savez, un couple a chassé des mille dollars – sinon plusieurs mille dollars pour essayer de créer cet ensemble de données, et il ne pourrait faire que faire cette seule chose », a-t-il déclaré.
LGND veut réduire ces chiffres par un ordre de grandeur ou plus.
« Nous ne cherchons pas à remplacer les gens qui font ces choses », a déclaré Bruno Sánchez-Andrade Nuño, co-fondateur et scientifique en chef de LGND. « Nous semblons les rendre 10 fois plus efficaces, cent fois plus efficaces. »
LGND RECTY a collecté un tour de semences de 9 millions de dollars dirigé par Javelin Venture Partners, a déclaré la société exclusivement à TechCrunch. Aenu, Clocktower Ventures, Opérateurs de coalition, MCJ, Overture, Ridgeline et Space Capital ont participé. Un certain nombre d’investisseurs providentiels ont également rejoint, comprenaient le fondateur de Keyhole John Hanke, le co-fondateur de RAMP Karim Atiyeh et la responsable de Salesforce Suzanne DiBianca.
Le produit de base de la startup est les intérêts vectoriels de données géographiques. Aujourd’hui, la plupart des informations géographiques existent dans des pixels ou des vecteurs traditionnels (points, lignes, zones). Ils sont flexibles et faciles à distribuer et à lire, mais l’interprétation de ces informations nécessite soit une compréhension approfondie de l’espace, un amour non trivial de l’informatique ou du stand.
Les intérêts géographiques résument les données spatiales d’une manière qui facilite la recherche de relations entre différents points sur Terre.
« Les intérêts vous obtiennent 90% de tous les calculs indifférentes à l’avance », a déclaré Nuño. « Les intégres sont les résumés universels et super short qui incarnent 90% du calcul que vous devez faire de toute façon. »
Prenez l’exemple des pauses-incendie. Ils pourraient prendre la forme de routes, de rivières ou de lacs. Chacun d’eux apparaîtra différemment sur une carte, mais ils partagent tous certaines caractéristiques. D’une part, les pixels qui composent une image d’une pause de feu n’auront pas de végétation. De plus, une pause incendie devra être une certaine largeur minimale, ce qui dépend souvent de la hauteur de la végétation autour de lui. Les intégres facilitent la recherche de places sur une carte qui correspondent à ces descriptions.
LGND a construit une application Enterprise pour aider les grandes entreprises à répondre aux questions impliquant des données spatiales ainsi qu’une API que les utilisateurs ayant des besoins plus spécifiques peuvent atteindre directement.
Manning voit les intégres de LGND, les entreprises encouragent les entreprises à interroger les données géospatiales de manière entièrement nouvelle.
Imaginez un agent de voyage de l’IA, a-t-il dit. Les utilisateurs pourraient lui demander de trouver une courte termination avec trois chambres proches de la bonne plongée en apnée. «Mais aussi, je veux être White Sand Beach. Je veux savoir qu’il y a très peu de mauvaises herbes maritimes en février, quand nous allons y aller, et peut-être surtout, en ce moment de réservation, il n’y a pas de construction à moins d’un kilomètre de notre maison
Construire des modèles géospatiaux traditionnels pour répondre à ces questions prendrait du temps pour une seule requête, sans parler de tous ensemble.
Si LGND peut réussir à fournir un tel outil aux masses, ou même à des personnes qui utilisent des données géospatiales pour leur travail, il a le potentiel de retirer une bite d’un marché d’une valeur de près de 400 milliards de dollars.
« Nous essayons de l’huile standard pour ces données », a déclaré Manning.
