Велики подаци постају толико велики да клизи сјајне земаљске везе.
Стартуп назван Орбитал Инсигхт, који је недавно прикупио готово 9 милиона долара финансирања, користи сателитске снимке и врхунске рачунарске технике за процену глобалног вишка нафте, предвиђа недостатак усева пре времена жетве и примећује трендове у малопродаји, пратећи број аутомобила у паркиралишта за велике кутије Такође би требало омогућити обуку софтвера да рано уочи илегално крчење шума и боље прати климатске промене.
Компанија користи технике машинског учења и рачунарске мреже које опонашају људски мозак да примети обрасце у огромним количинама визуелних података. Фацебоок користи сличне технике за препознавање лица у пренесеним сликама и аутоматско означавање вас и ваших пријатеља. Али уместо да трага за лицима, Орбитал Инсигхт користи растуће обиље сателитских снимака, захваљујући порасту малих, јефтиних сателита и подучава своје мреже да аутоматски препознају ствари попут возила, стопе изградње у Кини и сјене које остављају резервоари уља са плутајућим поклопцем, који се мијењају у зависности од тога колико су пуне.
Наравно, било би немогуће да људи просију редовно ажуриране глобалне сателитске снимке. Али уз масовно паралелне рачунаре и напредне технике препознавања образаца, Орбитал Инсигхт жели испоручити врсте података које раније нису биле доступне. Тренутне глобалне процјене нафте, на примјер, већ су старе шест тједана када су објављене. Помоћу Орбитала, анализа приноса усева могла би се добити средином сезоне - важне информације које треба да имате, било да сте радник Уједињених нација на високом нивоу који покушава да се избори са прехрамбеном кризом, или трговац робом који ради за хедге фонд.
Орбитал Инсигхт није дуго времена - основан је крајем 2013. године, а из „стеалтх моде“ је изашао крајем прошле године. Али оснивач компаније, Јамес Цравфорд, има пуно искуства у компатибилним областима. Бивши шеф аутономије и роботике у НАСА-овом истраживачком центру Амес, такође је провео две године као инжењерски директор у Гоогле Боокс-у, претварајући архивиране штампане странице у текст који се може претраживати.
Неколико компанија, попут Спире и Инмарсат, па чак и Теслин Елон Муск, раде на хардверу - дизајнирају и лансирају нове мреже сателита - али Цравфорд каже да се Орбитал Инсигхт умјесто тога фокусира искључиво на софтвер.
„На неки начин видим шта радимо овде на наговор ове компаније, “ каже Цравфорд, „полаже пуно учења [на Гооглеу] о томе како да направимо велике податке, како да применимо [вештачку интелигенцију], како примијенити машинско учење на ове цјевоводе слика и примијенити их на сателитски простор. “
Цравфорд-ова компанија је можда једна од ретких која ради на кориштењу софтверских техника у настајању, попут вештачких неуронских мрежа и машинског учења како би анализирали сателит слике. Али техника коју користи, такође позната као дубинско учење, тренутно експлодира у технолошком простору. Успостављене компаније попут Фацебоока, Гооглеа и Мицрософта користе технике дубоког учења за ствари попут аутоматског означавања слика и побољшаног препознавања и превођења говора. ИБМ је такође недавно купио компанију за дубоко учење, под називом АлцхемиАПИ, како би побољшао свој Ватсон рачунарски систем.
Са дубоким учењем, моћни рачунари и више слојева истовремено препознавање образаца (отуда "дубоко" у дубоком учењу) опонашају неуронске мреже људског мозга. Циљ је да се рачунар „научи“ препознати обрасце или обављати задатке који би били превише сложени и одузимају много времена да би се „учили“ користећи традиционални софтвер.
Ручним означавањем аутомобила на неколико стотина паркиралишта и уношењем података у рачунарску мрежу софтвер може научити како аутомобил изгледа и потом их пребројати у хиљадама других слика. (Орбитал Инсигхт, сателитске снимке: ДигиталГлобе) Детаљи дубоког учења су технички, али на самом основном нивоу изненађујуће једноставни. Када је у питању мјерење трендова малопродаје са активностима на паркиралиштима, Цравфорд каже да компанија прво има запослене ручно да обиљеже аутомобиле на неколико стотина паркинга црвеним тачкицама. "Затим сваки појединачни аутомобил унесете у неуронску мрежу, а он генералише обрасце светлости и тамне, обрасце пиксела аутомобила", каже Кроуфорд. "А кад [рачунар] погледа нову слику, оно што у суштини ради је прилично софистицирано, али у основи и поклапање образаца."
Процјењујући малопродајну активност, Цравфорд каже да је његова компанија много боље закључити како функционира ланац на националном нивоу, мјерећи колико су пуна паркиралишта током времена и упоређујући га са тим колико су исте партије биле пуне у претходним четвртинама користећи старије слике, него провера здравља појединачне продавнице.
Признаје да многи трговци на мало већ имају начине праћења тих података за своје продавнице, али били би срећни када знају како њихови конкуренти раде месецима пре објављивања финансијских резултата. Исто би било и са хедге фондовима, за које Цравфорд каже да су неки од најранијих купаца компаније. Лако је видети како оваква врста података може инвеститорима подићи ногу. Сателитски снимци су већ доступни, а Орбитал Инсигхт је само рашчланива, тако да је мало вероватно да ће изазвати било какве бриге о инсајдерском трговању.
Ако мрежа направи повремене грешке, рецимо збуњујући смеће за аутомобил, то није много проблема, објашњава Цравфорд, јер се грешке углавном поништавају. За ствари попут процене нафте, чак и ако се скида за неколико процентних поена, ипак је боље него чекати до шест недеља за конкретније податке.
Иако се чини да је покретање фокусирано на пружање података превасходно инвеститорима на тржишту, оно што компанија може учинити може се користити и у више алтруистичке намене. „Радознали смо у будућности да ли то користимо за откривање крчења шума и за детекцију ствари попут изградње путева који би могли бити претходник крчења шума“, каже Цравфорд. „Постоје и заиста занимљиве ствари око којих се може видети около снега, воде и других аспеката климатских промена.“ Такође каже да се баве пољопривредом трећег света, и каже да су мултиспектралне слике добар начин да то објасне. колико су здраве биљке, да се предвиди неуспех усева.
Наравно, сваки аспект великих података који такође укључује сателитске снимке отвара питања приватности. Али Орбитал Инсигхт не снима фотографије, већ приступа и анализира слике које су већ доступне. И као што Цравфорд истиче, тренутни амерички прописи за комерцијалне сателитске снимке предвиђају да не можете да идете испод 20 цм по пикселу. По тој резолуцији, просечна особа би се показала као неколико тачака. Стога би било тешко разликовати поједине људе, а камоли идентитет или чак пол.
Цравфорд каже да ће велики део краткорочног напретка у техникама дубоког учења уопште укључивати поједностављивање и аутоматизацију подешавања алгоритама (што значи мање ручно означавање аутомобила или поља кукуруза), тако да компаније могу брже применити машинско учење у новим областима.
Што се конкретно тиче будућности Орбитал Инсигхт-а, оснивач компаније дефинитивно не говори мало. Он упоређује шта компанија ради на стварању „макроскопа“ који би могао утицати на свет у сличном степену као што је микроскоп трансформисао биологију.
„Много тога што видимо о Земљи, било да је то принос кукуруза или крчење шума или залиха уља, толико је велико да их не можете видети људским оком, јер бисте морали да прерадите милион слика одједном. ", Каже Цравфорд. "То ће на крају променити начин на који посматрамо Земљу, променити начин на који размишљамо о њој и променити начин на који размишљамо о управљању њом."
