נתונים גדולים הופכים כל כך גדולים, הם מחליקים את קשרי האדמה.
סטארט-אפ בשם Orbital Insight, שגייס לאחרונה מימון של כמעט 9 מיליון דולר, משתמש בתמונות לוויין ובטכניקות מחשוב מתקדמות כדי להעריך עודפי נפט גלובליים, לחזות את חסרונות היבול לפני זמן הקציר ולמצוא מגמות קמעונאיות על ידי מעקב אחר מספר המכוניות ב חניונים עם קופסאות גדולות. זה אמור להיות אפשרי גם להכשיר את התוכנה לאיתור יערות בלתי חוקיים מוקדם ולעקוב אחר שינויי אקלים טובים יותר.
החברה משתמשת בטכניקות למידת מכונות וברשתות מחשוב המחקות את המוח האנושי כדי לאתר דפוסים בכמויות אדירות של נתונים חזותיים. פייסבוק משתמשת בטכניקות דומות כדי לזהות פרצופים בתמונות שהועלו ולתייג אוטומטית אתכם ואת חבריך. אך במקום לחפש פרצופים, אורביטל תובנה מנצלת את השפע ההולך וגדל של תמונות לוויין, בזכות עלייתם של לוויינים קטנים בעלות נמוכה, ומלמדת את הרשתות שלהם להכיר אוטומטית דברים כמו כלי רכב, קצב הבנייה בסין ו הצללים שמטילים על ידי מיכלי שמן עם מכסה צף, שמשתנים בהתאם למלאותם.
אי אפשר, כמובן, לבני אדם לנווט באמצעות תמונות לוויין גלובליות מעודכנות באופן קבוע. אך עם מחשבים מקבילים מאסיבי וטכניקות זיהוי תבניות מתקדמות, Orbital Insight שואפת לספק סוגים של נתונים שלא היו זמינים לפני כן. הערכות הנפט העולמיות הנוכחיות, למשל, כבר בנות שישה שבועות עם פרסומן. בעזרת אורביטל ניתן היה לספק ניתוח תשואות יבולים באמצע העונה - מידע חשוב שיהיה, בין אם אתה עובד ברמה גבוהה של האו"ם שמנסה להקדים משבר מזון, או סוחר סחורות העובד בקרן גידור.
תובנה אורביטלית לא קיימת זמן רב - היא הוקמה בסוף 2013 ורק יצאה מ"מצב התגנבות "בסוף השנה שעברה. אך מייסד החברה, ג'יימס קרופורד, בעל ניסיון רב בתחומים תואמים. בעבר היה ראש אוטונומיה ורובוטיקה במרכז המחקר של אמס של נאס"א. הוא בילה שנתיים כמנהל הנדסה ב- Google Books, והפך דפים מודפסים בארכיון לטקסט שניתן לחפש.
כמה חברות, כמו ספייר ואינמרסאט, ואפילו אלון מאסק של טסלה, עובדות על חומרה - מתכננות ומשגרות רשתות לוויינים חדשות - אך קרופורד טוען כי אורביטל תובנה מתמקדת אך ורק בתוכנה.
"במובנים מסוימים אני רואה מה אנחנו עושים כאן בתנופה של החברה הזו, " אומר קרופורד, "לוקח הרבה מהלמידה [בגוגל] כיצד לעשות נתונים גדולים, כיצד ליישם [בינה מלאכותית], כיצד ליישם למידת מכונה על צנרת התמונות הללו, ולהחיל אותה על חלל הלוויין. "
החברה של קרופורד עשויה להיות בין היחידות שעובדות על שימוש בטכניקות תוכנה מתפתחות כמו רשתות עצביות מלאכותיות ולמידת מכונה לניתוח לוויין תמונות. אך הטכניקה בה הוא משתמש, המכונה גם למידה עמוקה, מתפוצצת במרחב הטכנולוגי כרגע. חברות מבוססות כמו פייסבוק, גוגל ומיקרוסופט משתמשות בטכניקות למידה עמוקות לדברים כמו תיוג תמונות אוטומטי ושיפור זיהוי דיבור ותרגום. יבמ רכשה לאחרונה גם חברת למידה עמוקה, המכונה AlchemyAPI, כדי לשפר את מערכת המחשבים ווטסון שלהם.
בעזרת למידה עמוקה, מחשבים רבי עוצמה ושכבות מרובות של זיהוי תבניות ריצה במקביל (ומכאן ה"עמוק "בלמידה עמוקה) מחקים את הרשתות העצביות של המוח האנושי. המטרה היא לגרום למחשב "ללמוד" לזהות דפוסים או לבצע משימות שיהיו מורכבות מדי ואסורות זמן "ללמד" באמצעות תוכנה מסורתית.
על ידי סימון ידני של מכוניות בכמה מאות חניונים והזנת הנתונים לרשת המחשבים, התוכנה יכולה ללמוד כיצד נראית מכונית, ובהמשך לספור אותם באלפי תמונות אחרות. (תובנה אורביטאלית, תמונות לוויין: DigitalGlobe) פרטי הלמידה העמוקה הם טכניים, אך ברמה הבסיסית ביותר, זה פשוט באופן מפתיע. כשמדובר במדידת מגמות קמעונאיות בפעילות בחניונים, קרופורד אומר שלחברה עובדים ראשונים עובדים המסמנים ידנית מכוניות בכמה מאות חניונים עם נקודות אדומות. "ואז אתה מזין כל מכונית פרטנית לרשת העצבית, והיא כללית את דפוסי האור והחושך, את התבנית של פיקסלים של מכונית, " אומר קרופורד. "וכאשר [המחשב] מסתכל על תמונה חדשה, הדבר שהוא בעצם עושה הוא די מתוחכם, אך עדיין בעצם התאמה לדפוסים."
כאשר מעריכים את הפעילות הקמעונאית, אומר קרופורד כי החברה שלו הרבה יותר טובה להסיק את פעולתה של רשת ברמה הארצית, על ידי מדידת כמה חניונים מלאים לאורך זמן והשוואה בין עד כמה מלאים אותם מגרשים ברבעונים הקודמים תוך שימוש בתמונות ישנות יותר, מאשר לאמוד את הבריאות של חנות פרטנית.
הוא מודה כי קמעונאים רבים כבר יש דרכים לעקוב אחר נתונים אלה עבור חנויות משלהם, אך הם היו שמחים לדעת כיצד מתמודדים עם המתחרים שלהם חודשים לפני פרסום התוצאות הכספיות. כך גם קרנות הגידור, שלדברי קרופורד הם חלק מהלקוחות המוקדמים ביותר של החברה. קל לראות כיצד נתונים מסוג זה עשויים להעניק למשקיעים רגל. תמונות הלוויין כבר קיימות, ואורביטל תובנה רק מנתחת אותה, כך שסביר להניח שזה לא יעורר חששות מסחר פנים.
אם הרשת עושה טעות מדי פעם, נניח לבלבל בין dumpster לרכב, זו לא בעיה הרבה, מסביר קרופורד, מכיוון שהטעויות נוטות לבטל זו את זו בקנה מידה גדול. לגבי דברים כמו אומדני נפט, אפילו אם הם מסתדרים בכמה נקודות אחוז, זה עדיין טוב יותר מאשר לחכות עד שישה שבועות לנתונים קונקרטיים יותר.
אמנם נראה כי ההתחלה ממוקדת במתן נתונים למשקיעים בשוק תחילה, אך ניתן לעשות את מה שהחברה עושה גם לשימושים אלטרואיסטיים יותר. "אנו סקרנים בעתיד להשתמש בזה לגילוי יערות יערות, ולגילוי דברים כמו בניית כבישים שיכולים להיות מבשר לבערי יערות יערות", אומר קרופורד. "יש גם דברים מעניינים באמת שניתן לעשות סביב להסתכל על חבילת שלג, מים והיבטים אחרים לשינויי אקלים." הוא גם אומר שהם בוחנים את החקלאות בעולם השלישי, ואומר שתמונות רב-ספקטרליות הן דרך טובה לדעת כמה צמחים בריאים, כדי לחזות כשלים ביבול.
כמובן שכל היבט של נתונים גדולים הכולל גם תמונות לוויין מעלה סוגיות פרטיות. אבל Orbital Insight לא מצלם, הם ניגשים ומנתחים תמונות שכבר זמינות. וכפי שמציין קרופורד, התקנות הנוכחיות בארה"ב לגבי לווייני הדמיה מסחריים קובעות כי אינך יכול לרדת מתחת ל -20 ס"מ לפיקסלים. ברזולוציה זו האדם הממוצע יופיע בכמה נקודות. כך שיהיה קשה להבחין בין אנשים בודדים בכלל, שלא לדבר על זהותו של האדם או אפילו מינו.
קרופורד אומר שחלק גדול מההתקדמות לטווח הקצר בטכניקות למידה עמוקה באופן כללי כרוך בפישוט ואוטומציה של הטקסטים לאלגוריתמים (כלומר, פחות תיוג ידני של מכוניות או שדות תירס), כך שחברות יכולות ליישם מהר יותר למידת מכונה על תחומים חדשים.
באשר לעתידה של אורביטל תובנה ספציפית, מייסד החברה בהחלט לא מדבר בקטן. הוא משווה את מה שהחברה עושה ליצירת "מקרוסקופ" שיכול להשפיע על העולם במידה דומה לזה שהמיקרוסקופ שינה את הביולוגיה.
"הרבה ממה שאנחנו רואים על כדור הארץ, בין אם מדובר בתשואת תירס או ביער ביער, או במלאי נפט, הם כה גדולים עד שאתה לא יכול לראות אותם בעין האנושית כי היית צריך לעבד מיליון תמונות בבת אחת "אומר קרופורד. "בסופו של דבר זה ישנה את הדרך בה אנו רואים את כדור הארץ, ישנה את הדרך בה אנו חושבים עליו וישנה את הדרך בה אנו חושבים על ניהולו."
