Компания Lgnd, специализирующаяся на разработке решений в области геопространственных данных, получила инвестиции в размере 9 миллионов долларов в ходе начального этапа финансирования. Главный продукт Lgnd — это векторные эмбеддинги географических данных. В отличие от традиционного подхода, использующего пиксели или векторные форматы, эта технология предоставляет компактные, легко распространяемые и удобные для анализа представления данных, что значительно ускоряет обработку и выявление взаимосвязей между точками на карте.
К примеру, для расчета необходимого числа противопожарных промежутков для сдерживания лесных пожаров традиционные методы требуют много времени и ресурсов. Анализ спутниковых снимков вручную или даже с помощью продвинутых нейросетей обходится в значительные суммы и решает лишь узкоспециализированные задачи. Технология Lgnd делает этот процесс гораздо более эффективным.
Сооснователь и ведущий научный сотрудник компании, Бруно Санчес-Андраде Нуньо, отметил, что цель Lgnd — не замена экспертов, а многократное повышение их эффективности. Векторные эмбеддинги позволяют быстро анализировать данные независимо от их представления, будь то дороги, реки или озера. Алгоритмы легко выявляют участки, соответствующие заданным критериям, таким как отсутствие растительности или минимальная ширина.
Компания разработала корпоративное приложение для работы с пространственными данными, а также API для пользователей с особыми требованиями. Как считает сооснователь и генеральный директор Натаналь Мэннинг, их технологии позволят компаниям задавать совершенно новые типы запросов к геопространственным данным. Например, виртуальный туристический агент сможет подбирать жилье с учетом множества факторов, таких как близость к морю и отсутствие стройплощадок в радиусе километра. Для традиционных методов создание таких моделей требует значительных временных затрат.
Если стратегия Lgnd будет успешной, компания может занять существенную долю на рынке геопространственных данных, которая оценивается почти в 400 миллиардов долларов.
Источник: iXBT
