Data besar semakin besar, itu menyelinap ikatan masam Bumi.
Sebuah startup bernama Orbital Insight, yang baru-baru ini mengumpulkan hampir $ 9 juta dalam pendanaan, menggunakan citra satelit dan teknik komputasi canggih untuk memperkirakan surplus minyak global, memprediksi kekurangan panen sebelum waktu panen dan melihat tren ritel dengan melacak jumlah mobil di tempat parkir kotak besar. Seharusnya juga dimungkinkan untuk melatih perangkat lunak untuk menemukan deforestasi ilegal sejak dini dan melacak perubahan iklim dengan lebih baik.
Perusahaan menggunakan teknik pembelajaran mesin dan jaringan komputer yang meniru otak manusia untuk menemukan pola dalam jumlah besar data visual. Facebook menggunakan teknik serupa untuk mengenali wajah dalam gambar yang diunggah dan menandai otomatis Anda dan teman Anda. Tetapi alih-alih mencari wajah, Orbital Insight mengambil keuntungan dari semakin banyaknya citra satelit, berkat munculnya satelit kecil berbiaya rendah, dan mengajar jaringan mereka untuk secara otomatis mengenali hal-hal seperti kendaraan, laju konstruksi di China dan bayang-bayang dilemparkan oleh wadah minyak tutup-mengambang, yang berubah tergantung pada seberapa penuhnya mereka.
Tentu saja, mustahil bagi manusia untuk menyaring citra satelit global yang diperbarui secara berkala. Tetapi dengan komputer paralel masif dan teknik pengenalan pola canggih, Orbital Insight bertujuan untuk memberikan tipe data yang belum tersedia sebelumnya. Perkiraan minyak global saat ini, misalnya, sudah berusia enam minggu ketika dipublikasikan. Dengan Orbital, analisis hasil panen dapat disampaikan pada pertengahan musim — informasi penting yang harus dimiliki, apakah Anda seorang pekerja tingkat tinggi Perserikatan Bangsa-Bangsa yang berusaha untuk mengatasi krisis pangan, atau pedagang komoditas yang bekerja untuk hedge fund.
Orbital Insight belum ada lama-didirikan pada akhir 2013 dan hanya keluar dari "mode siluman" akhir tahun lalu. Tetapi pendiri perusahaan, James Crawford, memiliki banyak pengalaman di bidang yang kompatibel. Mantan kepala otonomi dan robotika di Ames Research Center NASA, ia juga menghabiskan dua tahun sebagai direktur teknik di Google Books, mengubah halaman cetak yang diarsipkan menjadi teks yang dapat dicari.
Beberapa perusahaan, seperti Spire dan Inmarsat, dan bahkan Elon Musk dari Tesla, sedang mengerjakan perangkat keras — merancang dan meluncurkan jaringan satelit baru — tetapi Crawford mengatakan Orbital Insight malah berfokus murni pada perangkat lunak.
"Dalam beberapa hal saya melihat apa yang kami lakukan di sini dalam dorongan perusahaan ini, " kata Crawford, "mengambil banyak pembelajaran [di Google] tentang cara melakukan data besar, cara menerapkan [kecerdasan buatan], bagaimana menerapkan pembelajaran mesin pada pipa-pipa gambar ini, dan menerapkannya pada ruang satelit. ”
Perusahaan Crawford mungkin salah satu dari sedikit yang bekerja menggunakan teknik perangkat lunak yang muncul seperti jaringan saraf tiruan dan pembelajaran mesin untuk mengurai satelit citra. Tetapi teknik yang dia gunakan, juga dikenal sebagai pembelajaran mendalam, meledak di ruang teknologi saat ini. Perusahaan mapan seperti Facebook, Google dan Microsoft menggunakan teknik pembelajaran mendalam untuk hal-hal seperti penandaan gambar otomatis dan peningkatan pengenalan suara dan terjemahan. IBM juga baru-baru ini mengakuisisi perusahaan pembelajaran yang mendalam, bernama AlchemyAPI, untuk meningkatkan sistem komputer Watson mereka.
Dengan pembelajaran yang dalam, komputer yang kuat, dan beberapa lapisan pengenalan pola yang berjalan secara bersamaan (maka "pembelajaran mendalam" yang dalam) meniru jaringan saraf otak manusia. Tujuannya adalah untuk membuat komputer "belajar" untuk mengenali pola atau melakukan tugas yang akan terlalu rumit dan menghabiskan waktu untuk "mengajar" menggunakan perangkat lunak tradisional.
Dengan menandai mobil secara manual di beberapa ratus tempat parkir dan memasukkan data ke dalam jaringan komputer, perangkat lunak dapat mempelajari seperti apa sebuah mobil dan kemudian menghitungnya dalam ribuan gambar lainnya. (Orbital Insight, citra satelit: DigitalGlobe) Rincian pembelajaran yang mendalam bersifat teknis, tetapi pada tingkat yang sangat dasar, ini sangat sederhana. Ketika datang untuk mengukur tren ritel dengan aktivitas parkir, Crawford mengatakan perusahaan pertama kali memiliki karyawan secara manual menandai mobil di beberapa ratus tempat parkir dengan titik-titik merah. "Lalu, Anda memberi makan setiap mobil individu ke dalam jaringan saraf, dan itu menggeneralisasikan pola terang dan gelap, pola piksel mobil, " kata Crawford. "Dan ketika [komputer] melihat gambar baru, apa yang dilakukan dasarnya cukup canggih, tetapi pada dasarnya masih cocok dengan pola."
Ketika memperkirakan aktivitas ritel, Crawford mengatakan perusahaannya jauh lebih baik dalam menyimpulkan bagaimana rantai dilakukan di tingkat nasional, dengan mengukur seberapa tempat parkir penuh dari waktu ke waktu dan membandingkannya dengan seberapa penuh tempat parkir yang sama di kuartal sebelumnya menggunakan gambar yang lebih tua, daripada mengukur kesehatan masing-masing toko.
Dia mengakui bahwa banyak pengecer sudah memiliki cara melacak data ini untuk toko mereka sendiri, tetapi mereka akan senang mengetahui bagaimana pesaing mereka lakukan berbulan-bulan sebelum hasil keuangan dirilis. Hal yang sama berlaku untuk dana lindung nilai, yang menurut Crawford adalah beberapa pelanggan awal perusahaan. Sangat mudah untuk melihat bagaimana data semacam ini bisa memberi investor kaki. Citra satelit sudah tersedia, dan Orbital Insight hanya menguraikannya, sehingga tidak mungkin memicu kekhawatiran perdagangan orang dalam.
Jika jaringan membuat kesalahan sesekali, katakanlah membingungkan tempat sampah untuk mobil, itu tidak banyak masalah, Crawford menjelaskan, karena kesalahan cenderung membatalkan satu sama lain dalam skala besar. Untuk hal-hal seperti perkiraan minyak, bahkan jika mereka turun beberapa poin persentase, itu masih lebih baik daripada menunggu hingga enam minggu untuk data yang lebih konkret.
Sementara startup tampaknya berfokus pada penyediaan data kepada investor pasar terlebih dahulu, apa yang dilakukan perusahaan dapat juga dimanfaatkan secara altruistik. “Kami ingin tahu di masa depan tentang penggunaan ini untuk mendeteksi deforestasi, dan mendeteksi hal-hal seperti pembangunan jalan yang bisa menjadi pendahulu deforestasi, ” kata Crawford. "Ada juga hal-hal yang sangat menarik yang dapat dilakukan di sekitar melihat paket salju, air dan aspek-aspek lain untuk perubahan iklim." seberapa sehat tanaman itu, untuk memprediksi kegagalan panen.
Tentu saja, setiap aspek data besar yang juga menggabungkan citra satelit memunculkan masalah privasi. Tapi Orbital Insight tidak mengambil foto, mereka mengakses dan menganalisis gambar yang sudah tersedia. Dan seperti yang ditunjukkan Crawford, peraturan AS saat ini untuk satelit pencitraan komersial menetapkan bahwa Anda tidak boleh lebih rendah dari 20 cm per piksel. Pada resolusi itu, rata-rata orang akan muncul sebagai beberapa titik. Jadi akan sulit untuk membedakan orang individu sama sekali, apalagi identitas seseorang atau bahkan jenis kelamin.
Crawford mengatakan bahwa banyak dari kemajuan jangka pendek dalam teknik pembelajaran mendalam pada umumnya akan melibatkan penyederhanaan dan otomatisasi tweak pada algoritma (yang berarti lebih sedikit menandai mobil atau ladang jagung secara manual), sehingga perusahaan dapat lebih cepat menerapkan pembelajaran mesin pada area baru.
Adapun masa depan Orbital Insight secara khusus, pendiri perusahaan jelas tidak berbicara kecil. Dia menyamakan apa yang dilakukan perusahaan untuk menciptakan "makroskop" yang dapat berdampak pada dunia pada tingkat yang sama dengan mikroskop yang mengubah biologi.
"Banyak yang kita lihat tentang Bumi, apakah itu hasil jagung atau deforestasi, atau persediaan minyak, sangat besar sehingga Anda tidak dapat melihatnya dengan mata manusia karena Anda harus memproses satu juta gambar sekaligus, ”Kata Crawford. "Itu pada akhirnya akan mengubah cara kita memandang Bumi, mengubah cara kita berpikir tentang itu, dan mengubah cara kita berpikir tentang mengelola itu."
