Satelitní data pro AI? Španělské Xoople a L3Harris staví senzory, co vidí o dva řády víc

Problémem geoprostorové AI nejsou ani tak algoritmy, jako spíš vstupní data. Jejich kvalita, konzistence a časové rozlišení jsou často zoufalé. Lepit modely nad datovým gulášem z různých veřejných a komerčních zdrojů je inženýrské peklo.

Xoople na to jde od základu. Místo další softwarové vrstvy budují vlastní hardware na orbitě. Plná kontrola nad celým řetězcem, od fotonu zachyceného senzorem až po API endpoint, je absolutně klíčová. Eliminuje to největší bolest: nejistotu v datech.

Srdcem celého projektu je partnerství s L3Harris. To není žádný garážový výrobce. Mluvíme tu o špičce v obranné a letecké optice. Jejich slib? Dvojnásobný řádový skok v kvalitě dat oproti současným komerčním systémům. Tohle je signál.

Co to ale znamená v praxi? Není to jen o ostřejších pixelech. Představte si přechod z rozmazaného záznamu průmyslové kamery na 8K RAW video. Jde o dynamický rozsah, odstup signálu od šumu a hlavně o sběr dat v úzce definovaných spektrálních pásmech. Dáváte AI modelu místo očí hyperspektrální zrak.

Platforma má dodávat data připravená přímo pro AI. To znamená, že výstupem nebudou jen hezké obrázky, ale datové struktury optimalizované pro trénink a inferenci neuronových sítí. Nejde o fotky, ale o tenzory. To dramaticky snižuje zátěž na straně datových inženýrů.

Integrace s Azure a Esri je logický krok. Ukazuje to, že chápou, jak funguje reálný svět. Cílem je napojit se na existující inženýrské pipeline, ne je nahrazovat a nutit všechny učit se proprietární nástroje.

Samozřejmě, skepse je na místě. Postavit a provozovat satelitní konstelaci je brutálně složité a drahé. Hardware je těžký a vesmír neodpouští chyby. Skutečným testem bude latence a frekvence přelelů. Až praxe ukáže, jestli je jejich architektura schopná dodat data s potřebnou kadencí.