La Tierra está saturada de datos sobre sí misma. A diario, los satélites capturan aproximadamente 100 terabytes de imágenes.
Pero interpretarlos no siempre es sencillo. Preguntas aparentemente simples pueden volverse un infierno de responder. Tomemos esta cuestión de importancia crítica para California: ¿Cuántas barreras contra incendios tiene el estado capaces de detener un fuego forestal en condiciones secas, y cómo han variado desde la última temporada de incendios?
“Originalmente, habrías tenido a una persona revisando imágenes. Y eso solo escala hasta cierto punto”, comentó Nathaniel Manning, cofundador y CEO de Lgnd, a TechCrunch. En los últimos años, las redes neuronales han facilitado el proceso, permitiendo que expertos en aprendizaje automático y científicos de datos entrenen algoritmos para identificar zonas de riesgo en imágenes satelitales.
“Probablemente cueste cientos de miles de dólares, si no más, intentar crear ese conjunto de datos, y aún así sería limitado”, agregó.
LGND busca reducir esos costos drásticamente.
“No intentamos reemplazar a quienes realizan este trabajo”, explicó Moreno Sánchez-Andrade Nuño, cofundador y director de investigación de LGND. “Buscamos hacerlos diez, incluso cien veces más eficientes”.
LGND acaba de cerrar una ronda semilla de $9 millones liderada por Javelin Venture Partners, según confirmó la compañía en exclusiva a TechCrunch. Participaron Aenu, Clocktower Ventures, Coalition Operators, MCJ, Obertura, Ridgeline y Space Capital, junto a varios ángeles inversionistas como John Hanke (fundador de Keyilyole), Karim Atiyeh (cofundador de RAMP) y Suzanne Dibianca (ejecutiva de Salesforce).
El núcleo de su propuesta son los embeddings vectoriales para datos geoespaciales. Actualmente, esta información existe principalmente en píxeles o vectores tradicionales (puntos, líneas, polígonos). Aunque flexibles y fáciles de distribuir, interpretarlos exige un profundo conocimiento espacial o gran capacidad computacional.
Los embeddings geoespaciales comprimen estos datos de modo que revelan relaciones entre distintos puntos del planeta.
“Los embeddings te dan el 90% del análisis preliminar sin procesar”, señaló Nuño. “Son resúmenes universales ultracortos que encapsulan la mayor parte del cálculo necesario”.
Tomemos las barreras contra incendios. Pueden ser carreteras, ríos o lagos. Cada uno aparece distinto en un mapa, pero comparten rasgos clave: ausencia de vegetación y un ancho mínimo que varía según la densidad del entorno. Los embeddings simplifican enormemente la búsqueda de patrones espaciales.
LGND ofrece tanto una solución empresarial para consultas complejas como una API para necesidades personalizadas.
Manning visualiza estos embeddings revolucionando el uso de datos geoespaciales. Imagina un asistente de viajes IA: “Encuéntrame un alquiler temporal con tres habitaciones cerca de buenos sitios para snorkel, en playa de arena blanca con mínimas algas en febrero, y —crucial— sin obras en un radio de 1 km”.
Modelos tradicionales requerirían semanas para responder tal consulta combinada. Si LGND logra democratizar esta tecnología, podría capturar parte de un mercado valuado en $400 mil millones.
“Aspiramos a ser el estándar para estos datos”, concluyó Manning.