WindBorne спечели голям договор с ВВС на САЩ за своите данни от балони

Американските военновъздушни сили ще закупуват данни, събрани от флота автономни метеорологични балони на WindBorne Systems по нов договор, който може да донесе на стартъпа близо 50 милиона долара.

В момента WindBorne има около 700 метеорологични балона, които летят по целия свят и събират показания от атмосферни сензори. Компанията продава данните на клиенти и ги използва в собствения си модел за прогнозиране на времето с изкуствен интелект. WindBorne, основана през 2015 г. и базирана в Редууд Сити, Калифорния, е една от първите организации, които директно подават емпирични данни към модел за времето, базиран на дълбоко обучение.

Компанията работи в тясно сътрудничество с правителството на САЩ, особено с Националната метеорологична служба и военновъздушните сили и военноморските сили на САЩ, но това е най-големият договор, в който компанията е участвала досега. Договорът е на стойност до 49 милиона долара, но военновъздушните сили плащат само когато имат нужда от данни. Те могат да правят поръчки за конкретни региони в конкретни моменти. Досега са поръчали данни за 1,7 милиона долара, а ръководителите очакват да последват още поръчки.

„Това до голяма степен е инструмент, чрез който може да се подпомогне по-нататъшното разрастване на съзвездието, както и известна работа по изследвания и разработки за продължаване на подобряването на хардуера и характеристиките на балоните“, каза пред TechCrunch съоснователят и технически директор на WindBorne Андрей Сушко. Той добавя, че договорът, който е възложен без конкурентно наддаване, е „решение на правителството, че за тази способност за събиране на глобални данни ние сме единствената компания, способна да ги предостави по начин, който отговаря на нуждите им за тези операции“.

Главният изпълнителен директор на WindBorne Джон Дийн каза пред TechCrunch през август, че компанията е набрала 37 милиона долара в рамките на инвестиционен рунд серия B, за да продължи да разширява бизнеса си. По-рано това лято компанията представи най-новата версия на своя модел за прогнозиране WeatherMesh 6, който, по нейни думи, предоставя по-точни прогнози от традиционния модел, разработен от Европейския център за средносрочни метеорологични прогнози (ECMWF), който симулира атмосферата с помощта на законите на физиката.

След появата на архитектурите на трансформър моделите и публикуването от ECMWF на огромен набор от метеорологични данни преди няколко години прогнозирането на времето с изкуствен интелект се превърна в едно от най-продуктивните приложения на технологията за дълбоко обучение. Преди метеоролозите разчитаха на скъпи суперкомпютри, изпълняващи подробни уравнения, които апроксимират поведението на атмосферата. Сега обучението от край до край може да обработва десетилетия метеорологични данни и да изготвя прогнози по-бързо.

Моделите, създадени от водещи лаборатории и правителствени агенции, се доказват като по-точни от традиционните прогнози, въпреки че това все още е неравномерно развиваща се област, в която са необходими и двата вида прогнози, за да се постигне полезно разбиране на времето. Най-новият метеорологичен модел на Google DeepMind предлага важни нови възможности, а инструментите му за прогнозиране на циклони стават все по-централни за начина, по който правителството на САЩ реагира през сезона на ураганите.

През август WindBorne стана първата организация, изпратила система за полет без задвижване — без двигател — да събира данни в окото на тайфун. Компанията маневрира с балоните си, като регулира височината им, изпуска въздух или изхвърля пренасяния като баласт пясък, за да насочи апаратите към ветрове, които ги отвеждат там, където трябва да отидат.

„Това е доста новаторска стъпка, а двете съставки за нея са, първо, да разполагаш с добри модели на ветровете и времето и да знаеш как да се навигираш с тях; и второ, да имаш достатъчно голямо съзвездие, така че да разполагаш с балони на правилните места“, каза Сушко. „Това е един от първите случаи, в които модел за дълбоко обучение е използван за реални оперативни решения.“