Фото Jaap Arriens / Zuma / TASS
Бизнес на орбите выглядит не таким уж интересным на фоне свертяжелой ракеты Маска и намерений добывать астероиды на Луне. Зато он реален уже сейчас
Интерес к космосу и космическим стартапам, на фоне новостей об успехах Илона Маска и активности Люксембурга в части добычи ископаемых на астероидах, сейчас очень большой. И действительно, настолько масштабные и красивые истории привлекают внимание широкой публики и, в хорошем смысле этого слова, очаровывают. Однако, есть и еще один «космический» тренд, который не так сильно освещен прессой, а именно: дистанционное зондирование Земли или ДЗЗ.
- Космическая выгода. Как сделать добычу сырья на астероидах прибыльной
Благодаря снизившимся на порядки стоимости запуска спутников и стоимости создания самих спутников (более подробно можно прочесть здесь), появилось огромное количество космических аппаратов, осуществляющих съемку Земли в различных оптических диапазонах и в различном разрешении, что создает терабайты данных о нашей планете каждый день.
- Космические стартапы: миф или реальность?
И перед компаниями, которые придумают способ монетизировать эти данные, открывается многомиллиардный рынок. В каком-то смысле, текущую ситуацию на рынке ДЗЗ можно сравнить с ситуацией в Кремниевой Долине на стыке веков, когда произошел «квантовый скачок» от первой интернет-инфраструктуры (браузеры, телеком оборудование) к компаниями эпохи Web 2.0, Facebook и Google, которые сегодня превратились в одни из самых дорогих компаний мира.
От данных к сервисам
Изначально, основным потребителем на рынке ДЗЗ были военные, а основным сегментом рынка — сами данные (а не сервисы на их основе). Так, по данным аналитического агентства Euroconsult в 2015 году военные заказы составили 2/3 от всего объема продаж данных в размере $1,6 млрд. Однако, в последние 2 года эта ситуация изменилась и основным драйвером рынка стали сервисы на основе данных ДЗЗ, использующие последние достижения в области машинного обучения и компьютерного зрения: распознавание объектов (object recognition), алгоритмы change detection и объединение данных, полученных с спутниковых снимков, с другими моделями для уточнения точности прогноза. Тот же Euroconsult прогнозирует рост рынка в следующем десятилетии от $3 млрд до $15 млрд именно за счет экспоненциального роста сегмента сервисов.
Читайте такжеКомпактный космос: у России есть шанс вернуться в космическую гонку
Более того, именно применение алгоритмов машинного обучения позволяет перейти от самих данных к ответам на вопросы клиентов, что позволяет говорить о значительно большем рынке. По оценкам аналитического агентства Markets and Markets, рынок анализа геопространственной информации (geospatial analytics) достигнет объема в $73,91 млрд к 2021 году.
Каковы же предпосылки для такого значительного роста? Здесь можно отметить 3 ключевых момента:
Рост числа источников данных. На текущий момент на орбите Земли находится более 400 спутников ДЗЗ, а в течение следующих 10 лет Euroconsult прогнозирует запуск еще 600 аппаратов. Важно отметить, что речь идет только об аппаратах массой более 50 кг. Вывод на орбиту аппаратов массой менее 50 кг (как правило, все из них попадают под определение кубсат) — в основном прерогатива стартапов, число которых уже превышает 15, многие из которых привлекли значительные объемы венчурный инвестиций. В качестве примера можно привести американскую компанию Planet Labs которая привлекла 183 млн. долл. венчурных инвестиций и получает данные с более чем 200 собственных спутников на орбите.
Читайте такжеДеньги из космоса: Planet ежедневно фотографирует Землю с 200 спутников
Появление инфраструктуры для IT-разработчиков. Современные инструменты позволяют получить данные в формате, удобном для их дальнейшей обработки (например, для применения в алгоритмах машинного обучения). Например, спутниковые снимки уже не требуют устранения геометрических искажений и географической привязки снимков.
Здесь, в первую очередь, можно отметить веб-порталы и API-библиотеки, которые разрабатывает почти каждый оператор спутников ДЗЗ, например Planet Labs и Astro Digital. Некоторые компании идут дальше и разрабатывают целые платформы для работы с их данными, включающие как информацию (и инструменты для доступа к ней), так и инструменты анализа. В качестве примера можно привести GBDX компании Digital Globe и платформу компании Descartes Labs.
Анализ данных. Важным моментом является появление первых размеченных массивов данных, на основе которых можно обучать алгоритмы распознавания объектов и интегрировать их в конечные продукты. Опыт работы лаборатории AeroNet Сколтеха показывает, что такие задачи способны решать и российские проекты, причем на мировом уровне. В целом, можно отметить увеличивающийся интерес data science сообщества к спутниковым снимкам, если судить по количеству соревнований на Kaggle.
Зачем все это
Подводя итог, сложно сказать лучше, чем Bill Coughan, партнер в Sequoia, лидировавший инвестиции фонда в компанию Orbital Insight: «Just as Google is organizing the world’s information, [AI-driven space companies] are just interpreting it». («Также как Google организует информацию, уже хранящуюся в мире, космические компании с применением ИИ занимаются ее интерпретацией»). Практически в каждой вертикали, от логистики до недвижимости, можно найти ряд применений, которые качественно будут менять бизнес-процессы и процесс принятия решений, поэтому, несомненно, речь идет о многомиллиардной возможности.
Если же говорить о России, то есть предпосылки к тому, чтобы отечественные компании и, в том числе, госкорпорация «Роскосмос» заняли значительную долю на этом формирующемся рынке. Во-первых, существует большой архив данных высокого разрешения — а именно они нужна для наиболее интересных применений сервисных применений данных ДЗЗ. Его наличие является критически важным для создания алгоритмов машинного обучения (распознавания объектов, создания прогнозных моделей и т.д.), это очень важный актив. Во-вторых, в России исторически сильная математическая школа и data science сообщество. Несмотря на то, что существует большое количество готовых фреймворков, решающих базовые задачи машинного обучения (например, распознавание лиц), но они не слишком хорошо оптимизированы под работу со спутниковыми снимками, которые имеют свою специфику (в частности, большой размер изображений и малый размер распознаваемых объектов).
Поэтому, сочетание большого архива редких данных и сильное сообщество специалистов, способных решать математические задачи — хорошая стартовая точка для отечественных проектов стать лидерами в области сервисов на основе ДЗЗ.