Les deux filles du fondateur d’Acres, Carter Malloy, se pressent le visage contre une vitre au fond du bureau, essayant de voir les machines bourdonnantes dont leur père a parlé : deux GPU haut de gamme cachés dans un coin sombre.
Malloy a acheté ces deux machines à NVIDIA en 2024 et en a récemment commandé deux autres, qui devraient arriver plus tard cette semaine. L’entreprise fait également passer de nouveaux câbles à travers le plafond pour connecter les machines directement aux ordinateurs de son équipe de science des données, afin qu’elle puisse former des modèles directement sur site au lieu de louer du temps dans le cloud.
“L’avoir localement est beaucoup moins cher à former et en fait plus rapide”, explique Malloy.
Acres est peut-être une petite startup d’environ 70 personnes seulement, mais elle fait partie d’un nombre croissant de sociétés de données spécialisées qui assemblent discrètement des clusters GPU en dehors des murs de la Big Tech, dans le pari que posséder son propre ordinateur constituera un avantage concurrentiel. Andreessen Horowitz possède son propre pool de GPU qu’il loue à des startups en échange de capital. Et des startups individuelles, y compris la startup d’hébergement vidéo Gumlet, ont déclaré qu’elles hébergeaient également leur propre matériel. Ce matériel peut coûter plus de 25 000 dollars par GPU, plus les coûts d’alimentation courants. En cas de pénurie d’approvisionnement comme l’année dernière, il peut être difficile pour les petites entreprises de se les procurer sans être inscrites sur des listes d’attente pendant des mois.
Mais pour diriger une société de renseignement sur les données géospatiales, Malloy estime qu’il était plus logique d’avoir son propre cluster.
Cela n’a pas toujours été comme ça. Il y a quelques années, Malloy dirigeait une entreprise très différente : AcreTrader, une plateforme fintech d’investissement dans les terres agricoles basée à Fayetteville, Arkansas, qui permettait effectivement aux investisseurs d’acheter des parcelles de champs de la même manière qu’ils achèteraient des actions. L’été dernier, il a vendu la partie « Marchand » de l’entreprise pour un montant non divulgué pour se concentrer sur une seule chose : les données.
Dès le début, une petite équipe de la startup collectait des données pour aider les propriétaires fonciers à valoriser et à évaluer les terres agricoles, depuis l’historique des ventes et des baux et les données sur les infrastructures hydrauliques jusqu’à la topographie LiDAR, l’imagerie satellite et même la profondeur des puits d’eau au Texas. Au fil du temps, la pile interne de cartographie et d’analyse « est devenue très rapidement plus volumineuse que Trader ne le pouvait », explique Malloy, car les informations foncières sont non seulement difficiles et rapides à obtenir, mais nécessitent souvent des ingénieurs de données pour les analyser.
À mesure que les grands modèles de langage devenaient plus sophistiqués, Malloy a imaginé de nouvelles façons permettant aux clients d’interagir avec les données que son équipe extrayait et nettoyait soigneusement. Avec la nouvelle plate-forme bêta Acres, un développeur peut taper un message en anglais simple : trouvez-moi une parcelle de 40 acres située principalement en dehors de la plaine inondable, à moins de trois miles des infrastructures d’égouts, dans un comté connu pour délivrer rapidement des permis, et le système examine ses cartes et ses données pour trouver des sites viables. Grâce à l’intégration d’Acres avec la startup d’information publique Hamlet, les entreprises de centres de données pourraient également analyser si les gouvernements locaux des villes et des comtés sont favorables (ou moins amicaux) aux nouveaux projets de développement et de centres de données.
Entrez les GPU. Acres fonctionne avec des données géospatiales, non seulement des feuilles de calcul, mais également des couches vectorielles et raster qui définissent les points, les lignes et les polygones derrière les cartes de zonage et de propriété foncière. Le traitement de ce type d’imagerie et de géométrie est lourd en termes de calcul, et l’ajout de GPU en interne permet à l’équipe de former des modèles et d’exécuter des analyses de sélection de sites plus rapidement et à moindre coût, selon Malloy, qui a refusé de commenter l’augmentation de ses factures de services publics, sauf pour dire que cela « prend un peu d’énergie ».
Malloy est étourdi lorsqu’il en parle. Il vous semble que votre équipe évolue à la frontière de la data science. “Nous faisons des progrès dans la science géospatiale grâce à l’IA… Nous construisons des choses pour lesquelles les articles universitaires n’existent pas.”
J’exagère peut-être un peu, mais il y a une part de vérité dans cette idée : combiner les registres fonciers au niveau des parcelles, les données de permis et les images haute résolution à cette échelle avec LLM est encore un territoire relativement nouveau.
La seule chose qui semble intéresser Malloy est de suivre le rythme du changement et de la demande. Acres a commencé à déployer sa nouvelle fonctionnalité de recherche générative d’IA auprès des entreprises clientes il y a quelques semaines à peine, et Malloy affirme avoir vu des clients jurer et rire du temps qu’ils pensent pouvoir leur faire gagner.
Historiquement, dit Malloy, Acres a essayé d’intégrer les clients trop rapidement. Avec seulement cinq personnes dans l’équipe de support client, Malloy souhaite déplacer soigneusement les clients vers la nouvelle plate-forme bêta. Sans oublier que cela fait moins d’un an qu’Acres a vendu ce qui était autrefois le cœur de l’entreprise.
“Cela me tient définitivement éveillé : nous allons prendre de l’avance. Nous l’avons déjà fait”, a déclaré Malloy.
