W 2018 roku naukowcy danych z Ubera nanieśli miliony współrzędnych przejazdów w Toronto i wyłączyli podstawową mapę ulic. Czysta gęstość ruchu ludzkiego doskonale odzwierciedliła miasto. Negatywna przestrzeń zarysowała Jezioro Ontario, główne parki i dokładne kontury budynków. Dane telemetryczne stały się mapą. Dotarcie do tej realizacji wymagało rozwiązania ogromnego wąskiego gardła obliczeniowego. Uber tonął w danych lokalizacyjnych. Tradycyjne oprogramowanie kartograficzne było stworzone do statycznych map. Zasilanie tych systemów danymi o wysokiej prędkości z globalnej sieci rideshare zasadniczo powodowało zawieszanie się i awarie przeglądarek. Potrzebowali zupełnie nowej architektury. Uber zatrudnił Shan He, byłego architekta fizycznego, który przeszedł do informatyki na MIT. Zdała sobie sprawę, że naukowcy danych muszą manipulować ogromnymi zbiorami danych bez pisania niestandardowego kodu renderującego. Poprowadziła stworzenie zamiast używać standardowego renderowania w sieci, framework ominął główny wątek przeglądarki i przeniósł złożone obliczenia geometryczne bezpośrednio do jednostki przetwarzania graficznego użytkownika. Efektem była aplikacja internetowa, która mogła płynnie renderować ponad milion punktów danych i tysiące przejazdów jednocześnie. Każdy mógł zbudować złożone wizualizacje 3D w kilka sekund. Wewnętrzne odkrycia zaoszczędziły Uberowi miliony. Mapując błędy szacowanego czasu przybycia w Manhattanie, analitycy wizualizowali poważne niedobory dostaw w pobliżu wody. Fizyczne granice rzek zmuszały samochody do kierunków północnych, cicho łamiąc globalne algorytmy dyspozycyjne. Mapowali wskaźniki sukcesu odbioru, używając bardzo szczegółowych heksagonalnych siatek nad geometriami budynków 3D. Wizualizacje wskazały dokładne alejki i złożone wyjścia z budynków, które konsekwentnie powodowały anulowania. Uber natychmiast wykorzystał te dane do przepisania swojego silnika rekomendacji odbioru. Ponieważ silnik renderujący przetwarzał tylko współrzędne i czas, był całkowicie obojętny na temat. Inżynier użył go do modelowania teoretycznej logistyki przestrzeni powietrznej w miastach dla latających samochodów. Akademicy użyli dokładnie tego samego narzędzia do śledzenia przestrzennego rozkładu wirusów przenoszonych przez kleszcze i mapowania orbit satelitów. Uber podjął strategiczną decyzję o wydaniu pod licencją open-source. Stało się to standardem branżowym niemal z dnia na dzień. Airbnb użyło go do śledzenia zmienności cen wynajmu podczas pandemii. Planiści miejscy użyli go do rozplątywania wzorców dojazdów w Nowym Jorku. Następnie zespół inżynieryjny opuścił Uber, aby założyć startup o nazwie Unfolded. Zbudowali narzędzia do zarządzania danymi klasy enterprise na bazie swojego silnika renderującego open-source. Zebrali 6 milionów dolarów, udowodnili wartość przedsiębiorstwa swojej architektury i zostali przejęci przez Foursquare w 2021 roku. Narzędzie pierwotnie stworzone, aby zapobiec zawieszaniu się przeglądarek podczas wizualizacji przejazdów taksówek, stało się dość ważnym narzędziem w wizualizacjach geospatialnych.

Śledzenie niezarejestrowanych statków z ciemnej sieci jest notorycznie trudne i kosztowne. Jednak nowy zautomatyzowany system wykorzystuje istniejące podwodne kable internetowe do pasywnego ich wykrywania. Oto szczegóły:

ONZ szacuje, że na Ziemi znajduje się około 4 miliardów budynków. Naukowcy właśnie opublikowali pierwszy otwarty zbiór danych, który dostarcza modele 3D dla 2,75 miliarda z nich w rozdzielczości 3m: