Em 2018, cientistas de dados da Uber traçaram milhões de coordenadas de viagem em Toronto e desativaram o mapa de ruas subjacente. A densidade de movimentos humanos atraía perfeitamente a cidade de qualquer forma. O espaço negativo delimitava o Lago Ontário, os principais parques e as pegadas exatas dos edifícios. Os dados de telemetria haviam se tornado o mapa. Chegar a essa conclusão exigiu resolver um enorme gargalo computacional. A Uber estava afogada em dados de localização. O software cartográfico tradicional foi desenvolvido para mapas estáticos. Alimentar esses sistemas com dados de alta velocidade de uma rede global de caronas basicamente fez com que os navegadores travassem e travassem. Eles precisavam de uma arquitetura completamente nova. A Uber trouxe Shan He, um ex-arquiteto físico que havia migrado para ciência da computação no MIT. Ela reconheceu que cientistas de dados precisavam manipular conjuntos de dados enormes sem precisar escrever código de renderização personalizado. Ela liderou a criação de Em vez de usar renderização web padrão, o framework contornava o tópico principal do navegador e transferia os cálculos geométricos complexos diretamente para a unidade de processamento gráfico do usuário. O resultado foi um aplicativo web que conseguia renderizar suavemente mais de um milhão de pontos de dados e milhares de viagens simultaneamente. Qualquer um poderia criar visualizações 3D complexas em segundos. As descobertas internas economizaram milhões para a Uber. Ao mapear erros de Tempo Estimado de Chegada em Manhattan, analistas visualizaram graves escassez de suprimentos próximos à água. Os limites físicos dos rios forçavam os carros a seguir vetores no sentido norte, quebrando silenciosamente os algoritmos globais de despacho. Eles mapearam as taxas de sucesso de captação usando grades hexagonais altamente granulares sobre geometrias de edifícios 3D. As visualizações identificaram exatamente os becos e saídas complexas de prédios que causavam cancelamentos de forma consistente. A Uber imediatamente usou esses dados para reescrever seu mecanismo de recomendação de retirada. Como o motor de renderização processava apenas coordenadas e tempo, era completamente indiferente ao assunto. Um engenheiro a usou para modelar a logística teórica do espaço aéreo urbano para carros voadores. Acadêmicos usaram exatamente a mesma ferramenta para rastrear a distribuição espacial dos vírus transmitidos por carrapato e mapear órbitas de satélites. A Uber tomou a decisão estratégica de lançar sob uma licença de código aberto. Tornou-se o padrão da indústria quase da noite para o dia. O Airbnb usou isso para acompanhar a volatilidade dos preços dos aluguéis durante a pandemia. Os planejadores urbanos usaram isso para desvendar os padrões de deslocamento por Nova York. Depois, a equipe principal de engenharia deixou a Uber para fundar uma startup chamada Unfolded. Eles construíram ferramentas de gerenciamento de dados de nível empresarial sobre seu motor de renderização open-source. Eles levantaram 6 milhões de dólares, comprovaram o valor empresarial de sua arquitetura e foram adquiridos pela Foursquare em 2021. Uma ferramenta originalmente criada para evitar que os navegadores travassem ao visualizar viagens de táxi tornou-se uma ferramenta bastante importante nas visualizações geoespaciais.