Em 2018, cientistas de dados da Uber plotaram milhões de coordenadas de corridas em Toronto e desligaram o mapa de ruas subjacente. A densidade pura do movimento humano desenhou perfeitamente a cidade de qualquer forma. O espaço negativo contornou o Lago Ontário, grandes parques e as exatas pegadas dos edifícios. Os dados de telemetria tornaram-se o mapa. Chegar a essa realização exigiu resolver um enorme gargalo computacional. A Uber estava se afogando em dados de localização. O software cartográfico tradicional foi construído para mapas estáticos. Alimentar esses sistemas com os dados de alta velocidade de uma rede global de compartilhamento de corridas causou essencialmente o congelamento e a falha dos navegadores. Eles precisavam de uma arquitetura completamente nova. A Uber trouxe Shan He, uma ex-arquiteta física que havia mudado para a ciência da computação no MIT. Ela reconheceu que os cientistas de dados precisavam manipular conjuntos de dados massivos sem escrever código de renderização personalizado. Ela liderou a criação de Em vez de usar a renderização web padrão, a estrutura contornou o thread principal do navegador e descarregou os cálculos geométricos complexos diretamente na unidade de processamento gráfico do usuário. O resultado foi uma aplicação web que podia renderizar suavemente mais de um milhão de pontos de dados e milhares de corridas simultaneamente. Qualquer um poderia construir visualizações 3D complexas em segundos. As descobertas internas economizaram milhões para a Uber. Ao mapear os erros de Tempo Estimado de Chegada em Manhattan, os analistas visualizaram severas faltas de suprimento perto da água. Os limites físicos dos rios estavam forçando os carros em vetores para o norte, quebrando silenciosamente os algoritmos globais de despacho. Eles mapearam as taxas de sucesso de coleta usando grades hexagonais altamente granulares sobre geometrias de edifícios 3D. As visualizações apontaram os exatos becos e saídas complexas de edifícios que causavam consistentemente cancelamentos. A Uber imediatamente usou esses dados para reescrever seu motor de recomendação de coleta. Como o motor de renderização apenas processava coordenadas e tempo, ele era completamente indiferente ao assunto. Um engenheiro usou-o para modelar a logística teórica do espaço aéreo urbano para carros voadores. Acadêmicos usaram a mesma ferramenta exata para rastrear a distribuição espacial de vírus transmitidos por carrapatos 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. A Airbnb usou-o para rastrear a volatilidade dos preços de aluguel durante a pandemia. Planejadores urbanos usaram-no para desvendar padrões de deslocamento em Nova York. Então, a equipe de engenharia central deixou a Uber para fundar uma startup chamada Unfolded. Eles construíram ferramentas de gerenciamento de dados de nível empresarial em cima de seu motor de renderização de código aberto. Eles levantaram $6 milhões, provaram o valor empresarial de sua arquitetura e foram adquiridos pela Foursquare em 2021. Uma ferramenta originalmente construída para impedir que os navegadores travassem ao visualizar corridas de táxi tornou-se uma ferramenta bastante importante em visualizações geoespaciais.