Another Earth lève 3,5 M€ pour simuler la planète et entraîner l’IA Another Earth lève 3,5 M€ pour générer des données synthétiques permettant d’entraîner l’IA dédiée à l’observation terrestre.
Dans l’ère où l’observation de la Terre repose sur des satellites qui produisent plus d’images que jamais, l’IA chargée de les analyser reste limitée par le manque de données d’entraînement. La startup autrichienne Another Earth se positionne sur ce point précis en développant une technologie capable de générer des données synthétiques pour l’observation terrestre afin d’alimenter les modèles et d’améliorer leur robustesse. Après une levée de 3,5 M€, la jeune pousse va pouvoir tester son approche à l’échelle et proposer des solutions qui vont au-delà des données réelles disponibles.
Comment fonctionne la stratégie d’Another Earth
La promesse tient dans la capacité à simuler des environnements terrestres et des scènes satellitaires qui n’existent pas encore dans les jeux de données réels. En combinant des techniques de modélisation et des procédés génératifs, l’entreprise peut produire des images et des métadonnées associées—labels, étiquetage de surface, indices de végétation—pour entraîner des réseaux neuronaux sans dépendre uniquement d’observations passées.
Cette approche répond à deux obstacles majeurs: la rareté des exemples rares (catastrophes, zones peu couvertes) et le biais lié à un échantillonnage limité. Les données synthétiques peuvent être adaptées à des scénarios variés, puis calibrées à partir d’échantillons réels afin de limiter la dérive entre le monde simulé et le monde réel.
Avantages attendus
- Robustesse des modèles : les algorithmes apprennent à reconnaître des situations variées et peu représentées dans les données réelles.
- Réduction du coût et accélération du cycle de développement, car la génération de jeux de données peut être automatisée.
- Portée géographique élargie : simulation de zones où l’accès à l’imagerie est limité.
Ce que cela change et les limites
Au-delà du potentiel opérationnel, la vraie question est celle de la transférabilité des apprentissages. Les données synthétiques, aussi photoréalistes soient-elles, restent artificielles et peuvent masquer des biais ou des lacunes du modèle si elles ne reflètent pas fidèlement la diversité du monde réel. Des vérifications rigoureuses et des tests sur des jeux de données réels restent indispensables pour évaluer la performance dans des conditions opérationnelles.
Autre enjeu: la dépendance à une chaîne technologique complexe (génération, annotation, calibrage) qui peut ajouter des points de fragilité et des coûts de maintenance. Enfin, le marché des solutions d’observation terrestre est concurrentiel: entre les acteurs dédiés à l’imagerie et les entreprises qui cherchent à optimiser leurs propres flux, l’angle synthétique peut devenir une vraie proposition de valeur, mais exige une traçabilité claire des résultats et des benchmarks publics.
Pour terminer
La levée de 3,5 M€ accordée à Another Earth permet d’esquisser une trajectoire où les modèles d’IA ne seront pas freinés par la disponibilité des données, mais par leur qualité et leur diversité. Si l’approche tient ses promesses, elle pourrait changer la donne pour l’entraînement des algorithmes d’observation et ouvrir la voie à une nouvelle génération d’outils d’analyse satellite. Le vrai test sera de vérifier, sur des cas concrets, que les performances gagnent en précision et en fiabilité lorsqu’on passe du monde simulé au monde réel.
