Taranis musste große Mengen hochauflösender Drohnenaufnahmen aus abgelegenen Regionen weltweit hochladen und die Infrastruktur skalieren, um komplexe Machine-Learning-Modelle zu trainieren. Jeder Drohnenflug erfasst 10.000 Bilder zu je 10–20 MB. Bis zu 40 % der Ernten gehen regelmäßig durch Insekten, Krankheiten, Unkraut und Nährstoffmängel verloren. Das Unternehmen brauchte bessere Konnektivität, mehr Geschwindigkeit und skalierbare Rechenleistung – ohne hohe Investitionen in eigene Infrastruktur.
Taranis migrierte auf die Google Cloud Platform und nutzt globale Rechenzentren für schnelle Konnektivität sowie V100-GPUs auf Compute Engine für die Bildverarbeitung. Die Lösung umfasst eine automatische Skalierung von 1.000 auf 4.000 V100s, Kubernetes Engine für die Satellitenbildverarbeitung, Cloud SQL für die Datenspeicherung sowie TensorFlow für das Training der Machine-Learning-Modelle. Die Plattform verarbeitet 100 Millionen einzelne Merkmale auf 700.000 Bildern.
Landwirtschaft ist ein saisonales Geschäft – wir haben Monate mit Spitzenauslastung und ruhigere Monate, und auch im Tagesverlauf gibt es Lastspitzen. In ruhigen Phasen können wir sämtliche High-Level-GPU-Ressourcen in Compute Engine automatisch herunterfahren, ohne das System vorab vorbereiten zu müssen.
Eli Bukchin, Mitgründer und CTO
Laut einem Bericht der Vereinten Nationen wird die Weltbevölkerung bis 2050 auf 9,8 Milliarden Menschen anwachsen – mit entsprechend höherem Nahrungsmittelbedarf. Gleichzeitig drücken Urbanisierung und unvorhersehbare Wetterlagen die landwirtschaftlichen Erträge. Taranis begegnet dieser Herausforderung mit Drohnentechnologie und KI: Landwirte reduzieren Ernteverluste, steigern Erträge und senken Kosten. Das 2014 gegründete Unternehmen betreut heute über seine Intelligence-Plattform mehr als 20 Millionen Acres weltweit.
Taranis sammelt riesige Datenmengen aus entlegenen Regionen wie Russland, Osteuropa und Südamerika. Jeder Drohnenflug erfasst rund 10.000 Bilder zu je 10–20 MB. Diese Datenmengen mussten schnell hochgeladen werden – bei gleichzeitig hoher Rechenleistung für das Training komplexer Machine-Learning-Modelle. Da bis zu 40 % der Ernten regelmäßig durch Insekten, Krankheiten, Unkraut und Nährstoffmängel verloren gehen, ist die frühzeitige Erkennung entscheidend.
Taranis migrierte in die Google Cloud, um die globalen Rechenzentren für schnelle Konnektivität bei einem Durchsatz von 30 TB zu nutzen. Die Lösung setzt auf V100-GPUs in Compute Engine mit automatischer Skalierung von 1.000 auf 4.000 Einheiten je nach Bedarf. Die Architektur umfasst Kubernetes Engine für die Satellitenbildverarbeitung, Cloud SQL für die Datenspeicherung, Cloud Functions und Cloud Pub/Sub. Diese Flexibilität erlaubt es, Ressourcen in ruhigeren Phasen der Saison automatisch zurückzufahren.
Taranis nutzt TensorFlow für das Training seiner Machine-Learning-Modelle und verarbeitet damit zig Millionen Fotos, die in den vergangenen anderthalb Jahren gesammelt wurden. Jedes Foto enthält bis zu tausend relevante Objekte – etwa Insektenschäden oder Blattverfärbungen. Insgesamt hat das Unternehmen rund 100 Millionen einzelne Merkmale auf 700.000 Bildern ausgewertet. Die Open-Source-Community rund um TensorFlow liefert dabei umfangreichen Support für eine schnelle Modellentwicklung.
Mit der Migration in die Google Cloud sanken die Upload-Zeiten von einem ganzen Tag auf wenige Stunden – drei- bis viermal schneller als zuvor. Dank paralleler Kubernetes-Deployments veröffentlicht das Unternehmen nahezu durchgängig neue Features, reduziert Ausfallzeiten und verzichtet auf geplante Wartungsfenster. Das beschleunigt die Produktentwicklung und sorgt für kürzere Feedback-Zyklen. Am wichtigsten: Die Kosten pro aufgenommenem Foto liegen heute zehnmal niedriger als zuvor.
Taranis evaluiert weitere Google-Cloud-Tools wie Cloud Bigtable, BigQuery und Cloud Dataflow, um Datenanalyse und Business-Intelligence-Erkenntnisse weiter auszubauen. Geplant sind eine weitere geografische Expansion sowie die kontinuierliche Optimierung der Machine-Learning-Modelle zur Erkennung neuer Krankheitskategorien. Dank der skalierbaren Infrastruktur kann das Vertriebsteam neue Kunden onboarden, ohne sich um Kapazitätsgrenzen sorgen zu müssen.
Entdecken Sie, wie Cloud Intelligence™ Teams dabei unterstützt, Transparenz, Governance und Unit Economics über Cloud-Umgebungen hinweg zu verbessern.
Connecting IBM and AWS privately was the piece we needed to get right, and we wanted to move faster on it than we could on our own. DoiT worked through the options with us, found the subnet overlap that was breaking the routing, and made it stable. That unblocked everything else.
DevOps Lead, Software Projects
Attribute™'s platform is truly unique. We now have crystal-clear visibility into our cloud spend at the workload and tenant level, and that insight has already led to actionable savings and powerful insights as we further scale our service.
Paul White, VP of Engineering, Shasta Cloud
We have worked with DoiT for many years, and there has been an increasing number of capabilities and features in DoiT Cloud Intelligence. We've embedded features such as Cloud Analytics and Reports in our own FinOps processes, it's become core to what we do.
Martin Lee, Director of Operations
DoiT gave us the confidence to move from experimentation to production. They helped us understand the right way to build AI for the real world.
Milad Rezazadeh, CTO
Attribute™'s cost grouping technology took our cost visibility and allocation to a whole new level. Now, our teams are fully accountable for their budgets, significantly improving our cloud efficiency and helping us minimize unnecessary costs.
Eli Zilbershtein, Head of DevOps, Hippo
You can't tag a customer in a multi-tenant environment. Attribute™ finally shows us what each customer costs and what's driving those costs.
Omri Cohen, Director of Engineering, Platform
Attribute™'s data is truly unmatched. No other solution on the market could deliver the precise customer cost and usage profiles we needed in such a complex infrastructure. Within weeks, the data from Attribute™ transformed our understanding of cost structures, influencing key strategic decisions in pricing, renegotiations, and market positioning.
Jonathan Langer, COO, Claroty
Attribute™ simplified tracking customer costs in our multi-tenant environments. Customer cost measurement is now clear and standardized, and finance gets the business context they need. Integration was quick and required no changes.
Kfir Lippmann, CFO, Salt Security
Attribute™ translates complex cloud bills into actionable, business-centric insights that empower our engineering teams to take true ownership of their costs.
Balamurugan Mohandossgandhi, Head of IT and Infrastructure, PropertyGuru
This has let us get a better idea of what our cost of goods sold really is. It's not every day you come across something that delivers value as quickly as yours did for us. I was seeing useful insights inside the POC, and we had only deployed it to a couple of real clusters.
Jason Moore, Principal DevOps Engineer, Accrete AI
Eliminating the need to tag thousands of resources has freed up my team and we've invested our efforts in enhancing our platform significantly.
Ziv Sivan, VP of Engineering
PerfectScale by DoiT has become an important part of how we optimize Kubernetes at scale at OneFootball. It gives our platform team the visibility, automation, resiliency insights, and confidence we need to balance cost efficiency with production readiness, especially as we prepare for major global football moments like the 2026 FIFA World Cup.
Andrea Benfatto, Platform/Cloud Runtime Engineering Manager
Cloudflow's new RDS End of Life alerts have allowed us to be more proactive on keeping our database instances up-to-date. The new solution gives us internal visibility ahead of time so that we can prepare for upgrades, instead of having to upgrade under pressure while incurring extended support costs.
Jon Fairbanks, Site Reliability Engineering Manager
Let us show you what ships this week.
