A Taranis precisava subir grandes volumes de imagens de drones em alta resolução a partir de regiões remotas no mundo todo e escalar a infraestrutura para treinar modelos complexos de machine learning. Cada voo de drone gera 10.000 imagens, de 10 a 20MB cada. Até 40% das safras se perdem com frequência por causa de insetos, doenças, ervas daninhas e deficiências nutricionais. A empresa precisava de mais conectividade, velocidade e capacidade de processamento escalável, sem um investimento pesado em infraestrutura.
A Taranis migrou para o Google Cloud Platform e passou a contar com data centers globais para conectividade rápida e GPUs V100 no Compute Engine para o processamento de imagens. A solução inclui escalonamento automático de 1.000 a 4.000 V100s, Kubernetes Engine para imagens de satélite, Cloud SQL para armazenamento de dados e TensorFlow para o treinamento dos modelos de machine learning. A plataforma processa 100 milhões de features distintas em 700.000 imagens.
A agricultura é um negócio sazonal: temos meses de pico seguidos de meses mais tranquilos, e também picos ao longo do dia. Nos períodos de menor demanda, conseguimos reduzir automaticamente todos os recursos de GPU de alto desempenho no Compute Engine, sem precisar preparar o sistema com antecedência.
Eli Bukchin, Cofundador e CTO
Segundo um relatório da ONU, a população mundial deve chegar a 9,8 bilhões em 2050, o que exigirá aumentos significativos na produção de alimentos. Ao mesmo tempo, a urbanização e os padrões climáticos imprevisíveis vêm reduzindo a produção agrícola. A Taranis enfrenta esse desafio com drones e IA para ajudar agricultores a reduzir perdas, aumentar a produtividade e diminuir custos. Fundada em 2014, a empresa hoje gerencia mais de 20 milhões de acres no mundo todo por meio de sua plataforma de inteligência.
A Taranis coleta volumes enormes de dados em regiões remotas, como Rússia, Leste Europeu e América do Sul. Cada voo de drone captura cerca de 10.000 imagens, com 10 a 20MB cada. A empresa precisava subir esses grandes volumes rapidamente, sem abrir mão da capacidade de processamento para treinar modelos complexos de machine learning. Até 40% das safras se perdem com frequência por insetos, doenças, ervas daninhas e deficiências nutricionais — por isso, a detecção precoce é crítica.
A Taranis migrou para o Google Cloud para aproveitar os data centers globais, que oferecem conectividade rápida para a vazão de 30TB. A solução usa GPUs V100 no Compute Engine com escalonamento automático de 1.000 a 4.000 unidades, conforme a demanda. A arquitetura inclui Kubernetes Engine para o processamento de imagens de satélite, Cloud SQL para armazenamento de dados, Cloud Functions e Cloud Pub/Sub. Essa flexibilidade permite à empresa reduzir os recursos automaticamente nos períodos mais tranquilos da temporada agrícola.
A Taranis usa o TensorFlow para treinar modelos de machine learning, processando dezenas de milhões de fotos coletadas no último ano e meio. Cada foto pode trazer até mil itens de interesse, como danos por insetos ou descoloração nas folhas. No total, a empresa já processou cerca de 100 milhões de features distintas em 700.000 imagens. A comunidade open source do TensorFlow oferece amplo suporte para o desenvolvimento rápido de modelos.
A migração para o Google Cloud reduziu o tempo de upload de um dia inteiro para poucas horas — três a quatro vezes mais rápido do que antes. A empresa hoje lança features de forma quase contínua com deploys paralelos no Kubernetes, o que reduz o downtime e elimina janelas de atualização programada. Isso acelera a evolução do produto e encurta os ciclos de feedback. E o mais importante: o custo por foto agora é dez vezes menor do que antes.
A Taranis está explorando outras ferramentas do Google Cloud, como Cloud Bigtable, BigQuery e Cloud Dataflow, em busca de insights melhores em data analytics e business intelligence. A empresa planeja seguir com a expansão geográfica e o aprimoramento contínuo dos modelos de machine learning para detectar novas categorias de doenças. Graças à infraestrutura escalável, o time de vendas pode trazer novos clientes sem se preocupar com limites de capacidade.
Conheça o Cloud Intelligence™ e veja como ele ajuda os times a ganhar visibilidade, governança e unit economics em ambientes de nuvem.
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.
