En 2018, des scientifiques des données d'Uber ont tracé des millions de coordonnées de trajets à Toronto et ont désactivé la carte de rue sous-jacente. La densité même du mouvement humain a parfaitement dessiné la ville de toute façon. L'espace négatif a délimité le lac Ontario, les grands parcs et les empreintes exactes des bâtiments. Les données de télémétrie étaient devenues la carte. Pour parvenir à cette réalisation, il a fallu résoudre un énorme goulot d'étranglement computationnel. Uber était submergé par les données de localisation. Les logiciels cartographiques traditionnels étaient conçus pour des cartes statiques. Alimenter ces systèmes avec les données à haute vitesse d'un réseau de covoiturage mondial faisait essentiellement geler et planter les navigateurs. Ils avaient besoin d'une architecture complètement nouvelle. Uber a fait appel à Shan He, une ancienne architecte physique qui avait pivoté vers l'informatique au MIT. Elle a reconnu que les scientifiques des données devaient manipuler d'énormes ensembles de données sans écrire de code de rendu personnalisé. Elle a dirigé la création d'un cadre qui, au lieu d'utiliser un rendu web standard, contournait le fil principal du navigateur et déchargeait les calculs géométriques complexes directement sur l'unité de traitement graphique de l'utilisateur. Le résultat était une application web capable de rendre en douceur plus d'un million de points de données et des milliers de trajets simultanément. Quiconque pouvait créer des visualisations 3D complexes en quelques secondes. Les découvertes internes ont permis à Uber d'économiser des millions. En cartographiant les erreurs d'estimation du temps d'arrivée à Manhattan, les analystes ont visualisé de graves pénuries d'approvisionnement près de l'eau. Les limites physiques des rivières forçaient les voitures à emprunter des vecteurs vers le nord, brisant silencieusement les algorithmes de répartition globaux. Ils ont cartographié les taux de réussite des prises en charge en utilisant des grilles hexagonales très granulaires sur des géométries de bâtiments 3D. Les visualisations ont identifié les ruelles exactes et les sorties complexes des bâtiments qui causaient systématiquement des annulations. Uber a immédiatement utilisé ces données pour réécrire son moteur de recommandation de prise en charge. Comme le moteur de rendu ne traitait que des coordonnées et du temps, il était complètement indifférent au sujet. Un ingénieur l'a utilisé pour modéliser la logistique théorique de l'espace aérien urbain pour les voitures volantes. Des universitaires ont utilisé exactement le même outil pour suivre la distribution spatiale des virus transmis par les tiques et cartographier les orbites des satellites. Uber a pris la décision stratégique de le publier sous une licence open-source. Cela est devenu la norme de l'industrie presque du jour au lendemain. Airbnb l'a utilisé pour suivre la volatilité des prix de location pendant la pandémie. Les urbanistes l'ont utilisé pour démêler les schémas de trajet à New York. Puis, l'équipe d'ingénierie centrale a quitté Uber pour fonder une startup appelée Unfolded. Ils ont construit des outils de gestion de données de niveau entreprise sur leur moteur de rendu open-source. Ils ont levé 6 millions de dollars, prouvé la valeur d'entreprise de leur architecture et ont été acquis par Foursquare en 2021. Un outil initialement conçu pour empêcher les navigateurs de planter lors de la visualisation des trajets en taxi est devenu un outil assez important dans les visualisations géospatiales.