Présentation
Mosqitter, startup de 30 personnes basée en Pennsylvanie, a déployé plus de 5 000 appareils sur cinq continents. Initialement conçus pour attirer les femelles grâce à la chaleur, aux odeurs humaines et au CO₂, les modèles Grand (US$1 999) et Mini (US$199) servent maintenant de capteurs physiques pour un système de suivi automatisé.
Fonctionnement technique
Chaque piège capture des images haute résolution des moustiques retenus. Ces images sont acheminées vers un réseau de neurones convolutionnels qui extrait des caractéristiques morphologiques (longueur d’antenne, motif d’ailes, coloration). Le résultat est comparé à des bases de données publiques d’entomologie, puis validé par des experts humains. Un score de confiance est attribué en fonction de la concordance entre le modèle, les jeux de données externes et la validation entomologique, ce qui constitue un processus à trois juges décrit par la CEO Anastasiia Romanova.
En parallèle, les capteurs environnementaux intégrés mesurent température, humidité, vitesse du vent et précipitations. Ces variables sont fusionnées avec les comptages d’espèces via un modèle de séries temporelles afin de produire des prévisions de densité de population et d’identifier des tendances susceptibles d’annoncer des risques sanitaires.
Analyse des données et perspectives économiques
Le nouveau service Febris Monitoring System, prévu pour lancement le mois prochain, ajoute une couche SaaS : tableaux de bord, alertes et analyses contractuelles destinées aux gouvernements, agences de santé publique et aéroports. Mosqitter estime que les ventes de matériel généreront plus d’un million de dollars en 2026, tandis que les contrats de données pourraient dépasser 3,5 M$ l’an suivant, selon les offres en cours.
Le modèle de revenu combine une marge sur le hardware avec un abonnement récurrent pour l’accès aux données, ce qui crée une source de cash‑flow stable et facilite la levée de 5 M$ en deux tranches (1 M$ initial, 4 M$ supplémentaires).
Limites et défis
Le système ne prétend pas diagnostiquer la présence de pathogènes ; il ne signale que la présence d’une espèce capable de transmettre une maladie, ce qui impose aux autorités de croiser ces informations avec d’autres indicateurs épidémiologiques. La précision du modèle dépend fortement de la qualité des images capturées ; des conditions de faible luminosité ou des déformations du corps du moustique peuvent réduire le score de confiance et augmenter le taux de validation manuelle. De plus, la dépendance à des bases de données externes expose le service à des biais géographiques si les espèces locales sont sous‑représentées.
