Quando Julie Trias e Elizabeth Nammour trabalhavam juntas na Airbnb na equipa de dados da empresa, tiveram de lidar com dados espalhados por uma variedade de fontes, e essa expansão crescente levou a desafios em manter os dados seguros. A própria frustração dos fundadores com o conjunto existente de opções de proteção de dados motivou-os a lançar uma empresa e a construir a ferramenta automatizada de proteção de dados que desejavam.
Na terça-feira, aquela startup, Telescópiosanunciou um investimento inicial de US$ 5 milhões.
“Testamos várias ferramentas diferentes para nos ajudar a entender, proteger, excluir e editar dados no Airbnb, mas o que percebemos é que não existia essa ferramenta que pudesse ajudar os desenvolvedores a fazer isso automaticamente”, disse Trias ao TechCrunch.
Isso não quer dizer que não houvesse soluções, mas aquelas que existiam como ferramentas de classificação de dados geraram muitos falsos positivos e tiveram problemas de escala. “Não havia uma ferramenta que pudesse ajudá-lo a passar da detecção à correção real, que consiste em redigir os dados, isolá-los ou tomar qualquer tipo de ação sobre os dados.” A solução que a Teleskope construiu permite que os clientes se conectem às suas diversas fontes de dados, identifiquem dados confidenciais em uma variedade de armazenamentos de dados de forma automatizada e os isolem ou excluam quando necessário.
Atualmente, eles têm alguns casos de uso diferentes: “Estamos vendendo principalmente para equipes de dados, não apenas para desenvolvedores de produtos, mas para engenheiros de governança de dados, que desejam limpar todos os seus conjuntos de dados em seu data warehouse ou desejam limpar um conjunto de dados antes de usá-lo para treinamento de modelo, ou têm vários conjuntos de dados e precisam excluir dados de um usuário específico para fins de conformidade”, disse ela.
A solução depende do que Trias chama de “um pipeline de modelos” com diferentes modelos entrando em ação, dependendo do tipo de dados. “Por exemplo, treinamos um modelo que é realmente bom para classificar dados em linguagem natural, como tipos de arquivos conversacionais. Treinamos um modelo que funciona muito bem com tipos de formatos tabulares estruturados. Treinamos um modelo que pode classificar dados confidenciais em um arquivo base de código ou arquivo de log”, disse ela.
Trias diz que, apesar de terem experiência e pedigree para construir um produto como este, eles não eram bem versados no mundo do capital de risco e em como lançar a empresa quando lançaram a empresa pela primeira vez – e as equipes fundadoras femininas enfrentam um desafio maior com investidores em geral. “Acho que a parte mais difícil foi que, quando começamos a fazer ligações de capital de risco, não tínhamos ideia de como fazer isso. Nem sabíamos o que era um parceiro de design. Éramos pré-produto, pré-qualquer coisa, e não conhecíamos toda a linguagem do VC. E por isso estávamos muito despreparados quando realizamos nossas primeiras reuniões com VCs”, disse ela.
Eles aprimoraram sua apresentação ao longo do tempo e conseguiram encontrar investidores que compreenderam sua visão. O financiamento inicial foi liderado pela Primary Venture Partners com a participação de Lerer Hippeau e Plug and Play Ventures junto com Essence VC, que liderou a rodada de pré-semente da empresa.
