Dos ex empleados de Airbnb están llevando inteligencia y automatización a la protección de datos

Cuando Julie Trias y Elizabeth Nammour trabajaban juntas en Airbnb en el equipo de datos de la empresa, tenían que lidiar con datos dispersos en una variedad de fuentes, y esa creciente expansión llevó a desafíos para mantener seguros los datos. La propia frustración de las fundadoras con la actual oferta de opciones de protección de datos las motivó a lanzar una empresa y construir la herramienta de protección de datos automatizada que querían.

El martes, esa startup, Teleskope, anunció una inversión inicial de $5 millones.

“Probamos un montón de herramientas diferentes para ayudarnos a entender, proteger, borrar y redactar datos en Airbnb, pero lo que nos dimos cuenta es que no existía esa herramienta que pudiera ayudar a los desarrolladores a hacer esto de forma automática”, dijo Trias a TechCrunch.

Eso no quiere decir que no hubiera soluciones, pero las existentes como las herramientas de clasificación de datos generaban muchos falsos positivos y tenían problemas de escalabilidad. “No había una herramienta que pudiera ayudarte a pasar de la detección a la remedición real, que es redactar los datos, aislar los datos o tomar cualquier tipo de acción sobre los datos.” La solución que Teleskope ha construido permite a los clientes conectarse a sus diversas fuentes de datos, identificar datos sensibles a través de una variedad de almacenes de datos de manera automatizada y aislarlos o borrarlos cuando sea necesario.

Actualmente tienen varios casos de uso distintos: “Principalmente ahora estamos vendiendo a equipos de datos, no solo a desarrolladores de productos, sino a ingenieros de gobernanza de datos, que quieren limpiar sus conjuntos de datos completos en su almacén de datos, o quieren limpiar un conjunto de datos antes de utilizarlo para entrenamiento de modelos, o tienen múltiples conjuntos de datos y necesitan borrar datos de un usuario en particular por razones de cumplimiento”, dijo.

La solución se basa en lo que Trias llama “un pipeline de modelos” con diferentes modelos entrando en juego, dependiendo del tipo de datos. “Así que, por ejemplo, hemos entrenado un modelo que es realmente bueno clasificando datos en lenguaje natural como tipos de archivos conversacionales. Hemos entrenado un modelo que funciona muy bien con formatos estructurados tabulares. Hemos entrenado un modelo que puede clasificar datos sensibles en un archivo de base de código o un archivo de registro”, dijo.

Trias dice que a pesar de tener la experiencia y el pedigrí para construir un producto como este, no estaban bien versadas en el mundo del capital de riesgo y cómo presentarse cuando lanzaron la empresa por primera vez, y los equipos fundadores femeninos enfrentan un desafío mayor con los inversores en general. “Creo que la parte más difícil fue que cuando comenzamos a hacer llamadas de VC, no teníamos ni idea de cómo hacerlo. Ni siquiera sabíamos qué era un socio de diseño. Estábamos en la etapa previa al producto, previa a todo, y no conocíamos todo el lenguaje de VC. Así que estábamos muy mal preparadas cuando tuvimos nuestras primeras reuniones con VCs”, dijo.

Refinaron su presentación con el tiempo y pudieron encontrar inversores que los entendieron a ellas y a su visión. La financiación inicial fue liderada por Primary Venture Partners con la participación de Lerer Hippeau, Plug and Play Ventures y Essence VC. Lerer Hippeau lideró la ronda de pre-semilla.