![](https://techcrunch.com/wp-content/uploads/2024/04/GettyImages-1652364481.jpg?w=711)
Cuando Julie Trias y Elizabeth Nammour trabajaban juntas en Airbnb en el equipo de datos de la empresa, tenían que lidiar con datos distribuidos en una variedad de fuentes, y esa creciente expansión generó desafíos para mantener los datos seguros. La propia frustración de los fundadores con la variedad existente de opciones de protección de datos los motivó a lanzar una empresa y crear la herramienta automatizada de protección de datos que querían.
El martes, esa startup, Teleskope, anunció una inversión inicial de 5 millones de dólares.
“Probamos un montón de herramientas diferentes para ayudarnos a comprender, proteger, eliminar y redactar datos en Airbnb, pero nos dimos cuenta de que no existía esa herramienta que pudiera ayudar a los desarrolladores a hacer esto automáticamente”, dijo Trias a TechCrunch.
Eso no quiere decir que no hubiera soluciones, pero las que existían, como herramientas de clasificación de datos, generaban muchos falsos positivos y tenían problemas de escala. “No había una herramienta que pudiera ayudar a pasar de la detección a la corrección real, que consiste en redactar los datos, aislarlos o tomar algún tipo de acción sobre los datos”. La solución que Teleskope ha creado permite a los clientes conectarse a sus diversas fuentes de datos, identificar datos confidenciales en una variedad de almacenes de datos de forma automatizada y aislarlos o eliminarlos cuando sea necesario.
Actualmente tienen algunos casos de uso diferentes: “Ahora vendemos principalmente a equipos de datos, no solo a un desarrollador de productos, sino a ingenieros de gobierno de datos, que quieren limpiar todos sus conjuntos de datos en su almacén de datos, o quieren limpiar un conjunto de datos antes de usarlo para el entrenamiento del modelo, o tienen múltiples conjuntos de datos y necesitan eliminar datos de un usuario en particular para fines de cumplimiento”, dijo.
La solución se basa en lo que Trias llama “un conjunto de modelos” en los que entran en juego diferentes, según el tipo de datos. “Por ejemplo, hemos entrenado un modelo que es realmente bueno para clasificar datos en lenguaje natural, como tipos de archivos conversacionales. Hemos entrenado un modelo que funciona muy bien con tipos de formatos tabulares estructurados. Hemos entrenado un modelo que puede clasificar datos confidenciales en un archivo base de código o un archivo de registro”, dijo.
Trias dice que a pesar de tener la experiencia y el pedigrí para crear un producto como este, no estaban bien versados en el mundo del capital de riesgo y en cómo presentar la empresa por primera vez, y los equipos fundadores femeninos enfrentan un desafío mayor con inversores en general. “Creo que la parte más difícil fue que cuando empezamos a hacer llamadas de capital riesgo, no teníamos idea de cómo hacerlo. Ni siquiera sabíamos qué era un socio de diseño. Éramos pre-producto, pre-cualquier cosa, y no conocíamos toda la jerga de VC. Por eso no estábamos muy preparados cuando celebramos nuestras primeras reuniones con los capitalistas de riesgo”, dijo.
Refinaron su presentación con el tiempo y pudieron encontrar inversores que los entendieron a ellos y a su visión. La financiación inicial fue liderada por Primary Venture Partners con la participación de Lerer Hippeau y Plug and Play Ventures junto con Essence VC, que lideró la ronda previa a la semilla de la compañía.