Ein Paar ehemalige Mitarbeiter von Airbnb bringt Intelligenz und Automatisierung in den Datenschutz
Als Julie Trias und Elizabeth Nammour gemeinsam im Daten-Team von Airbnb arbeiteten, mussten sie sich mit Daten beschäftigen, die über verschiedene Quellen verteilt waren. Diese wachsende Ausbreitung führte zu Herausforderungen bei der Sicherung von Daten. Der eigene Frust der Gründer über die vorhandenen Datensicherungsoptionen motivierte sie, ein Unternehmen zu gründen und das automatisierte Datensicherungstool zu entwickeln, das sie sich wünschten.
Am Dienstag gab das Startup, Teleskope, eine Seed-Investition in Höhe von 5 Millionen US-Dollar bekannt.
„Bei Airbnb haben wir eine Reihe verschiedener Tools getestet, um uns bei der Analyse, Sicherung, Löschung und Schwärzung von Daten zu helfen. Was wir jedoch festgestellt haben, ist, dass es kein Tool gab, das Entwickler dabei automatisch unterstützen konnte“, sagte Trias gegenüber TechCrunch.
Das bedeutet nicht, dass es keine Lösungen gab, aber die existierenden Tools wie Datenklassifizierungstools erzeugten viele falsche positive Ergebnisse und hatten Skalierungsprobleme. „Es gab kein Tool, das Ihnen dabei helfen konnte, von der Erkennung zur tatsächlichen Behebung zu gelangen, also zum Schwärzen der Daten, Isolieren der Daten oder zum Durchführen einer beliebigen Aktion auf den Daten.“ Die Lösung, die Teleskope entwickelt hat, ermöglicht es Kunden, sich mit ihren verschiedenen Datenquellen zu verbinden, sensible Daten automatisiert über verschiedene Datenspeicher zu identifizieren und sie bei Bedarf zu isolieren oder zu löschen.
Sie haben derzeit einige verschiedene Anwendungsfälle: „Wir verkaufen hauptsächlich an Daten-Teams, nicht nur an Produktentwickler, sondern an Datenverwaltungsingenieure, die ihre gesamten Datensätze in ihrem Datenlager aufräumen möchten, oder die ein Dataset bereinigen möchten, bevor sie es für das Modelltraining verwenden, oder die mehrere Datensätze haben und Daten für einen bestimmten Benutzer aus Compliance-Gründen löschen müssen“, sagte sie.
Die Lösung basiert auf dem, was Trias „einem Modell-Pipeline“ nennt, bei der je nach Art der Daten verschiedene Modelle zum Einsatz kommen. „Zum Beispiel haben wir ein Modell trainiert, das sehr gut darin ist, Daten in natürlicher Sprache wie konversationelle Arten von Dateien zu klassifizieren. Wir haben ein Modell trainiert, das sehr gut mit strukturierten tabellarischen Formaten funktioniert. Wir haben ein Modell trainiert, das sensible Daten in einer Code-Basisdatei oder einer Protokolldatei klassifizieren kann“, sagte sie.
Trotz der Erfahrung und Qualifikation, ein Produkt wie dieses zu entwickeln, waren sie nicht gut vertraut mit der Welt des Risikokapitals und wie man es präsentiert, als sie das Unternehmen zum ersten Mal starteten — und weibliche Gründungsteams haben generell eine größere Herausforderung mit Investoren zu kämpfen. „Ich denke, das Schwierigste war, dass wir, als wir zum ersten Mal VC-Anrufe tätigten, keine Ahnung hatten, wie wir vorgehen sollten. Wir wussten nicht einmal, was ein Design-Partner ist. Wir waren vor Produkt, vor allem, und kannten nicht die gesamte VC-Sprache. Und so waren wir sehr unvorbereitet, als wir unsere ersten Treffen mit VCs hatten“, sagte sie.
Sie haben im Laufe der Zeit ihre Präsentation verfeinert und konnten Investoren finden, die sie und ihre Vision verstanden. Die Seed-Finanzierung wurde von Primary Venture Partners angeführt, mit Beteiligung von Lerer Hippeau, Plug and Play Ventures und Essence VC. Lerer Hippeau leitete die Pre-Seed-Runde.
