Als Julie Trias und Elizabeth Nammour bei Airbnb im Datenteam des Unternehmens zusammenarbeiteten, mussten sie sich mit der Datenverteilung über eine Vielzahl von Quellen auseinandersetzen, und diese zunehmende Ausbreitung führte zu Herausforderungen bei der Datensicherheit. Die eigene Frustration der Gründer über die vorhandenen Datenschutzoptionen motivierte sie, ein Unternehmen zu gründen und das gewünschte automatisierte Datenschutztool zu entwickeln.
Am Dienstag hat dieses Startup, Teleskopkündigte eine Startkapitalinvestition in Höhe von 5 Millionen US-Dollar an.
„Wir haben eine Reihe verschiedener Tools getestet, die uns dabei helfen, Daten bei Airbnb zu verstehen, zu schützen, zu löschen und zu schwärzen, aber wir stellten fest, dass es kein Tool gab, das Entwicklern dabei helfen konnte, dies automatisch zu tun“, sagte Trias gegenüber Tech.
Das heißt nicht, dass es keine Lösungen gab, aber die existierenden Lösungen wie Datenklassifizierungstools erzeugten viele Fehlalarme und hatten Skalierungsprobleme. „Es gab kein Tool, das Ihnen dabei helfen konnte, von der Erkennung zur tatsächlichen Behebung zu gelangen, also die Daten zu schwärzen, zu isolieren oder irgendeine Art von Aktion auf die Daten zu ergreifen.“ Die von Teleskope entwickelte Lösung ermöglicht es Kunden, eine Verbindung zu ihren verschiedenen Datenquellen herzustellen, sensible Daten in einer Vielzahl von Datenspeichern automatisiert zu identifizieren und sie bei Bedarf zu isolieren oder zu löschen.
Sie haben derzeit einige verschiedene Anwendungsfälle: „Wir verkaufen jetzt hauptsächlich an Datenteams, nicht nur an Produktentwickler, sondern auch an Data-Governance-Ingenieure, die ihre gesamten Datensätze in ihrem Data Warehouse bereinigen möchten oder bereinigen möchten.“ „Einen Datensatz löschen, bevor sie ihn für das Modelltraining verwenden, oder sie verfügen über mehrere Datensätze und müssen aus Compliance-Gründen Daten für einen bestimmten Benutzer löschen“, sagte sie.
Die Lösung basiert auf dem, was Trias als „Pipeline von Modellen“ bezeichnet, wobei je nach Datentyp unterschiedliche Modelle ins Spiel kommen. „So haben wir zum Beispiel ein Modell trainiert, das wirklich gut darin ist, Daten in natürlicher Sprache zu klassifizieren, etwa Konversationsdateien. Wir haben ein Modell trainiert, das sehr gut mit strukturierten tabellarischen Formattypen funktioniert. „Wir haben ein Modell trainiert, das sensible Daten in einer Code-Basisdatei oder einer Protokolldatei klassifizieren kann“, sagte sie.
Trias sagt, dass sie, obwohl sie über den nötigen Hintergrund und die Erfahrung verfügten, ein Produkt wie dieses zu entwickeln, bei der Gründung des Unternehmens nicht gut mit der Welt des Risikokapitals und dem Pitchen vertraut waren – und weibliche Gründerteams stehen vor einer größeren Herausforderung Anleger im Allgemeinen. „Ich denke, das Schwierigste war, dass wir, als wir anfingen, VC-Anrufe zu tätigen, keine Ahnung hatten, wie wir vorgehen sollten. Wir wussten nicht einmal, was ein Designpartner ist. Wir waren vor dem Produkt, vor allem, und wir kannten nicht den gesamten VC-Jargon. Deshalb waren wir sehr unvorbereitet, als wir unsere ersten Treffen mit VCs hatten“, sagte sie.
Sie haben ihre Präsentation im Laufe der Zeit verfeinert und konnten Investoren finden, die sie und ihre Vision akzeptierten. Die Seed-Finanzierung wurde von Primary Venture Partners unter Beteiligung von Lerer Hippeau und Plug and Play Ventures sowie Essence VC geleitet, das die Pre-Seed-Runde des Unternehmens leitete.