Lorsque Julie Trias et Elizabeth Nammour travaillaient ensemble chez Airbnb au sein de l'équipe de données de l'entreprise, elles devaient gérer des données réparties sur diverses sources, et cette prolifération croissante a entraîné des difficultés pour assurer la sécurité des données. La propre frustration des fondateurs face à la multitude d'options existantes en matière de protection des données les a motivés à lancer une entreprise et à créer l'outil automatisé de protection des données qu'ils souhaitaient.
Mardi, cette startup, Teleskope, a annoncé un investissement de démarrage de 5 millions de dollars.
« Nous avons testé de nombreux outils différents pour nous aider à comprendre, protéger, supprimer et expurger les données sur Airbnb, mais ce que nous avons réalisé, c'est qu'il n'existait pas d'outil capable d'aider les développeurs à le faire automatiquement », a déclaré Trias à TechCrunch.
Cela ne veut pas dire qu’il n’y avait pas de solutions, mais celles qui existaient, comme les outils de classification des données, généraient de nombreux faux positifs et présentaient des problèmes de mise à l’échelle. « Il n'existait aucun outil capable de vous aider à passer de la détection à la correction réelle, c'est-à-dire à supprimer les données, à les isoler ou à prendre toute sorte d'action sur les données. » La solution développée par Teleskope permet aux clients de se connecter à leurs différentes sources de données, d'identifier les données sensibles dans divers magasins de données de manière automatisée et de les isoler ou de les supprimer si nécessaire.
Ils ont actuellement quelques cas d'utilisation différents : « Nous vendons désormais principalement à des équipes de données, pas seulement à des développeurs de produits, mais à des ingénieurs en gouvernance de données, qui souhaitent nettoyer l'intégralité de leurs ensembles de données dans leur entrepôt de données, ou qui souhaitent nettoyer un ensemble de données avant de l'utiliser pour la formation de modèles, ou ils disposent de plusieurs ensembles de données et doivent supprimer les données d'un utilisateur particulier à des fins de conformité », a-t-elle déclaré.
La solution s’appuie sur ce que Trias appelle « un pipeline de modèles » avec différents modèles entrant en jeu selon le type de données. « Par exemple, nous avons formé un modèle très efficace pour classer les données en langage naturel, comme les types de fichiers conversationnels. Nous avons formé un modèle qui fonctionne très bien avec les types de formats tabulaires structurés. Nous avons formé un modèle capable de classer les données sensibles dans un fichier de base de code ou un fichier journal », a-t-elle déclaré.
Trias affirme que malgré l'expérience et le pedigree nécessaires pour créer un produit comme celui-ci, ils ne connaissaient pas bien le monde du capital-risque et la manière de présenter leur projet lorsqu'ils ont lancé l'entreprise – et les équipes fondatrices féminines sont confrontées à un plus grand défi avec investisseurs en général. «Je pense que le plus difficile était que lorsque nous avons commencé à passer des appels de capital-risque, nous ne savions pas comment procéder. Nous ne savions même pas ce qu'était un partenaire de conception. Nous étions pré-produit, avant tout, et nous ne connaissions pas tout le jargon du VC. Nous n’étions donc pas du tout préparés lorsque nous avons pris nos premières réunions avec des sociétés de capital-risque », a-t-elle déclaré.
Ils ont affiné leur présentation au fil du temps et ont pu trouver des investisseurs qui les comprenaient, ainsi que leur vision. Le financement de démarrage a été dirigé par Primary Venture Partners avec la participation de Lerer Hippeau et Plug and Play Ventures ainsi que Essence VC, qui a dirigé le cycle de pré-amorçage de la société.
