Lorsque Julie Trias et Elizabeth Nammour travaillaient ensemble chez Airbnb au sein de l'équipe des données de l'entreprise, elles devaient gérer des données réparties dans diverses sources, et cette croissance entraînait des défis pour assurer la sécurité des données. Leur propre frustration face aux options de protection des données existantes les a motivées à lancer une entreprise et à développer l'outil de protection des données automatisé qu'elles souhaitaient.

Mardi, cette start-up, Teleskope, a annoncé un investissement initial de 5 millions de dollars.

"Nous avons testé plusieurs outils différents pour nous aider à comprendre, protéger, supprimer et masquer des données chez Airbnb, mais ce que nous avons réalisé, c'est qu'il n'existait pas d'outil qui puisse 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 beaucoup de faux positifs et rencontraient des problèmes d'échelle. "Il n'y avait pas d'outil qui puisse vous permettre de passer de la détection à la remédiation réelle, c'est-à-dire masquer les données, isoler les données ou prendre toute sorte d'action sur les données." La solution développée par Teleskope permet aux clients de se connecter à leurs diverses sources de données, d'identifier automatiquement des données sensibles dans divers dépôts de données et de les isoler ou les supprimer si nécessaire.

Ils ont actuellement quelques cas d'utilisation différents : "Nous vendons principalement maintenant aux équipes de données, non seulement à un développeur de produit, mais à des ingénieurs en gouvernance des données, qui veulent nettoyer l'ensemble de leurs ensembles de données dans leur entrepôt de données, ou qui veulent nettoyer un ensemble de données avant de l'utiliser pour l'entraînement d'un modèle, ou qui ont plusieurs ensembles de données et doivent supprimer des données pour un utilisateur particulier à des fins de conformité", a-t-elle déclaré.

La solution repose sur ce que Trias appelle "un pipeline de modèles" avec différents modèles entrant en jeu, en fonction du type de données. "Par exemple, nous avons formé un modèle qui est très bon pour classer les données dans un langage naturel comme des fichiers de type conversationnels. Nous avons formé un modèle qui fonctionne très bien avec des formats structurés de type tabulaire. Nous avons formé un modèle qui peut classer des données sensibles dans un fichier de code source ou un fichier journal", a-t-elle déclaré.

Trias affirme qu'en dépit d'avoir l'expérience et le pedigree pour construire un produit comme celui-ci, elles n'étaient pas bien versées dans le monde du capital-risque et comment pitcher lorsqu'elles ont lancé l'entreprise pour la première fois - et les équipes fondatrices féminines font face à un plus grand défi avec les investisseurs en général. "Je pense que la partie la plus difficile était que lorsque nous avons commencé à appeler des VC, nous n'avions aucune idée de comment procéder. Nous ne savions même pas ce qu'était un partenaire en conception. Nous étions pré-produit, pré-tout, et nous ne connaissions pas tous les jargons des VC. Ainsi, nous étions très mal préparées lorsque nous avons eu nos premières réunions avec des VC", a-t-elle déclaré.

Ils ont affiné leur présentation au fil du temps et ont pu trouver des investisseurs qui les comprenaient et comprenaient leur vision. Le financement initial a été mené par Primary Venture Partners avec la participation de Lerer Hippeau, Plug and Play Ventures et Essence VC. Lerer Hippeau a dirigé le tour de pré-amorçage.