TextIQ, un sistema de aprendizaje automático que analiza y comprende datos corporativos confidenciales, ha recaudado $ 12.6 millones en fondos de la Serie A liderados por FirstMark Capital, con la participación de Sierra Ventures.
TextIQ comenzó como el proyecto de tesis de Columbia, Apoorv Agarwal, cofundador, titulado “Social Network Extraction From Text”. El algoritmo que construyó fue capaz de leer una novela, como la de Jane Austen Emma, por ejemplo, y entender la jerarquía social y las interacciones entre los personajes.
Este enfoque centrado en las personas para analizar datos no estructurados finalmente se convirtió en el núcleo de TextIQ, que ayuda a las empresas a encontrar lo que están buscando en un mar de datos no estructurados y altamente sensibles.
La plataforma comenzó como una herramienta utilizada por los equipos legales corporativos. Los abogados a menudo tienen que revisar manualmente un montón de documentos y conversaciones (mensajes de texto, correos electrónicos, Slack, etc.) para encontrar evidencia o información específica. Incluso utilizando la búsqueda, estos equipos invierten mucho tiempo y recursos en los resultados de la búsqueda, que por lo general no son tan precisos como deberían ser.
"El status quo para esto es usar términos de búsqueda y contratar a cientos de personas, si no miles, para buscar cosas que coincidan con sus términos de búsqueda", dijo Agarwal. "Es muy costoso y puede llevar meses procesar millones de documentos. Y aún es arriesgado, porque podrían estar perdiendo información sensible. En comparación con el status quo, TextIQ no solo es más barato y más rápido, sino que, lo que es más interesante, es mucho más preciso ".
Luego del éxito con los equipos legales, TextIQ se expandió a RH / conformidad, dando a las empresas la capacidad de recuperar información confidencial sobre problemas de conformidad interna sin una búsqueda manual. Debido a que TextIQ entiende quién es una persona en relación con el resto de la organización, y aprende el "lenguaje" de esa organización, puede extraer con mayor detalle lo que es relevante para la consulta de todos los datos no estructurados en Slack, correo electrónico, etc.
Más recientemente, a raíz de GDPR, TextIQ ha ampliado su suite de productos para trabajar en el ámbito de la privacidad. Cuando un cliente le pide a una empresa que obtenga acceso a todos sus datos, o que la olviden, el proceso puede requerir una enorme cantidad de recursos. Incluso entonces, los bits de datos pueden caer a través de las grietas.
Por ejemplo, si un cliente envió un correo electrónico a Servicio al cliente hace años, es posible que no aparezca en los esfuerzos de búsqueda manual de la empresa para encontrar todos los datos de ese cliente. Pero como TextIQ entiende estos datos no estructurados con un enfoque centrado en la persona, ese correo electrónico no pasará por alto su sistema, según Agarwal.
Dada la sensibilidad de los datos, TextIQ funciona detrás del firewall de una empresa, lo que significa que TextIQ simplemente proporciona el software para analizar los datos en lugar de asumir cualquier responsabilidad por los datos en sí. En otras palabras, la tecnología llega a los datos, y no al revés.
TextIQ opera en un modelo de suscripción por niveles y ofrece el producto por una fracción del valor que ofrecen en ahorros cuando los clientes cambian de una búsqueda manual. La compañía se negó a compartir más detalles sobre los precios.
El ex asesor general de Apple y Oracle, Dan Cooperman, el ex asesor general de Verizon, Randal Milch, la ex asesora general internacional de Baxter, Marla Persky, y la ex directora de asuntos jurídicos y gobernanza de Nationwide, Patricia Hatler, forman parte del consejo asesor de TextIQ.
La compañía tiene planes de ir de compras tras la nueva financiación, buscando ocupar puestos en I + D, ingeniería, desarrollo de productos, finanzas y ventas. El cofundador y director de operaciones, Omar Haroun, agregó que la compañía logró rentabilidad en su primer trimestre al ingresar al mercado y ha sido rentable durante ocho trimestres consecutivos.
Source link