Una de las tendencias más importantes en el software empresarial ha sido el surgimiento de herramientas de creación de nuevas empresas para hacer que los beneficios de la tecnología de inteligencia artificial sean más accesibles para las empresas no tecnológicas. Hoy, uno que ha creado una plataforma para aplicar el poder del aprendizaje automático y el procesamiento del lenguaje natural a documentos masivos de datos no estructurados ha cerrado una ronda de financiación ya que encuentra una fuerte demanda para su enfoque.
Tecnologías patentadasuna startup con sede en Londres cuyo motor de aprendizaje automático ayuda a los bancos y otras empresas que necesitan extraer información y conocimientos de documentos grandes y complejos como contratos, anuncia hoy que ha recaudado 37 millones de dólares en financiación, una serie B que valora a la empresa en alrededor de $ 150 millones – $ 180 millones.
La ronda fue liderada por Lakestar y Dawn Capital, con la participación de Temasek y Goldman Sachs Growth Equity (que codirigió su Serie A). Eigen ahora ha recaudado $ 55 millones en total.
En la actualidad, Eigen trabaja principalmente en el sector financiero (sus oficinas están justo en medio de The City, el centro financiero de Londres), pero el plan es utilizar los fondos para continuar ampliando el alcance de la plataforma para cubrir otras verticales, como seguros y atención médica. , otras dos grandes áreas que se ocupan de documentación extensa y prolija que a menudo es inconsistente en la forma en que se presenta, llena de letra pequeña esencial y, por lo general, una presión sobre los recursos de una organización para ser manejada correctamente, y a menudo es un desastre si no lo es.
El enfoque hasta ahora en los bancos y otros negocios financieros ha tenido mucha tracción. Dice que su base de clientes ahora incluye el 25% de los Instituciones G-SIB (es decir, los bancos más grandes del mundo), junto con otros que trabajan en estrecha colaboración con ellos, como Allen & Overy y Deloitte. Desde junio de 2018 (cuando cerró su ronda de la Serie A), Eigen ha visto crecer sus ingresos recurrentes seis veces con el número de empleados, en su mayoría científicos e ingenieros de datos, el doble. Si bien Eigen no revela datos financieros específicos, puede ver la dirección de crecimiento que contribuyó a la valoración de la empresa.
La idea básica detrás de Eigen es que se enfoca en lo que el cofundador y director ejecutivo Lewis Liu describe como “pequeños datos”. La compañía ha ideado una forma de “enseñar” a una IA a leer un tipo específico de documento, por ejemplo, un contrato de préstamo, al observar un par de ejemplos y capacitación sobre estos. Todo el proceso es relativamente fácil de hacer para una persona no técnica: descubre lo que quiere buscar y analizar, encuentra los ejemplos usando la búsqueda básica en dos o tres documentos y crea la plantilla, que luego se puede usar en cientos. o miles de documentos del mismo tipo (en este caso, un contrato de préstamo).
El trabajo de Eigen es notable por dos razones. En primer lugar, normalmente el aprendizaje y la formación de máquinas y la IA requieren cientos, miles, decenas de miles de ejemplos para “enseñar” a un sistema antes de que pueda tomar decisiones que se espera que imiten las de un ser humano. Eigen requiere un par de ejemplos (de ahí el enfoque de “pequeños datos”).
En segundo lugar, una industria como la financiera tiene muchos datos confidenciales (ya sea porque son datos personales o porque son propiedad de una empresa y su negocio), por lo que existe un problema continuo de trabajar con empresas de IA que quieren “anonimizar” y ingerir esos datos. Las empresas simplemente no quieren hacer eso. El sistema de Eigen esencialmente solo funciona con lo que proporciona una empresa, y eso se queda con la empresa.
Eigen fue fundada en 2014 por el Dr. Lewis Z. Liu (CEO) y Jonathan Feuer (socio gerente de CVC Capital Partners, quien es el presidente de la compañía), pero sus primeros orígenes se remontan a 15 años antes, cuando Liu, un primer inmigrante de una generación que creció en los EE. UU., trabajaba como un “mono de entrada de datos” (sus palabras) en una planta de fabricación de neumáticos en Nueva Jersey, donde vivía, antes de comenzar la universidad en Harvard.
Un genio informático natural que se encontró creando sus propios juegos cuando sus padres se negaron a comprarle una consola de juegos, descubrió que las muchas páginas de impresiones que estaba leyendo y volviendo a ingresar en un sistema informático diferente podrían acelerarse con una computadora. programa que une los dos. “Me quedé sin trabajo”, bromeó.
Su vida educativa personifica el tipo de pensamiento lateral que a menudo produce las ideas más interesantes. Liu fue a Harvard a estudiar no informática, sino física y arte. Hacer una doble especialización requería trabajar en una tesis que fusionaba las dos disciplinas, y Liu construyó “ecuaciones electrodinámicas que componían estructuras gráficas sobre la marcha”, básicamente generando arte usando algoritmos, que luego convirtió en una “prueba de Turing” para ver si la gente podía detectar el trabajo real pixelado con el de su programa. Destila esto, y Liu todavía estaba pensando en patrones en material analógico que podrían recrearse usando matemáticas.
Luego vinieron años en McKinsey en Londres (cómo llegó a estas costas) durante la crisis financiera, donde los resultados de las personas, ya sea intencionalmente o por error, pasaron por alto datos cruciales basados en texto y produjeron resultados severos y catastróficos. “Diría que el problema que eventualmente comenzamos a resolver en Eigen se volvió tangible”, dijo Liu.
Luego vino un doctorado en física en Oxford, donde Liu trabajó en láseres de rayos X que podrían usarse para disminuir la complejidad y el costo de fabricar microchips, tratamientos contra el cáncer y otras aplicaciones.
Si bien Eigen en realidad no usa láseres, algunas de las ecuaciones matemáticas que se le ocurrieron a Liu también se han convertido en parte del enfoque de Eigen.
“Toda la idea [for my PhD] fue, ‘¿cómo hacemos esto más barato y más escalable?’”, dijo. “Construimos una nueva clase de aparato láser de rayos X y nos dimos cuenta de que las mismas ecuaciones podrían usarse en algoritmos de coincidencia de patrones, específicamente alrededor de patrones secuenciales. Y a partir de eso, y de mis relaciones corporativas existentes, así es como comenzó Eigen”.
Cinco años después, Eigen ha agregado mucho más a la plataforma más allá de las ideas originales de Liu. Hay más científicos e ingenieros de datos que construyen el motor en torno a la idea básica y lo personalizan para que funcione con más sectores más allá de las finanzas.
Hay una serie de empresas de IA que crean herramientas para usuarios finales comerciales no técnicos, y una de las áreas que se acerca a lo que está haciendo Eigen es la automatización robótica de procesos o RPA. Liu señala que, si bien esta es un área importante, se trata más de leer formularios más fácilmente y brindarles información. El enfoque de Eigen está más en los datos no estructurados y la capacidad de analizarlos de forma rápida y segura utilizando solo unas pocas muestras.
Liu señala a empresas como IBM (con Watson) como competidores generales, mientras que empresas emergentes como Luminancia hay otro que adopta un enfoque similar a Eigen al abordar el tema del análisis de datos no estructurados en un sector específico (en su caso, actualmente, la profesión legal).
Stephen Nundy, socio y director de tecnología de Lakestar, dijo que entró en contacto con Eigen por primera vez cuando estaba en Goldman Sachs, donde era director gerente supervisando tecnología, y el banco lo contrató para trabajar.
“Ver lo que estos muchachos pueden ofrecer, es digno de aplauso”, dijo. “No solo eligen nombres y direcciones. Estamos hablando de una comprensión semántica profunda. Otros proveedores están tratando de ser todo para todos, pero Eigen ha encontrado un mercado adecuado en los casos de uso de servicios financieros y se enfrenta a la competencia. Puedes ver cuando un ganador se está separando del resto y es una gran señal para el futuro”.
Source link