Una de las tendencias más importantes en el software empresarial ha sido la aparición de nuevas herramientas de construcción para hacer que los beneficios de la tecnología de inteligencia artificial sean más accesibles para las empresas no tecnológicas. Hoy en día, uno que ha construido 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 de su enfoque.
Eigen Technologies, una 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 los contratos, anuncia hoy que ha recaudado $ 37 millones en fondos, una Serie B que valora el compañía en alrededor de $ 150 millones – $ 180 millones.
La ronda fue dirigida por Lakestar y Dawn Capital, con Temasek y Goldman Sachs Growth Equity (que codirigió su Serie A) también participó. Eigen ahora ha recaudado $ 55 millones en total.
Eigen hoy está trabajando principalmente en el sector financiero (sus oficinas están ubicadas en el centro de The City, el centro financiero de Londres), pero el plan es utilizar los fondos para continuar expandiendo 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 generalmente es una carga para los recursos de una organización para que se maneje correctamente, y a menudo es un desastre si no se presenta .
El enfoque hasta ahora en los bancos y otras empresas financieras ha tenido mucha tracción. Dice que su base de clientes ahora incluye el 25% de las instituciones G-SIB del mundo (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 que los ingresos recurrentes se multiplicaron por seis con el recuento, principalmente científicos e ingenieros de datos, el doble. Si bien Eigen no divulga información financiera específica, puede orientar el crecimiento que contribuyó a la valoración de la empresa.
La idea básica detrás de Eigen es que se centra en lo que el cofundador y CEO Lewis Liu describe como “datos pequeños”. La compañía ha ideado una forma de “enseñar” a una IA a leer un tipo específico de documento, por ejemplo, un contrato de préstamo, observando un par de ejemplos y capacitación sobre estos. Todo el proceso es relativamente fácil de hacer para una persona no técnica: usted determina lo que quiere buscar y analizar, encuentra los ejemplos usando la búsqueda básica en dos o tres documentos y crea la plantilla que luego puede usarse en cientos o miles del mismo tipo de documentos (en este caso, un contrato de préstamo).
El trabajo de Eigen es notable por dos razones. Primero, típicamente el aprendizaje y la capacitación automáticos y la IA requieren cientos, miles, decenas de miles de ejemplos para “enseñar” un sistema antes de que pueda tomar decisiones que esperemos que imiten las de un ser humano. Eigen requiere un par de ejemplos (de ahí el enfoque de “datos pequeños”).
En segundo lugar, una industria como las finanzas 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 inteligencia artificial que desean “anonimizar” y ingerir esos datos. Las empresas simplemente no quieren hacer eso. El sistema de Eigen esencialmente solo funciona en 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 Technologies que es el presidente de la compañía), pero sus primeros orígenes se remontan 15 años antes, cuando Liu, una primera generación inmigrante que creció en los Estados Unidos, estaba trabajando 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 de la computación natural que se encontró construyendo 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 un programa de computadora 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 para estudiar no informática, sino física y arte. Hacer una doble especialización requirió trabajar en una tesis que fusionó las dos disciplinas juntas, y Liu construyó “eecuaciones lectrodinámicas que compusieron estructuras gráficas sobre la marcha “, básicamente generando arte usando algoritmos, que luego convirtió en una” prueba de Turing “para ver si las personas podían detectar el trabajo real pixelado con el de su programa. Al destilar esto, Liu seguía pensando en patrones en material analógico que podrían recrearse usando las matemáticas.
Luego pasaron años en McKinsey en Londres (cómo llegó a estas costas) durante la crisis financiera, donde los resultados de las personas que pasaron por alto intencionalmente o por error datos cruciales basados en texto produjeron resultados crudos y catastróficos. “Diría que el problema que eventualmente comenzamos a resolver en Eigen se volvió tangible”, dijo Liu.
Luego llegó un doctorado en física en Oxford, donde Liu trabajó en láseres de rayos X que podrían usarse para reducir la complejidad y el costo de hacer microchips, tratamientos contra el cáncer y otras aplicaciones.
Si bien Eigen en realidad no usa láseres, algunas de las ecuaciones matemáticas que Liu creó para estos también se han convertido en parte del enfoque de Eigen.
“La idea general (para mi doctorado) era,” ¿cómo hacemos que esto sea más barato y más escalable? “, Dijo. “Construimos una nueva clase de aparatos láser de rayos X, y nos dimos cuenta de que las mismas ecuaciones podrían usarse en algoritmos de coincidencia de patrones, específicamente en torno a patrones secuenciales. Y fuera de eso, y mis relaciones corporativas existentes, tasí es como comenzó Eigen “.
Cinco años después, Eigen ha agregado mucho más a la plataforma más allá de lo que surgió de las ideas originales de Liu. Hay más científicos e ingenieros de datos que construyen el motor en torno a la idea básica y la personalizan para trabajar con más sectores más allá de las finanzas.
Hay una serie de compañías de inteligencia artificial que crean herramientas para usuarios finales de negocios no técnicos, y una de las áreas que se acerca a lo que está haciendo Eigen es la automatización de procesos robóticos o RPA. Liu señala que, si bien esta es un área importante, se trata más de leer formularios con mayor facilidad y de proporcionarles información. El enfoque de Eigen se centra más en los datos no estructurados y la capacidad de analizarlos de forma rápida y segura utilizando solo unas pocas muestras.
Liu apunta a compañías como IBM (con Watson) como competidores generales, mientras que las startups como Luminance es otra que adopta un enfoque similar a Eigen al abordar el problema de analizar 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 por primera vez con Eigen cuando estaba en Goldman Sachs, donde era director gerente de supervisión de tecnología, y el banco lo contrató para trabajar.
“Para ver lo que estos tipos pueden ofrecer, es para aplaudir”, dijo. “Ellos son solo seleccionando nombres y direcciones. Estamos hablando de una comprensión semántica profunda. Otros proveedores están tratando de ser todo para todos, pero Eigen ha encontrado que el mercado encaja en los casos de uso de servicios financieros, y se opone a la competencia. Puedes ver cuando un el ganador se está separando del paquete y es una gran señal para el futuro “.
Source link