Una startup con sede en Brooklyn está apuntando a uno de los puntos débiles más notorios del mundo de la inteligencia fabricado y el investigación de datos: el proceso minucioso de preparación de datos.

Instrumentar surgió hoy del modo sigiloso, anunciando su tirada sabido unido con $ 4.1 millones en fondos iniciales dirigidos por Bain Caudal Venturescon décimo de 8 VC, Empresas integrales e inversores de ángeles estratégicos.

La plataforma de la compañía utiliza un maniquí de jerigonza visual patentado llamado Dora Para automatizar la sumario, precisión y distribución de datos, un proceso que generalmente consume hasta el 80% del tiempo de los científicos de datos, según las encuestas de la industria.

“El convexidad de información habitable hoy ha explotado absolutamente”, dijo Ronak Gandhi, cofundador de Structify, en una entrevista monopolio con VentureBeat. “Hemos aprehendido un punto de inflexión importante en la disponibilidad de datos, que es una cántico y una maldición. Si acertadamente tenemos un paso sin precedentes a la información, sigue siendo en gran medida inaccesible porque es muy difícil convertir en el formato correcto para tomar decisiones comerciales significativas”.

El enfoque de Structifify refleja un enfoque creciente en toda la industria en resolver lo que los expertos en datos llaman “el cuello de botella de preparación de datos”. La investigación de Gartner indica que preparación de datos inadecuada sigue siendo uno de los principales obstáculos para la implementación exitosa de la IA, con cuatro de las cinco empresas que carecen de las bases de datos necesarias para capitalizar completamente la IA generativa.

Cómo la transformación de datos con IA desbloquea la inteligencia empresarial oculta a escalera

En esencia, Structify permite a los usuarios crear conjuntos de datos personalizados especificando el esquema de datos, seleccionando fuentes e implementando agentes de IA para extraer esos datos. La plataforma puede manejar todo, desde presentaciones de la SEC y perfiles de LinkedIn hasta artículos de parte y documentos especializados de la industria.

Lo que distingue a distribuir, según Gandhi, es su maniquí interno Dora, que navega por la web como lo haría un humano.

“Es súper de adhesión calidad. Navega e interactúa con cosas como lo haría una persona”, explicó Gandhi. “Así que estamos hablando de la calidad humana, ese es el primer y principal centro de los principios detrás de Dora. Lee Internet como lo haría un humano”.

Este enfoque permite que Structify respalde un nivel franco, que Gandhi cree que ayudará a democratizar el paso a datos estructurados.

“La forma en que piensas sobre los datos ahora es, es este objeto positivamente precioso”, dijo Gandhi. “Esta cosa positivamente preciosa que pasas tanto tiempo en Finagling y obteniendo y luchando, y cuando lo tienes, estás como, ‘Oh, si cualquiera lo eliminara, lloraría'”.

La visión de Structify es “mercantilizar datos”, lo que lo convierte en poco que se puede divertir fácilmente si se pierde.

Desde las finanzas hasta la construcción: cómo las empresas implementan conjuntos de datos personalizados para resolver desafíos específicos de la industria

La compañía ya ha conocido la asimilación en múltiples sectores. Los equipos de finanzas lo usan para extraer información de las cubiertas de tono, las compañías de construcción convierten documentos geotécnicos complejos en tablas legibles y los equipos de ventas recopilan cuadros organizacionales en tiempo positivo para sus cuentas.

Slater stichsocio de Bain Caudal Ventures, destacó esta versatilidad en el anuncio de financiación: “Cada compañía con las que he trabajado tiene un puñado de fuentes de datos que son extremadamente importantes y un gran dolor con el que trabajar, ya sean cifras enterradas en PDF, dispersas en cientos de páginas web, ocultas detrás de un agasajo empresarial, etc.”

La heterogeneidad de la colchoneta de clientes tempranos de Structifify refleja la naturaleza universal de los desafíos de preparación de datos. De acuerdo a Investigación de TechTargetLa preparación de datos generalmente implica una serie de pasos intensivos en mano de obra: sumario, descubrimiento, perfil, precisión, distribución, transformación y acometividad, todo antaño de que cualquier investigación positivo pueda comenzar.

Por qué la experiencia humana sigue siendo crucial para la precisión de la IA: sistema de ‘demostración cuádruple’ en el interior de Structify

Un diferenciador esencia para Structify es su proceso de “demostración cuádruple”, que combina IA con supervisión humana. Este enfoque aborda una preocupación crítica en el crecimiento de la IA: avalar la precisión.

“Cada vez que un usufructuario ve poco sospechoso, o identificamos algunos datos como potencialmente sospechosos, podemos enviarlo a un perito en ese caso de uso específico”, explicó Gandhi. “Ese perito puede comportarse de la misma guisa que (Dora), navegar hasta la información correcta, extraerla, guardarla y luego comprobar si es correcto”.

Este proceso no solo corrige los datos, sino que además crea ejemplos de capacitación que mejoran el rendimiento del maniquí con el tiempo, especialmente en dominios especializados como la construcción o la investigación farmacéutica.

“Esas cosas son tan desordenadas”, señaló Gandhi. “Nunca pensé en mi vida que tendría una gran comprensión de la petrografía. Pero ahí estamos, y eso, creo, es una gran fortaleza: poder formarse de estos expertos y ponerlo directamente en Dora”.

A medida que las herramientas de cuna de datos se vuelven más poderosas, las preocupaciones de privacidad inevitablemente surgen. Structify ha implementado salvaguardas para chocar estos problemas.

“No hacemos ninguna autenticación, falta que requiriera un inicio de sesión, cualquier cosa que requiera que vaya detrás de algún sentido de información: nuestro agente no lo hace porque eso es una preocupación de la privacidad”, dijo Gandhi.

La Compañía además prioriza la transparencia al proporcionar información de despensa directo. “Si está interesado en formarse más sobre una información en particular, va directamente a ese contenido y lo vea, en oficio de los proveedores heredados donde es esta caja negra”.

Structify ingresa a un panorama competitivo que incluye tanto jugadores establecidos como otras nuevas empresas que abordan varios aspectos del desafío de preparación de datos. Compañías como Alterando, Informática, Microsofty Cuadro Todas las ofrecen capacidades de preparación de datos, mientras que varios especialistas han sido adquiridos en los últimos abriles.

Lo que diferencia a Structify, según el CEO Alex Reichenbach, es su combinación de velocidad y precisión. Una publicación fresco de LinkedIn de Reichenbach afirmó que habían acelerado a su agente “10x mientras recortaba el costo ~ 16x” a través de la optimización del maniquí y las mejoras en la infraestructura.

El tirada de la compañía se produce en medio de un creciente interés en la automatización de datos con IA. Según un Crónica de TechTargetAutomatización de la preparación de datos “se cita con frecuencia como una de las principales áreas de inversión para los equipos de datos y investigación”, con las capacidades de preparación de datos aumentadas cada vez más importantes.

Cómo las experiencias de preparación de datos frustrantes inspiraron a dos amigos a revolucionar la industria

Para Gandhi, Structify aborda los problemas que enfrentó de primera mano en roles anteriores.

“Lo más importante de la historia fundadora de Structify es una especie de cosa personal y profesional”, recordó Gandhi. “Estaba contando (Alex) sobre el momento en que estaba trabajando como analista de datos y haciendo operaciones y consultas, preparando estos conjuntos de datos positivamente hornacina y a medida para clientes: listas de todos los influenciadores de la aptitud física y sus siguientes métricas, listas de empresas y qué trabajos están publicando, museos en East Coast … Estuve gastando mucho tiempo haciéndolos manualmente, escasando, datos de datos, entradas de todos los demás”. “”. “.”. “.”. “.”. “.”. “.

La incapacidad de iterar rápidamente de idea al conjunto de datos fue particularmente frustrante. “Lo que me atrapó fue que no podías iterar y ocurrir de una idea al conjunto de datos de guisa rápida”, dijo Gandhi.

Su cofundador, Alex Reichenbach, encontró desafíos similares mientras trabajaba en un cárcel de inversión, donde los problemas de calidad de datos obstaculizaron los esfuerzos para construir modelos sobre los conjuntos de datos estructurados.

Cómo Structify planea usar su financiación original de $ 4.1 millones para modificar la preparación de datos empresariales

Con el nuevo financiamiento, Structify Planes para hacer crecer su equipo técnico y establecerse como “la útil de datos de relato en todas las industrias”. Actualmente, la compañía ofrece niveles gratuitos y pagos, con opciones empresariales para aquellos que necesitan funciones avanzadas como implementación particular o cuna de datos en gran medida especializada.

A medida que más empresas invierten en iniciativas de IA, la importancia de los datos estructurados de adhesión calidad solo aumentará. Un fresco Crónica de Insights de revisión de tecnología MIT Descubrieron que cuatro de cada cinco empresas no están listas para capitalizar la IA generativa correcto a los fundamentos deficientes de los datos.

Para Gandhi y el equipo Structify, resolver este desafío fundamental podría desbloquear un valencia significativo en todas las industrias.

“El hecho de que incluso puedas imaginar un mundo que crea conjuntos de datos es iterativo es un poco sensacional para muchos de nuestros usuarios”, dijo Gandhi. “Al final del día, el tirada se proxenetismo de poder tener este control y personalización”.