Foundational recauda 8 millones de dólares para optimizar la infraestructura de datos
Foundational, una startup enfocada en mejorar la infraestructura de datos moderna, ha anunciado la finalización de una ronda de financiación inicial de 8 millones de dólares, liderada por Viola Ventures y Gradient Ventures, el fondo de inversión en IA de Google, junto con la participación de inversores ángeles y otras firmas de capital de riesgo. La plataforma de la empresa mapea, analiza y mejora automáticamente el código de los equipos de datos para identificar problemas potenciales, sugerir soluciones y preparar datos para aplicaciones de IA.
Después de operar en modo sigiloso durante 18 meses, Foundational está lista para revelar su tecnología al público. Empresas destacadas como Ramp y Lemonade ya han adoptado su plataforma. En una entrevista exclusiva, el CEO y cofundador de Foundational, Alon Nafta, enfatizó la importancia de compartir su historia en esta etapa.
“En el último año y medio, hemos desarrollado la capacidad de mapear y comprender automáticamente el código que escriben los equipos de datos, conectándolo con el ecosistema de IA actual”, comentó Nafta. “Nuestro objetivo es aprovechar esta tecnología para herramientas de IA y optimizar los datos para su consumo por parte de la inteligencia artificial”.
Enfrentando la Crisis de Calidad de Datos
Nafta, con experiencia en ciberseguridad e infraestructura de datos, cofundó Foundational para abordar los desafíos que enfrentan las organizaciones al escalar sus operaciones de datos. Aunque herramientas como Snowflake, Databricks y dbt han hecho que los datos sean más accesibles, también han llevado a la creación de complejas canalizaciones de datos difíciles de mantener.
“En una organización, los datos a menudo cambian de manos múltiples veces”, explicó Nafta. “Los ingenieros los ingieren, los ingenieros de datos los limpian y los ingenieros de análisis los modelan, generando numerosos intercambios”.
Como resultado, los equipos de datos a menudo pierden de vista las interdependencias dentro de sus sistemas de datos, lo que lleva a confusiones, problemas de calidad y tableros de control defectuosos. La encuesta de Gartner indica que la mala calidad de los datos cuesta a las organizaciones un promedio de 12.8 millones de dólares anuales, con un impacto total que supera los 510 millones en 40 empresas.
Automatizando la Gobernanza de Datos a través del Análisis de Código
Foundational busca abordar estos desafíos analizando automáticamente el código fuente de los equipos de datos para mapear la procedencia de los datos e identificar problemas antes de su despliegue. La plataforma se integra con herramientas como GitHub, proporcionando información y sugerencias prácticas directamente en los flujos de trabajo de los desarrolladores.
“Verán nuestras ideas, advertencias o sugerencias en las herramientas que ya utilizan”, señaló Nafta. Foundational solo requiere acceso a metadatos en el código, minimizando las preocupaciones de privacidad y seguridad de los datos.
La plataforma utiliza análisis de código estático, análisis dinámico en tiempo de ejecución y técnicas de IA para crear un mapa integral de las canalizaciones de datos de una organización. Puede detectar problemas como referencias circulares, consultas ineficientes que aumentan los costos en la nube y campos no utilizados que pueden ser eliminados.
“Una vez que tengamos un mapa completo de su ecosistema de datos, podremos implementar automatizaciones poderosas”, explicó Nafta. “Podemos alertarle sobre cambios que podrían interrumpir dependencias posteriores, sugerir optimizaciones de rendimiento e incluso generar automáticamente documentación y catálogos de datos a partir del código”.
Preparando Datos para un Futuro Impulsado por IA
A medida que las empresas buscan ser más orientadas a los datos y adoptar la IA, la necesidad de mantener la calidad y coherencia de los datos se ha intensificado. Gartner predice que para 2024, el 50% de las organizaciones adoptará soluciones modernas de calidad de datos para respaldar sus iniciativas digitales.
Sin embargo, la calidad de los datos por sí sola no es suficiente. Al implementar modelos de aprendizaje automático, las empresas a menudo descubren que sus datos no están adecuadamente preparados. Los científicos de datos dedican hasta el 80% de su tiempo a limpiar, etiquetar y estructurar datos antes de construir modelos.
Foundational busca simplificar este proceso a través de su enfoque de análisis de código. Al comprender el contexto y la procedencia de los datos, la plataforma puede automatizar muchas tareas de preparación de datos y ofrecer recomendaciones sobre cómo estructurarlos para un rendimiento óptimo de los modelos.
“El aspecto de los datos es crucial para mejorar las iniciativas de IA”, dijo Nafta. “Pero también se trata de utilizar IA para mejorar los datos. Es un ciclo continuo con un potencial tecnológico significativo”.
Creciendo y Perspectivas Futuras
Con la nueva financiación de 8 millones de dólares, Foundational planea expandir su equipo de ingeniería y fortalecer su estrategia de comercialización. Actualmente, la empresa cuenta con 16 empleados, principalmente en San Francisco e Israel. A medida que las organizaciones adopten cada vez más la IA y el aprendizaje automático, Nafta cree que Foundational será clave para ayudarlas a mejorar su gestión de datos.
La ronda de financiación fue liderada por Viola Ventures y Gradient Ventures, con contribuciones adicionales de Asymmetric Venture Partners y ejecutivos de Datadog, Intuit, Meta, Wiz, entre otros.
A medida que los volúmenes de datos crecen y la IA se convierte en un estándar en las operaciones comerciales, la capacidad de gestionar eficazmente las canalizaciones de datos y garantizar su calidad será esencial. A través de su análisis de código integral, Foundational busca posicionarse como la capa fundamental para una nueva era de innovación impulsada por datos.
“Nuestro objetivo es empoderar a cada organización con datos de alta calidad y confiables para construir sobre ellos”, concluyó Nafta. “Esto es solo el comienzo para nosotros”.
Clasificación
