Χρηματοδότηση

Η Unsiloed AI συγκεντρώνει 7,5 εκατ. δολάρια σε αρχικό γύρο χρηματοδότησης για να επεκτείνει τις ομάδες έρευνας, μηχανικής και πωλήσεων

Evan Mercer
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ Unsiloed AI συγκέντρωσε 7,5 εκατομμύρια δολάρια σε χρηματοδότηση seed με επικεφαλής…
Δείτε περισσότερα
  • Η Unsiloed AI συγκέντρωσε 7,5 εκατομμύρια δολάρια σε χρηματοδότηση seed με επικεφαλής τη Felicis για να μετατρέπει επιχειρηματικά έγγραφα σε δομημένα δεδομένα.
  • Ο αναλυτής της εταιρείας σημείωσε 88,0 στο olmOCR-Bench στη δική της αξιολόγηση του Μαΐου 2026 έναντι ανταγωνιστικών εργαλείων.
  • Η Unsiloed πρέπει να μετατρέψει τις πρώιμες αναπτύξεις και τα αυτοαναφερόμενα αποτελέσματα ακρίβειας σε ευρύτερη επιχειρηματική υιοθέτηση απέναντι σε μεγαλύτερες πλατφόρμες.

Στις 18 Νοεμβρίου 2026, το TechCrunch ανέφερε ότι η Unsiloed AI συγκέντρωσε 7,5 εκατ. δολάρια σε αρχικό γύρο χρηματοδότησης, με επικεφαλής τη Felicis, για την ανάπτυξη τεχνολογίας που μετατρέπει εταιρικά έγγραφα σε δομημένα δεδομένα για πράκτορες ΤΝ.

Στη χρηματοδότηση συμμετείχαν επίσης η Y Combinator, η Orange Collective και η Uncorrelated Ventures, μαζί με τους επενδυτές-αγγέλους Aarthi Ramamurthy και Beth Turner. Ο διευθύνων σύμβουλος Aman Mishra δήλωσε ότι τα κεφάλαια θα διατεθούν για προσλήψεις στον τομέα της έρευνας και της μηχανικής, για την επέκταση των πωλήσεων και για την ανάπτυξη ιδιόκτητων συνόλων δεδομένων με στόχο τη βελτίωση της τεχνολογίας.

Το προφίλ της εταιρείας στην Y Combinator αναφέρει ότι η Unsiloed είναι εταιρεία με έδρα το Σαν Φρανσίσκο, ιδρύθηκε το 2025 και συμμετείχε στον κύκλο του φθινοπώρου 2025. Στο προφίλ αναφέρονται ως ιδρυτές ο Mishra, διευθύνων σύμβουλος, και ο Adnan Abbas, τεχνικός διευθυντής· οι δύο πρώην συμφοιτητές από το IIT Kharagpur ανέπτυξαν την τεχνολογία προτού ενταχθούν στον κύκλο.

Ανάλυση, εξαγωγή και επαλήθευση

Η επισκόπηση του προϊόντος της Unsiloed περιγράφει μια πλατφόρμα που μετατρέπει αρχεία PDF, εικόνες και υπολογιστικά φύλλα σε JSON και Markdown για μεγάλα γλωσσικά μοντέλα και πράκτορες ΤΝ. Οι τρεις λειτουργίες της είναι η Ανάλυση, η οποία διατηρεί τη δομή του εγγράφου σε Markdown· η Εξαγωγή, η οποία επιστρέφει τα ζητούμενα πεδία σύμφωνα με ένα σχήμα JSON· και ο Διαχωρισμός, ο οποίος διαχωρίζει αρχεία που περιέχουν πολλά έγγραφα και χωρίζει τα μεγάλα έγγραφα σε τμήματα που μπορούν να ανακτηθούν.

Τα πεδία που εξάγονται μπορούν να περιλαμβάνουν βαθμούς βεβαιότητας και παραπομπές στις αντίστοιχες θέσεις τους στο αρχικό έγγραφο, ώστε οι αξιολογητές να μπορούν να ελέγχουν τις αβέβαιες τιμές πριν από την περαιτέρω χρήση τους. Η πλατφόρμα συνδέεται με τα S3, SharePoint, Drive, Snowflake και συστήματα διαχείρισης εγγράφων, ενώ προσφέρει επιλογές εταιρικής εγκατάστασης σε εικονικό ιδιωτικό νέφος, σε τοπικούς διακομιστές ή σε περιβάλλον χωρίς σύνδεση με εξωτερικά δίκτυα.

Οι ιδρυτές περιγράφουν μια αρχιτεκτονική δύο ροών, όπου το εξαγόμενο περιεχόμενο διατηρείται σε μία ροή και η διάταξη και η ιεραρχία του εγγράφου σε άλλη. Στη συνέχεια, ένας αποκωδικοποιητής εφαρμόζει ορολογία ειδική για τον κλάδο και παράγει JSON ή Markdown. Οι χάρτες θερμότητας που καθοδηγούνται από τον μηχανισμό προσοχής κατευθύνουν την επεξεργασία προς αριθμητικές στήλες, συγχωνευμένα κελιά και επικεφαλίδες ενοτήτων, διατηρώντας παράλληλα τους πίνακες πολλών σελίδων και τις σχέσεις μεταξύ των ρητρών.

Ο Mishra περιέγραψε το υποκείμενο ζήτημα αξιοπιστίας: «Το πρόβλημα με τα μεγάλα γλωσσικά μοντέλα είναι ότι είναι εγγενώς πιθανοκρατικά. Θα προκύψει κάποια απόκλιση. Θα υπάρξουν και παραισθήσεις, κάτι που έχει τεράστιο αρνητικό αντίκτυπο στα επόμενα στάδια».

Δοκιμές ακρίβειας που πραγματοποίησε η εταιρεία

Στην αξιολόγηση του Μαΐου 2026 που πραγματοποίησε η ίδια η Unsiloed, ο αναλυτής της σημείωσε 88,0 στο olmOCR-Bench, ένα σημείο αναφοράς για την ανάλυση εγγράφων, έναντι 66,0 για το Reducto Agentic και 39,9 για το Unstructured. Η αξιολόγηση χρησιμοποίησε 8.413 δοκιμές μονάδων σε 1.403 σελίδες PDF και την αμετάβλητη έκδοση 0.4.27 του βαθμολογητή olmocr, καλύπτοντας πίνακες, μαθηματική σημειογραφία, σειρά ανάγνωσης, μεγάλα ή πολύ μικρά κείμενα και αλλοιωμένες σαρώσεις.

Η Unsiloed επισήμανε επίσης ότι η αυστηρή αντιστοίχιση συμβολοσειρών μπορεί να επισημάνει ως προβληματικές αβλαβείς διαφορές στη μορφοποίηση ή στη σημειογραφία, ενώ τα σημεία αναφοράς που εστιάζουν στον ακαδημαϊκό χώρο ενδέχεται να μην αποτυπώνουν επαρκώς γραφήματα, φόρμες και άλλα στοιχεία που συναντώνται συχνά σε έγγραφα πραγματικών συνθηκών παραγωγής.

Σε ξεχωριστή δοκιμή της εταιρείας με 542 οικονομικά έγγραφα, η ακρίβεια έφτασε το 99,78% σε περίπου 84.000 εξαγόμενα σημεία δεδομένων. Τα έγγραφα προέρχονταν από εταιρικό πελάτη, ενώ η σύγκριση περιλάμβανε σημαντικά μοντέλα ΤΝ, το Azure Document Intelligence της Microsoft και το εσωτερικό εργαλείο εξαγωγής δεδομένων του πελάτη· τα αποτελέσματα δεν είχαν επαληθευτεί ανεξάρτητα.

Πρώτοι πελάτες και ανταγωνισμός στην αγορά

Ο Mishra δήλωσε ότι η Unsiloed συνεργάζεται με πελάτες στους κλάδους των χρηματοοικονομικών υπηρεσιών, των νομικών υπηρεσιών και της υγειονομικής περίθαλψης. Μια τράπεζα, η οποία δεν κατονομάζεται, χρησιμοποιεί το λογισμικό για την επεξεργασία εγγράφων, ενώ ένα δικηγορικό γραφείο το εκτελεί στους δικούς του διακομιστές για συμβάσεις και παλιές δικογραφίες. Η νεοφυής εταιρεία τεχνητής νοημοσύνης φωνής Bolna AI το χρησιμοποιεί για την εισαγωγή βάσεων γνώσεων, με σκοπό τη δημιουργία φωνητικών πρακτόρων.

Στους ανταγωνιστές της περιλαμβάνονται οι εξειδικευμένες νεοφυείς επιχειρήσεις επεξεργασίας εγγράφων Reducto και Unstructured, προϊόντα της Microsoft και της Amazon, καθώς και μοντέλα ΤΝ γενικής χρήσης που χρησιμοποιούν οι επιχειρήσεις για εξαγωγή δεδομένων. Ο Mishra δήλωσε ότι οι τιμές ξεκινούν από ένα σεντ ανά σελίδα. Απέδωσε τον έλεγχο του κόστους της εταιρείας στην κατεύθυνση της υπολογιστικής ισχύος προς τα σημεία ενός εγγράφου που χρειάζονται τη μεγαλύτερη προσοχή, αντί στην ομοιόμορφη επεξεργασία κάθε ενότητάς του.

Η Unsiloed διεκδικεί μερίδιο σε αυτή την αγορά με επτά εργαζομένους. Ο αρχικός γύρος χρηματοδότησης της παρέχει πόρους για επέκταση· η άμεση πρόκληση είναι να μετατρέψει τις πρώτες εγκαταστάσεις και τα αποτελέσματα ακρίβειας που έχει ανακοινώσει η ίδια η εταιρεία σε ευρύτερη υιοθέτηση από επιχειρήσεις, απέναντι σε εξειδικευμένους παρόχους και πολύ μεγαλύτερες πλατφόρμες.

Evan Mercer είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στο Unite.AI, καλύπτοντας startups τεχνητής νοημοσύνης, venture capital και τις δυναμικές χρηματοδότησης που διαμορφώνουν την επόμενη γενιά τεχνολογικών εταιρειών. Η αναφορά του εστιάζει στην καινοτομία πρώιμου σταδίου, τις ροές κεφαλαίου και τις στρατηγικές αποφάσεις που λαμβάνουν οι ιδρυτές και οι επενδυτές καθώς οι εταιρείες AI αναπτύσσονται από την ιδέα μέχρι την παγκόσμια επίδραση.

Με στρατηγικό και αναλυτικό πρίσμα, ο Evan εξετάζει τους γύρους χρηματοδότησης, τη θέση στην αγορά και τις αναδυόμενες τάσεις στο οικοσύστημα των AI startups. Παρακολουθεί πώς το venture capital, οι εταιρικές επενδύσεις και οι χρηματιστηριακές αγορές διασταυρώνονται με τις επαναστατικές εξελίξεις στην τεχνητή νοημοσύνη, διαχωρίζοντας τα ανθεκτικά σήματα από τη βραχυπρόθεσμη υπερβολή.

Τα άρθρα που συντάσσει ο Evan Mercer είναι δημιουργημένα από AI και ελέγχονται από την ομάδα συντακτών του Unite.AI για να διασφαλιστεί η ακρίβεια, το πλαίσιο και η υπεύθυνη κάλυψη του παγκόσμιου τοπίου επενδύσεων στην AI