Fonlama
Unsiloed AI, Araştırma, Mühendislik ve Satış Ekiplerini Büyütmek İçin Tohum Yatırım Turunda 7,5 Milyon Dolar Aldı

Öne çıkan noktalarUnsiloed AI, kurumsal belgeleri yapılandırılmış veriye dönüştürmek amacıyla Felicis…
Daha fazla göster
- Unsiloed AI, kurumsal belgeleri yapılandırılmış veriye dönüştürmek amacıyla Felicis liderliğinde 7,5 milyon dolarlık tohum yatırımı aldı.
- Şirketin ayrıştırıcısı, Mayıs 2026'daki kendi değerlendirmesinde rakip araçlara karşı olmOCR-Bench üzerinde 88,0 puan aldı.
- Unsiloed, daha büyük platformlara karşı erken dağıtımları ve kendi bildirdiği doğruluk sonuçlarını daha geniş kurumsal benimsemeye dönüştürmek zorunda.
TechCrunch’ın haberine göre, Unsiloed AI, kurumsal belgeleri yapay zekâ ajanlarının kullanabileceği yapılandırılmış verilere dönüştüren teknolojisini geliştirmek için Felicis liderliğinde 7,5 milyon dolarlık tohum yatırımı aldı. Haber 18 Kasım 2026’da yayımlandı.
Y Combinator’ın yanı sıra Orange Collective ve Uncorrelated Ventures da melek yatırımcılar Aarthi Ramamurthy ve Beth Turner ile birlikte yatırıma katıldı. CEO Aman Mishra, elde edilen gelirin araştırma ve mühendislik kadrosuna yeni çalışanlar alınması, satış faaliyetlerinin genişletilmesi ve teknolojiyi geliştirmek üzere şirkete özgü veri kümeleri oluşturulması için kullanılacağını söyledi.
Y Combinator’ın şirket profili, Unsiloed’ın 2025’te kurulan San Francisco merkezli bir şirket olduğunu ve 2025 Sonbahar dönemine katıldığını belirtiyor. Profildə Mishra kurucu ve CEO, Adnan Abbas ise kurucu ve CTO olarak tanıtılıyor; IIT Kharagpur’da aynı dönemde eğitim gören iki isim, programa katılmadan önce teknolojiyi geliştirdi.
Ayrıştırma, Veri Çıkarma ve Doğrulama
Unsiloed’ın ürün tanıtımına göre platform, PDF’leri, görselleri ve elektronik tabloları büyük dil modelleri ile yapay zekâ ajanlarının kullanabileceği JSON ve Markdown biçimlerine dönüştürüyor. Platformda üç işlem bulunuyor: Ayrıştırma, belge yapısını Markdown biçiminde koruyor; Veri Çıkarma, istenen alanları bir JSON şemasına göre sunuyor; Bölme ise birden fazla belge içeren dosyaları ayırıyor ve uzun belgeleri daha sonra bulunabilecek parçalara bölüyor.
Çıkarılan alanlar, güven puanlarını ve değerlerin özgün belgedeki konumlarını gösteren alıntıları içerebiliyor. Böylece incelemeyi yapanlar, bu değerler sonraki işlemlerde kullanılmadan önce belirsiz olanları kontrol edebiliyor. Platform S3, SharePoint, Drive, Snowflake ve belge yönetim sistemlerine bağlanabiliyor; ayrıca sanal özel bulutta, şirket içi sunucularda veya dış ağ bağlantısı olmayan ortamlarda kurulum seçenekleri sunuyor.
Kurucular, çıkarılan içeriği bir akışta; belgenin düzenini ve hiyerarşisini ise başka bir akışta tutan çift akışlı bir mimari kullandıklarını belirtiyor. Ardından devreye giren bir kod çözücü, sektöre özgü terminolojiyi uygulayarak JSON veya Markdown çıktısı üretiyor. Dikkat yönlendirmeli ısı haritaları, işlemeyi sayısal sütunlara, birleştirilmiş hücrelere ve bölüm başlıklarına yönlendirirken çok sayfalı tabloları ve maddeler arasındaki ilişkileri koruyor.
Mishra, temel güvenilirlik sorununu şöyle anlattı: “Büyük dil modelleriyle ilgili sorun, doğaları gereği olasılıksal olmaları. Kaçınılmaz olarak bir miktar sapma oluşacak. Halüsinasyonlar da ortaya çıkacak ve bunun sonraki aşamalarda ciddi olumsuz etkileri olacak.”
Şirketin Yürüttüğü Doğruluk Testleri
Unsiloed’ın kendi Mayıs 2026 değerlendirmesinde ayrıştırıcısı, belge ayrıştırma ölçütlerinden olmOCR-Bench’te 88,0 puan aldı. Reducto Agentic 66,0, Unstructured ise 39,9 puan aldı. Değerlendirmede 1.403 PDF sayfasında 8.413 birim testi uygulandı ve olmocr puanlayıcısının değiştirilmemiş 0.4.27 sürümü kullanıldı. Testler tabloları, matematiksel gösterimleri, okuma sırasını, uzun veya çok küçük metinleri ve bozulmuş taramaları kapsıyordu.
Unsiloed ayrıca, katı metin eşleştirmenin zararsız biçimlendirme veya gösterim farklılıklarını sorun olarak işaretleyebileceği uyarısında bulundu. Akademik kullanıma odaklanan ölçütler ise üretim belgelerinde sıkça rastlanan grafikleri, formları ve diğer öğeleri yeterince temsil etmeyebilir.
Şirketin bildirdiği ve 542 finansal belgeyi kapsayan ayrı bir testte, yaklaşık 84.000 veri noktası genelinde %99,78 doğruluk elde edildi. Belgeler bir kurumsal müşteriden alınmıştı; karşılaştırmaya önde gelen yapay zekâ modelleri, Microsoft’un Azure Document Intelligence ürünü ve müşterinin şirket içi veri çıkarma aracı dâhil edildi. Sonuçlar bağımsız olarak doğrulanmamıştı.
İlk Müşteriler ve Pazar Rekabeti
Mishra, Unsiloed’ın finans, hukuk hizmetleri ve sağlık alanlarındaki müşterilerle çalıştığını söyledi. Adı açıklanmayan bir banka belgeleri işlemek için yazılımı kullanırken bir hukuk bürosu, sözleşmeler ve eski dava dosyaları üzerinde çalıştırmak üzere yazılımı kendi sunucularında barındırıyor. Sesli yapay zekâ girişimi Bolna AI ise sesli ajanlar geliştirmek amacıyla bilgi tabanlarını sisteme aktarmak için yazılımdan yararlanıyor.
Şirketin rakipleri arasında belge işleme alanında uzmanlaşmış Reducto ve Unstructured girişimleri, Microsoft ve Amazon’un ürünleri ve işletmelerin veri çıkarma amacıyla kullandığı genel amaçlı yapay zekâ modelleri bulunuyor. Mishra, sayfa başına fiyatın bir sentten başladığını söyledi. Şirketin maliyetleri kontrol altında tutmasını, her bölümü aynı biçimde işlemek yerine işlem gücünü belgenin en çok dikkat gerektiren kısımlarına yönlendirmesine bağladı.
Unsiloed, yedi çalışanıyla bu pazarda büyümeye çalışıyor. Tohum yatırım turu, şirkete genişleme için kaynak sağlıyor. Şirketin önündeki kısa vadeli zorluk, ilk kurulumları ve kendi bildirdiği doğruluk sonuçlarını uzman sağlayıcılar ve çok daha büyük platformlarla rekabet ederek daha geniş çaplı kurumsal kullanıma dönüştürmek.












